7
TINJAUAN PUSTAKA Agroindustri ubi kayu Cassava atau ubi kayu termasuk dalam famili Euphorbiaceae. Ada dua jenis ubi kayu yaitu ubi kayu pahit atau beracun dan ubi kayu manis atau tidak beracun. Kedua jenis ubi kayu ini diklasifikasikan sebagai Manihot esculenta atau Manihot utilissima. Pemilihan ubi kayu sebagai bahan pangan subtitusi beras mempunyai alasan yang kuat. Pertama umbi-umbian termasuk ubi kayu merupakan makanan pokok asli sebagian masyarakat Indonesia, dan yang kedua kandungan gizi ubi kayu sangat memadai sebagai sumber karbohidrat. Pada Tabel 1 berikut disajikan perbandingan kandungan gizi beberapa komoditi pangan.
Tabel 1 Perbandingan Gizi tanaman pangan Kandungan Gizi
Beras
Gandum
Ubi kayu
Garut
Ubi jalar
Kalori (kal)
360,0
365,0
363,0
355,0
136,0
Protein (gr)
6,8
8,9
1,1
0,7
1,1
Lemak (gr)
0,7
1,3
0,5
0,2
0,4
Karbohidrat (gr)
78,9
77,3
88,2
85,2
32,3
Kalsium (mg)
6,0
16,0
84,0
8,0
57,0
Phosfor (mg)
140,0
106,0
125,0
22,0
52,0
Zat besi (mg)
0,8
1,2
1,0
1,5
0,7
Vit.A (SI)
0,0
0,0
0,0
0,0
900,0
Vit.B(mg)
0,1
0,1
0,0
0,1
0,1
Vit.C(mg)
0,0
0,0
0,0
0,0
35,0
Air ( gr)
13,0
9,1
9,1
13,0
40,0
Bagian yg dapat
100,0
100,0
100,0
100,0
100,0
dimakan (%) Sumber : Direktorat Gizi DepKes RI (1981) dalam Utami (2006)
Selain sebagai bahan pangan ubi kayu juga sebagai bahan baku berbagai sektor industri. Bahkan onggok dari tapioka dapat dijadikan sebagai bahan baku obat anti nyamuk bakar seperti pada Gambar 1 berikut:
8
Sektor Pertanian
Konsumen
Sektor industri Kulit
Makanan ternak
Onggok
Industri makanan/ kimia
Asam sitrat
Obat Nyamuk Bakar Ubi kayu Tapioka pearl
Glukosa
Industri makanan
Fruktosa
Industri makanan
Macam-macam alkohol
Industri makanan/ bio energi
Asam-asam organik
Industri makanan/ kimia
Sorbitol
Industri makanan
Senyawa kimia lain
Industri kimia
Tapioka Dextrin
Maltosa Umbi
Gaplek
Pelet
Makanan ternak
Bahan makanan Tepung ubikayu Bahan makanan Makanan ringan Sayuran
Daun
Makanan ternak
Gambar 1 Pohon industri ubi kayu (Bank Indonesia, 2004)
Ubi kayu dapat tumbuh di lahan kering dari dataran rendah hingga dataran tinggi dan dapat diusahakan terus-menerus sepanjang tahun. Pada kondisi lahan yang kurang subur dan ketersediaan air yang rendah petani lebih memilih menanam
9
ubi kayu karena selain mudah dalam pemeliharaan juga relatif tahan terhadap kekeringan. Melihat berbagai kegunaan dan potensi ubi kayu di Indonesia maka komoditas ini memiliki peranan dan kedudukan yang sangat strategis. Peranannya akan sangat berarti pada saat musim kering ( paceklik) digunakan sebagai sumber bahan pangan utama, sedangkan pada musim panen melimpah ubi kayu digunakan sebagai bahan baku industri hilir. Bahkan dengan adanya kebijakan pemerintah untuk mencari alternatif energi terbarukan ubi kayu mengambil peranan penting sebagai penghasil bioetanol yang merupakan bahan substitusi bensin. Pengembangan ubi kayu bisa dilakukan tanpa penyediaan lahan khusus melainkan ditanam secara tumpang sari pada lahan yang sudah ada, misalnya hutan jati atau mahoni sangat potensial untuk pengembangan ubi kayu. Luas hutan untuk tumpangsari tanaman pangan adalah 108 juta ha (HTI, HPH, Hutan Rakyat), jika 10% luas lantai hutan digunakan untuk budidaya tanaman pangan akan menghasilkan 378 juta ton dengan potensi pati 95 juta ton, untuk jelasnya disajikan dalam Tabel 2:
Tabel 2 Produktivitas dan potensi ubi kayu dan tanaman tumpangsari lainnya pada lahan hutan. Jenis
Produktivitas per
Potensi panen Potensi pati
Potensi etanol
tanaman
musim (ton/ha)
( juta ton)
(juta ton)
(juta l)
Ubikayu
35
378
95
60
Garut
20
216
32
17
Ganyong
20
216
32
17
Talas
8
86
17
9
Kimpul
30
324
65
52
Ubijalar
20
216
54
35
Jagung
7
76
49
15
Sumber: Dephutbub (1999)
Kualitas tapioka dikelompokkan berdasarkan nilai dari kriteria kualitas tapioka yaitu, kadar air, kadar abu, serat dan kotoran, derajad keputihan, kadar
10
BaSO4, kekentalan, Derajat asam dan kadar HCN. Secara lengkap kualitas tapioka disajikan pada Tabel 3.
Tabel 3 Standar mutu tapioka menurut SNI.01-3451-1994 Kriteria mutu
Mutu I
Mutu II
Mutu III
Kadar air (% maks)
17
17
17
Kadar abu (% maks)
0,6
0,6
0,6
Serat + kotoran(% maks)
0,6
0,6
0,6
Derajad putih
Min
Min
Min
BASO4 =100
Min 94,5
Min 92
Min 92
Kekentalan (Engler)
3-4
2,5-3
2,5
Derajad asam (ml NAOH/100 gr)
4
4
4
Kadar HCN (%)
negatif
negatif
Negatif
Sumber: Sumber : Direktorat Pengolahan dan Pemasaran Hasil Tanaman Pangan (2003)
Manajemen Krisis Suatu fenomena pada alam semesta dapat digambarkan dengan dua keadaan yaitu normal dan abnormal. Normal diartikan sebagai keadaan sistem yang teratur, stabil, berjalan sebagaimana mestinya. Abnormal berlaku kebalikan dari normal. Berdasarkan strukturnya, abnormal terbagi menjadi dua, yaitu abnormal terstruktur yang disebut sebagai krisis dan abnormal yang tidak terstruktur yang disebut sebagai chaos. Definisi Krisis menurut Fink(1996) bahwa
krisis bisa diartikan sebagai
suatu keadaan yang tidak stabil dimana perubahan mendasar bisa terjadi. Sedangkan Eriyatno et al (2010) mendefinisikan krisis sebagai suatu peristiwa mendadak yang secara signifikan mempengaruhi kemampuan lembaga untuk menjalankan fungsinya.
Krisis menimbulkan gangguan yang secara fisik
berdampak nyata terhadap suatu sistem dan mengancam eksistensi maupun kelangsungan sistem tersebut. Krisis dapat terjadi pada perseorangan maupun terhadap organisasi atau lembaga. Secara garis besar berdasarkan anatominya siklus krisis dapat dibagi menjadi empat tahapan, yaitu 1) krisis prodomal atau awal, 2) krisis akut, 3) tahap kronis dan 4)
11
tahap pemulihan (resolution). Situasi krisis prodomal antara lain ditandai oleh peningkatan intensitas ketegangan, peningkatan perhatian media massa atau pemerintah, kemunculan hambatan atau gangguan terhadap operasi bisnis Krisis prodomal dapat berkembang menjadi krisis akut. Krisis akut ditandai dengan sudah ditemukannya krisis dan jika peringatan dini mengenai kemunculan krisis tidak ditangani secara serius, maka sangat sulit menemukan titik balik menjadi keadaan normal kembali. Dengan perencanaan dan penanganan yang tepat, ledakan krisis pada tahap akut dapat diatur waktu, tempo maupun magnitudenya, sehingga dampak buruk dapat dikendalikan. Periode krisis tingkat akut biasanya berlangsung singkat, kemudian dilanjutkan dengan krisis tingkat kronis (Fink, 1996).
Prodomal
Acute Krisis
Resolution
Chronic
Gambar 2 Siklus Krisis (Fink, 1996).
Metoda yang paling sederhana dalam menghindari krisis adalah konsensus yang memungkinkan para pihak yang berkepentingan berpartisipasi dalam upaya mencegah konflik. Pengambilan keputusan berdasarkan konsensus tergantung pada dua hal yaitu 1) optimasi dari terpenuhinya kepentingan semua pihak dan 2) kompromi dari pihak-pihak yang berkepentingan. Pencegahan dan penghindaran krisis tergolong langkah yang sangat rumit, karena datangnya krisis pada umumnya sangat mendadak serta perkembangannya sangat cepat. Sehingga, upaya melakukan konsensus guna menyelesaikan krisis, sangat sulit dilakukan setelah krisis berlangsung. Perencanaan dan kesiagaan penanggulangan krisis yang tepat merupakan faktor kunci bagi keberhasilan penanganan krisis dalam suatu lembaga. (Fink, 1996) Manajemen krisis adalah suatu pengetahuan yang dikenal sebagi prosedural model atau protokol yaitu suatu cara pengelolaan yang proaktif dari kegiatan
12
organisasi yang mengarah pada keberlanjutan fungsinya sesegera mungkin setelah adanya krisis (Eriyatno et al., 2010). Avevedo (2007) dalam Eriyatno et al (2010) menyebutkan bahwa kegiatan manajemen krisis yang proaktif dicirikan oleh prakiraan
potensi
krisis
(forecasting)
dan
perencanaan
pengendaliannya.
Manajemen krisis berupaya mengidentifikasi sumber pemicu krisis, kemudian meminimalkan kerusakan sebagai dampak krisis dan akhirnya melakukan upaya pemulihan.
Sistem Manajemen Chaotic Pada umumnya penetapan parameter krisis dalam bisnis terkait dengan manajemen risiko kuantitatif, meskipun disadari bahwa dunia nyata belum tentu berperilaku secara acak dengan bentuk teratur. Teknik ekonometrik yang banyak dipraktekkan dalam mazhab neo-klasik mengkategorikan sifat acak tersebut sebagai perilaku yang dapat dianalisis, sedangkan apa yang terjadi di pasar uang ataupun pasar modal adalah ketidak teraturan yang disebabkan proses umpan balik. Asumsi yang diakui oleh faham neo-klasik yaitu berlakunya prasyarat statistik ternyata hal ini terbukti tidak sahih di praktek pasar finansial. (Eriyatno et al., 2010). Penanggulangan krisis pada pada tahap akut turbulensi menjadi ancaman menakutkan jika kekacauan, keacakan, dan ketidakpastian meluas ke arah lenyapnya kekuatan pengendalian. Henderson (1991) menggambarkan semacam zone peralihan dalam sistem (ekonomi, politik, sosial) yang tengah mengalami proses transformasi. Zone transisi ini dicirikan dengan adanya kondisi peregangan (fibrillation) di dalamnya. Zone peregangan ditandai munculnya ketidakpastian dan risiko amat besar. Inilah titik kritis yang dalam teori chaos disebut wilayah bifurkasi (bifurcation), yaitu zone perubahan yang di dalamnya tumbuh banyak mode dan percabangan yang akan menentukan arah perubahan. Menurut Collins English dictionary Chaos diartikan sebagai “kekacauan”. Dalam bahasa umum seringkali chaos diartikan sebagai situasi kacau balau, misalnya kondisi perekonomian, perilaku masyarakat akibat terjadinya perang, bencana alam atau suatu kejadian yang sifatnya mendadak dan tidak terkendali. Tiga kunci utama dalam dinamika chaos yaitu:
13
1. Nonlinieritas, yaitu adanya sedikit perubahan pada satu level akan menghasilkan perubahan besar pada level yang sama atau level yang lain dari suatu sistem. 2. Ketidakstabilan status sistem. Dalam teori chaos ada 2 bentuk ketidakstabilan yaitu: i). ketidaksatabilan struktural, terjadi ketika ada sedikit perubahan konstruksi (kondisi awal) dapat memberi pengaruh yang besar terhadap perilaku sistem. dan ii). ketidakstabilan perilaku, sedikit perubahan pada pola keterkaitan elemen sistem maka akan memicu ketidakstabilan sistem. Contohnya dengan adanya perubahan harga oleh suatu perusahaan akan menyebabkan perang harga pada industri. 3. Emergent order, sistem dapat berkembang sendiri, evolusi dipengaruhi oleh faktor endogen Menurut Sterman (1988) kondisi chaos sering tidak disadari karena struktur dari sistem tidak chaos, tetapi menimbulkan sistem chaotic dinamic karena adanya interaksi (pola keterkaitan) unsur-unsur endogen dalam sistem atau adanya intervensi lingkungan ( exogen). Chaotic Management System adalah suatu pendekatan sistematis untuk mendeteksi, menganalisis dan merepon turbulence dan chaos. Menurut Kotler (2009) untuk mencapai Business Enterprize yang berkelanjutan dengan pendekatan Chaotic Management System terdiri dari 4 tahapan yaitu: 1. Mendeteksi sumber turbulence melalui pengembangan sistem deteksi dini 2. Merespon dan menanggulangi chaos dengan mengkonstruksikan beberapa skenario strategi 3. Memilih strategi berdasarkan pada prioritas skenario dan resiko. 4. Mengimplementasikan Chaotic Strategic Management
14
Gambar 3 Sistem Manajemen Chaotic (Kotler, 2009)
Teori Chaos Penggunaan kata chaos dalam istilah sehari-hari sering diartikan sebagai ”kekacauan yang menjadi-jadi”. Dalam bidang sains, chaos adalah bahasa teknis dari sebuah fenomena sistem nonlinier yang kelakuannya sangat bergantung secara sensitif pada kondisi awalnya (Wiggins, 1990). Sistem yang mengalami chaos disebut sistem chaotik. Penelitian mengenai chaos dimulai tahun 1890, ketika seorang astronom dan matematikawan Prancis Henry Poincare mempelajari sistem tata surya. Poincare pertama kali menemukan konsep chaos dalam gerak orbit tiga obyek yang mana satu sama lain menggunakan gaya tarik untuk memaksa yang lainnya. Poincare menyatakan bahwa suatu sistem yang terdiri dari beberapa bagian berinteraksi dengan kuat maka ada kemungkinan terjadinya perilaku yang tidak dapat diprediksi
15
(Chorafas, 1994). Konsep ini menjadi awal dari teori Chaos atau secara umum disebut dengan teori sistem non linier dinamik. Chaos dan keteraturan (order) dipandang saling berlawanan (antagonis). Hukum alam seperti hukum Newton dan hukum Keppler memperlihatkan keteraturan (order), sedangkan chaos dipahami sebagai wajah lain dari alam ketika kesederhaan atau hukum yang kompleks (complicated laws) menjadi tidak valid. Chaos tidak hanya dilihat sebagai kompleksitas dengan derajat tinggi atau bentuk yang lebih kompleks dari keteraturan, tetapi dipandang sebagai kondisi dimana alam gagal mematuhi hukum.
Karakteristik penting dari sistem dinamik chaos, yang pertama dan paling penting adalah mempunyai ketergantungan yang sensitif terhadap kondisi awal. Sistem dinamik mempunyai sifat yang tidak dapat diprediksi untuk jangka panjang. Ketidakmungkinan prediksi ini terjadi karena sistem dinamik merupakan sistem umpan balik (feedback system), dimana keluaran saat ini menjadi masukan bagi keadaan selanjutnya. Karakteristik kedua adalah memiliki tingkat kritis. Sistem yang melewati titik kritisnya akan kehilangan kestabilan. Konsep ini dapat digambarkan seperti kejadian dimana suatu timbangan yang telah berada pada titik maksimum atau titik kritisnya, jika ditambah beban dengan berat sekecil apapun akan menyebabkan kehilangan kestabilan dan timbangan menjadi rusak. Karakteristik ketiga adalah memiliki dimensi fraktal.
Fraktal deterministik dan fraktal acak Ide fraktal diperkenalkan oleh Benoit Manderlbrot pada tahun 1975 untuk menjelaskan obyak kompleks yang tidak dapat dijelaskan dengan menggunakan geometri Euclid. Tidak ada definisi normal mengenai fraktal,
Peter (1991)
mendefinisikan fraktal sebagai berikut:”fraktal adalah sebuah obyek dimana tiaptiap bagiannya berhubungan dengan keseluruhan obyek tersebut.” Fraktal menunjukkan kemiripan atas dirinya sendiri (self-similarity). Salah satu contoh fraktal alamiah adalah sebuah pohon. Pohon bercabang menurut kepada skala
16
fraktal. Setiap cabang memiliki cabang-cabang lain yang lebih kecil, memiliki kesamaan terhadap keseluruhan dalam sebuah pandangan kualitatif. Fraktal dapat dibedakan menjadi fraktal deterministik dan fraktal acak (random fractal). Fraktal deterministik dihasilkan oleh pengulangan aturan-aturan deterministik dan memiliki bentuk yang umumnya simetris. Contoh bentuk fraktal deterministik adalah segitiga Sierpinski .
Gambar 4 Self-similarity fractal (Peter, 1991) Sedangkan fraktal acak dihasilkan oleh kombinasi aturan-aturan yang dipilih secara acak pada skala yang berbeda. Contoh fraktal acak adalah garis tepi pantai. Dari pesawat udara yang sedang terbang tinggi, garis tepi pantai terlihat seperti garis mulus yang tak teratur. Makin rendah pesawat terbang, garis pantai itu terlihat makin bergerigi, sampai pada jarak dekat dimana setiap batu dapat terlihat. Kurva times series dapat dibandingkan dengan garis pantai. Garis bergerigi pada kurva times series mula-mula seperti garis pantai. Makin dekat kita melihatnya (makin kecil pertambahan unit waktunya) makin banyak rincian yang terlihat. Geometri euclid dan geometri fraktal Geometri euclid menyederhanakan alam menjadi obyek-obyek yang simteris dan murni ke dalam bentuk dimensi yang dinyatakan dalam bentuk bilangan bulat. Garis lurus dianggap memiliki dimensi satu, bidang memiliki dimensi dua, dan bangun ruang memiliki dimensi tiga. Bidang dua dimensi adalah permukaan yang rata tanpa celah dan obyek tiga dimensi adalah bentuk padat murni
17
yang tak berlubang didalamnya. Bangun ruang memiliki sejumlah bentuk simetris dan murni seperti bola, kerucut, silinder, dan balok. Tidak satupun dari bendabenda tersebut yang memiliki lubang didalamnya dan tidak memiliki permukaan yang kasar. Kesemuanya memiliki bentuk yang mulus (smooth) dan murni. Bagi Yunani kuno, simetri dan padat merupakan tanda kesempurnaan. Kelemahan Geometri Euclid adalah tidak dapat membantu kita dalam memahami bagaimana suatu obyek dibentuk. Dimensi suatu obyek dalam geometri fraktal tidak harus selalu bilangan bulat.. Selembar kertas yang dianggap bidang dua dimensi, jika diremas menjadi bola dan akan berdimensi lebih dari dua tetapi tidak akan tepat berdimensi tiga. Dimensi bola kertas tersebut akan terletak antara dua dan tiga, terkecuali jika bola kertas tersebut dipadatkan maka akan menjadi obyek tiga dimensi. Kurva times series yang tampak seperti garis bergerigi, tidak berdimensi satu karena tidak lurus dan juga tidak berdimensi dua karena tidak memenuhi suatu bidang. Dimensinya lebih besar dari dimesi garis dan kurang dari dimensi bidang, dimensinya terletak antara satu dan dua. Bila suatu obyek berada dalam ruang yang lebih besar daripada dimensi fraktalnya, ruang tersebut disebut dimensi melekat (embedding dimension) dan cenderung dianggap dimensi obyek itu. Sebagai contoh, bola kertas yang diremas dianggap berdimensi tiga walaupun tidak mengisi penuh ruang tiga dimensi. Sebenarnya obyek fraktal mempertahankan dimensinya bila diletakkan pada dimensi melekat yang lebih besar dari pada dimensi fraktalnya. Kurva times series juga tidak mengisi bidang dua dimensi, hanya times series acak yang mengisi bidang dan mempunyai dimensi dua.
Dimensi Fraktal Dimensi fraktal menjelaskan bagaimana suatu obyek menempati ruangnya. Dimensi fraktal menunjukkan seluruh faktor yang mempengaruhi sistem obyek dengan skala tertentu. Ada beberapa cara untuk menghitung dimensi fraktal, tetapi semuanya melibatkan cara bagaimana memeriksa volume atau area bentuk fraktal dan bagaimana skala perubahannya jika volume atau area itu bertambah. Salah satu
18
metode awal penghitungan dimesi fraktal adalah mengitung jumlah lingkaran dengan diameter tertentu yang dibutuhkan untuk memenuhi kurva. Bila diameternya diperbesar dan jumlah lingkaran yang dibutuhkan dihitung, akan ditemukan jumlah lingkaran berskala memenuhi hubungan berikut: N *d D 1
(1)
Dimana N=jumlah lingkaran d=diameter lingkaran D=dimensi fraktal
Dengan menggunakan logaritma, persamaan diatas siubah menjadi: D
log N log d 1
(2)
Dimensi fraktal memberikan informasi penting mengenai hal-hal yang mendasar dari sistem. Bilangan bulat terbesar terdekat dari dimensi fraktal memberikan informasi banyaknya
variabel dinamik minimal
yang dibutuhkan untuk
memodelkan dinamika sistem tersebut. Sebagai contoh, suatu sistem yang memiliki dimensi fraktal sebesar 2,37 artinya diperlukan sedikitnya tiga variabel untuk memodelkannya dalam sistem dinamik. Grassberger dan Procacia (1983) mengembangkan metode dimensi korelasi (correlation dimentsion) sebagai pendekatan penghitungan dimensi fraktal dengan menggunakan integral korelasi (correlation integral), Cm(R). Integral korelasi adalah probabilitas sepasang titik didalam attractor yang berada dalam jarak R satu dengan lainnya. Untuk menghitung banyaknya pasangan titik yang memenuhi kondisi tersebut, pertama times series yang digunakan direkonstruksi menjadi ruang fasa, dimulai dengan dimensi melekat (m) yang rendah, yaitu m=2, m=3 dan seterusnya. Kemudian mulai dengan jarak R yang pendek, integral korelasi Cm(R) dihitung untuk jarak ini, sesuai dengan persamaan: N
Cm( R) (1 / N 2 ) * Z ( R X i X j ) i , j 1 i j
Dimana Z ( x) 1 jika ( R X i X j ) 0
(3)
19
N = banyaknya observasi R = jarak Cm = integral korelasi untuk dimensi m
Z(x) disebut fungsi Heaveside karena nilainya 0 jika jarak antara dua titik Xj
X i dan
lebih dari R dan nilainya 1 jika jaraknya kurang dari R. Integral korelasi
adalah probabilitas 2 titik yang dipilih secara acak hanya akan terpisah dengan jarak kurang dari R unit. Jika diperbesar nilai R, Cm akan meningkat pada laju D , sehingga akan diperoleh hubungan: Cm R D
(4)
Atau log( Cm) D * log( R) konstanta
(5)
Untuk sebuah dimensi(m), dapat dihitung Cm untuk peningkatan nilai R. Dengan mencari kemiringan pada garis log(Cm) dengan log(R) melalui regresi linier, dapat diestimasi dimensi korelasi (D) untuk masukan dimensi melekat (m). Dengan meningkatkan m, D akan berangsur-angsur menyatu menuju nilai sebenarnya. Hasil yang sama diperoleh sejalan dengan dimensi masukan (m) menjadi semakin besar dari dimensi fraktal (D), sesuai dengan alasan yang dikemukakan. Sebuah fraktal dimasukkan kedalam sebuah dimensi yang lebih tinggi akan mempertahankan dimensi aslinya karena korelasinya yang ada antara titik-titiknya. Jadi dimensi korelasi dari Grassberger dan Procaccia merupakan estimasi yang baik untuk dimensi fraktal. Embedding dimension (m) mengukur kepadatan dalam attractor dalam menemukan probabilitas sebuah titik yang berjarak R dari titik lain. Correlation integral Cm(R) adalah banyaknya sepasang titik yang berada dalam batas R. Untuk attractor chaos, Cm(R) mencapai kestabilan setelah sebuah nilai m yang mencapai nilai sebenarnya. Kemudian, melalui penghitungan kemiringan grafik log(R) untuk nilai m yang berbeda, akan diperoleh dimensi korelasi. Jika kestabilan tidak terjadi maka dapat disimpulkan bahwa proses yang mendasari adalah proses stokastik. Takens (1981) memperlihatkan bahwa untuk memperoleh hasil peramalan yang baik, pemilihan embedding dimension sangat penting dan harus berada dalam interval:
20
d A dE 2A 1
(6)
Dimana d A adalah dimensi attractor atau dimensi fraktal dan d E adalah embedding dimension.
Ruang fasa (phase space) Inspeksi visual terhadap data menjadi penting pada sistem dinamik non linier, karena biasanya memiliki penyelesaian yang tidak tunggal. Penyelesaian yang ada mungkin berjumlah berhingga atau bahkan tidak berhingga. Sistem yang bersifat chaos memiliki penyelesaian yang tidak berhingga yang terdapat pada ruang berhingga (finite space). Sistem tersebut ditarik ke daerah ruang kumpulan jawaban yang mungkin yang biasanya mempunyai dimensi fraktal. Ruang fasa (phase space) adalah ruang dimana semua kemungkinan terjadi, sedangkan daerah dimana jawaban itu berada didalam ruang fasa disebut dengan attractor. Terdapat tiga jenis dasar attractor sistem non linier. Jenis paling sederhana adalah point attractor. Pada jenis ini, titik permulaan dimana sistem itu mulai bekerja akan berakhir di suatu titik dimana kesetimbangan sistem terjadi. Ekonomi klasik cenderung memandang sistem ekonomi sebagai sistem seimbang (equilibrium system) atau point attractor. Jenis yang kedua adalah limit cycles, bentuk attractornya seperti lingkaran tertutup. Jenis attractor ini merupakan suatu sistem yang mempunyai periode teratur. Jenis yang terakhir adalah strange attractor. Jenis ini mempunyai perputaran yang tidak periodik yang kelihatan seperti acak dan kacau akan tetapi terbatas pada daerah tertentu.
Mengukur Chaos Ketergantungan yang sensitif terhadap kondisi awal, dapat diukur dengan sebuah bilangan skalar eksponen Lyapunov. Eksponen Lyapunov mengukur berapa cepat orbit yang terdekat menyimpang dalam ruang fasa dan menandai bagaimana lintasan ruang fasa dan proses dinamik berkembang. Secara umum terdapat lebih dari satu bilangan eksponen Lyapunov tergantung dari dimensi permasalahannya, tetapi selama bilangan terbesar bertanda positif mengindikasikan adanya pertumbuhan tak tentu secara eksponensial. Maka bilangan eksponen Lyapunov
21
memiliki indikasi yang sangat penting dalam mendeteksi chaos. Persamaan formal dari eksponen Lyapunov ( )
1 t
untuk dimensi yang ke i
pi (t ) pi (0)
lim 2 log t
)adalah :
(7)
Dengan memanfaatkan fungsi logistik maka persamaan menjadi
1 N
N
log n 1
2
(r 2rX n )
(8)
Dimana :
= Bilangan eksponen Lyapunov
t
= perioda waktu
pi (t ) = data barisan ke-i pada periode ke-t pi (0) = data barisan ke-i pada periode awal Xn
= data ke-n
N
= jumlah data
r
= parameter input
Bilangan eksponen Lyapunov ini kemudian dapat dihitung dengan menggunakan komputer hingga derajat ketelitian tertentu yang ditentukan oleh nilai N pada berbagai nilai parameter r. Identifikasi Chaos terhadap bilangan Lyapunov adalah sebagai berikut:
0 orbit akan tertarik menuju titik stabil atau periodik stabil. Titik-titik tetap dan periodik superstabil memiliki bilangan Lyapunov
0 mengindikasikan sistem berada dalam keadaan steady state. 0 orbit ini bersifat tidak stabil dan mengalami chaos. Titik-titik yang berdekatan akan menyebar pada jarak yang sembarang. Satuan dari eksponen Lyapunov adalah bits/iteration. Ketika diaplikasikan pada deret waktu maka satuan tersebut lebih sering disebut dengan bits/perioda pengukuran. Keakuratan bits mengukur seberapa besar kita mengetahui kondisi saat ini. Misalkan eksponen Lyapunov terbesar adalah 0,05 bit/hari, artinya kita
22
kehilangan 0,05 bit dari kekuatan prediksi tiap hari, sehingga informasi menjadi tidak berguna setelah 1/0,05 atau 20 hari. Allan Wolf (1985) yang diacu dalam (Muhyidin, 2005) mengembangkan metode penghitungan eksponen Lyapunov, berdasarkan pada penghitungan jarak yang memisahkan lintasan yang bersebelahan di dalam ruang fasa. Jika jarak awal antara lintasan adalah N 0 maka setelah interval waktu yang pendek, jarak N yang baru dengan eksponen Lyapunov h, adalah: N N 0 e ht
(9)
Jika h<0 maka lintasan akan konvergen secara eksponesial, sedangkan jika h>0 maka lintasan akan divergen secara eksponensial. Prosedur yang dilakukan oleh Wolf adalah mengambil lintasan tertentu dalam ruang fasa dan menghitung rasio dimana
jarak kepada lintasan terdekat. Hasilnya adalah rata-rata jarak
sepanjang waktu pengamatan, sehingga bilangan Lyapunov dalam formula khusus adalah:
h
1 t N t0
N
k 1
2
log
d (t k ) d 0 (t k 1 )
(10)
Algoritma Wolf memerlukan data yang sangat banyak. Wolf menyatakan bahwa sedikitnya 30 titik diperlukan utuk menghitung lintasan tunggal, dan sedikitnya 30 d titik untuk menghitung sisa dengan dimensi d, Vaga (1994) yang diacu dalam
(Muhyidin, 2005).
Sistem Deteksi Dini Deteksi dini merupakan kegiatan pendugaan untuk suatu keadaan dimasa mendatang dengan mengadakan taksiran terhadap berbagai kemungkinan yang terjadi sebelum suatu rencana yang lebih pasti dilakukan (Eriyatno, 1999). Sistem deteksi dini dikembangkan menjadi bagian dari manajemen risiko. Resiko adalah suatu dampak dari ketidakpastian suatu kejadian yang mengawalinya. Perubahan lingkungan eksternal maupun internal akan memunculkan suatu ketidakpastian kondisi.
23
Manajemen resiko adalah suatu kegiatan yang mengelola ketidakpastian resiko sebelum suatu kejadian terjadi. Sedangkan manajemen krisis didefinisikan sebagai kegiatan yang mengelola resiko dampak yang telah terjadi (Gilad, 2004). Dalam penanganan krisis dalam bentuk manajemen kontrol sangat dibutuhkan suatu metoda untuk melakukan pendugaan lebih awal. Sistem
ini
dilakukan secara kontinyu dimulai dari mengidentifikasi resiko sebagai indikator dampak krisis, kemudian melakukan pemantauan intelijen untuk mendapatkan sinyal-sinyal keadaan krisis dan selanjutnya manajemen melakukan tindakan antisipasi (Gilad, 2004). Untuk jelasnya digambarkan pada diagram berikut ini. Identifikasi resiko Indikator
Umpan balik
Tindakan manajemen
Pemantauan Intelijen Sinyal
Gambar 5 Siklus deteksi dini (Gilad, 2004)
Keadaan turbulensi dapat terjadi setiap saat dan dimanapun. Turbulensi ada yang dapat dideteksi lebih awal dan ada yang tidak dapat dideteksi. Turbulensi yang dapat dideteksi dapat dianalisis dan kemudian dilakukan tindakan secepat mungkin. Tindakan pertama adalah mengidentifikasi peluang yang mungkin terjadi dengan akan terjadinya turbulensi atau resiko yang mungkin akan muncul. Strategi yang dilakukan mengacu kepada mengeksploitasi peluang dan meminimalkan resiko untuk menuju kepada kenormalan baru. Turbulensi yang tidak dapat diprediksi, termasuk turbulensi yang terdeteksi tetapi manajemen tidak cukup kemampuan maupun kemauan untuk melakukan tindakan, atau melakukan tindakan tetapi lambat maka keadaan akan berubah menjadi chaos (Kotler, 2009). Oleh karena itu kecepatan dan keakuratan sistem deteksi dini memegang peranan penting terhadap penganggulangan krisis.
24
Keberhasilan penerapan sistem deteksi dini bergantung pada dua hal penting yaitu kemampuan sintesis pengenalan keadaan dan integritas dari para pengelola sistem deteksi dini.
Sistem Manajemen Ahli Pendekatan secara sistem dalam pengambilan keputusan dikenal dengan istilah Sistem Penunjang Keputusan (SPK), yaitu memaparkan secara mendetail elemenelemen sistem sehingga dapat menunjang manajer (pengambil keputusan) dalam proses pengambilan keputusan (Eriyatno, 1999). Menurut Suryadi (1998) SPK adalah
pengembangan
lebih
lanjut
dari
Sistem
Informasi
Manajemen
terkomputerisasi yang dirancang sedemikian rupa sehingga bersifat interaktif dengan penggunanya. Elemen dasar dari SPK pada umumnya adalah basis data dan basis model. SPK ditambah dengan basis pengetahuan disebut sebagai Sistem Manajemen Ahli (SMA). Karakteristik pokok yang mendasari SMA menurut Eriyatno (1999) adalah : 1) interaksi langsung antara komputer dengan pengambil keputusan, 2) dukungan menyeluruh (holistik) dari keputusan bertahap ganda, 3) suatu sintesa dari konsep yang diambil dari berbagai bidang, antara lain; ilmu komputer, psikologi, intelegensia buatan, ilmu sistem dan ilmu manajemen, 4) mempunyai kemampuan adaptif terhadap perubahan kondisi dan kemampuan berevolusi menuju sistem yang lebih bermanfaat. Model konseptual dari SMA adalah integrasi antara 1) Sistem manajemen basis data, 2) Sistem manajemen basis model, dan 3) Sistem manajemen pengetahuan, dan 4) sistem manajemen dialog, yang interaksinya diatur oleh Sistem Pengolahan terpusat. Basis Data yang digunakan dalam SMA dikreasi, diubah dan dikontrol melalui suatu sistem manajemen basis data yang harus bersifat interaktif dan fleksibel. Sistem Manajemen Basis Model mengelola, mengubah dan mengontrol model komputasi data yang ada untuk pengambilan keputusan. Pengetahuan pakar diakuisisi dan dikelola dalam sistem manajemen basis pengetahuan untuk dasar pengambilan keputusan. Sistem Manajemen Dialog merupakan sistem yang memberikan fasilitas komunikasi dan interaksi antara pengguna dan komputer. Sistem
ini menerima masukan dari pengguna dan
memberikan keluaran atau hasil yang dikehendaki kepada pengguna. Sistem
25
pengolahan terpusat merupakan koordinator dan penggendali operasi SMA secara langsung dan menyeluruh. Sistem ini menerima masukan dari ketiga sistem lainnya dalam bentuk baku dan memberikan keluaran kepada ketiga sistem lainnya dalam bentuk baku.
Analisa Resiko Batas Ambang (Threshold Risk Analysis) Analisa resiko ambang batas digunakan untuk menentukan batas ambang dalam sistem deteksi dini sebagai sinyal awal untuk mengetahui faktor resiko yang akan terjadi. Untuk keperluan analisis ini diperlukan pengukuran tertentu untuk memunculkan batas ambang. Titik ambang dalam suatu industri adalah suatu batas dimana industri tersebut dapat beroperasi dalam minimum kelayakan usahanya (Blocher, 2005). Titik impas (Break Event Point/BEP) adalah kemampuan sumberdaya unit produksi untuk dapat berproduksi pada level tidak rugi dan tidak untung (impas) . Yang dimaksud dengan sumber daya unit produksi adalah tenaga kerja, mesin, bahan baku, unit stasiun kerja, proses produksi, perencanaan produksi dan organisasi produksi. Manfaat perhitungan BEP antara lain untuk mengetahui tingkat produksi atau penjualan minimal yang layak secara ekonomis (Groover, 2001). Satuan BEP berupa unit produksi/ penjualan atau satuan rupiah yang dinyatakan sebagai berikut: (11 Atau (12)
Harga pokok produk (HPP) adalah biaya yang diperlukan untuk mengolah bahan baku menjadi produk jadi. Ada 2 metoda untuk menghitung HPP yaitu metoda full costing atau conventional costing dan variabel costing atau metoda Activity Base costing (ABC). Full Costing yakni merupakan metode penentuan harga pokok produksi, yang membebankan seluruh biaya produksi baik yang berperilaku tetap maupun
26
variabel kepada produk. Dikenal juga dengan
Absortion atau Conventional
Costing. Perbedaan tersebut terletak pada perlakuan terhadap biaya produksi tetap, dan akan mempunyai akibat pada : perhitungan harga pokok produksi dan penyajian laporan laba-rugi. Dengan menggunakan Metode Full Costing, Biaya Overhead pabrik baik yang variabel maupun tetap, dibebankan kepada produk atas dasar tarif yang ditentukan di muka pada kapasitas normal atau atas dasar biaya overhead yang sesungguhnya. Variable Costing merupakan suatu metode penentuan harga pokok produksi yang hanya memperhitungkan biaya produksi variabel saja. Dikenal juga dengan istilah
direct costing .Dengan menggunakan metode Variable Costing, Biaya
overhead pabrik tetap diperlakukan sebagai period costs dan bukan sebagai unsur harga pokok produk, sehingga biaya overhead pabrik tetap dibebankan sebagai biaya dalam periode terjadinya (Blocher, 2005). Sinyal resiko kelangsungan industri tapioka dapat diidentifikasi dengan threshold analysis terhadap indikator kelayakan industri yaitu kapasitas produksi dan Harga Pokok Produk (HPP). Pelampauan indikator kelayakan terhadap
nilai
ambang akan memberikan sinyal potensi resiko.
Sistem Intelijen
Rich dan Knight (1991) yang diacu dalam Turban (2005) mendefinisikan bahwa kecerdasan buatan (artificial intelligent) adalah mempelajari bagaimana membuat komputer dapat mengerjakan sesuatu sebagaimana kecerdasan manusia. Sistem yang mengintegrasikan pengetahuan dari pakar dalam sistem penunjang keputusan disebut Knowledge Based Decision Support System atau Sistem Penunjang Keputusan Intelijen ( Inteligent Decision Support System) . Sistem pakar adalah suatu sistem informasi berbasis komputer yang menggunakan pengetahuan pakar untuk
menghasilkan keputusan
dengan
performansi tingkat tinggi (Turban, 1995). Konsep dasar sistem pakar meliputi issue-issue mendasar tentang siapa yang dianggap sebagai pakar, pada bidang apa kepakarannya, bagaimana kepakarannya ditransfer dan bagaimana sistem bekerja. Pakar adalah seseorang yang memiliki
27
pengetahuan pada bidang yang spesifik berdasarkan pendidikan, atau pengalaman serta bijaksana memberikan solusi masalah. Struktur sistem pakar dapat digambarkan dalam 2 lingkungan yaitu:1) lingkungan pengembangan, yang digunakan oleh sistem pakar untuk membangun komponen-komponen dan meletakkan pengetahuan kedalam basis pengetahuan. 2) lingkungan konsultasi, yang digunakan oleh bukan pakar untuk memperoleh pengetahuan pakar dan saran atau rekomendasi. Komponen utama dari sistem pakar yaitu: 1) fasilitas akuisisi pengetahuan,2)sistem berbasis pengetahuan,3) mesin inferensi, 4) fasilitas justifikasi, dan 5) user interface (Turban, 2005). Akuisisi pengetahuan merupakan suatu proses untuk mendapatkan pengetahuan yang digunakan oleh seorang ahli dalam menyelesaikan masalah pada domain yang terbatas. Pengetahuan adalah himpunan fakta, informasi dan kaidah. Proses akuisisi pengetahuan dilakukan oleh knowledge engineer melalui metoda observasi, akuisisi dan deskripsi. Basis pengetahuan terdiri dari pengetahuan-pengetahuan yang dibutuhkan untuk pemahaman, formulasi dan penyelesaian masalah. Pengetahuan dikumpulkan dengan melakukan akuisisi pengetahuan, yaitu suatu proses akumulasi, transfer dan transformasi pengetahuan pakar kedalam program komputer. Basis pengetahuan terdiri dari pengetahuan statik (declarative knowledge) dan pengetahuan dinamik (procedural
knowledge).
Pengetahuan
deklaratif
dapat
direpresentasikan
menggunakan frame dan jaringan semantik. Pengetahuan prosedural dapat direpresentasikan dengan menggunakan kaidah produksi dan representasi logika. Frame (kerangka) yaitu pengetahuan direpresentasikan dalam struktur data yang
disususn
secara
hierarchi.
Jaringan
semantik
yaitu
pengetahuan
direpresentasikan dengan node dan link. Node merupakan keadaan obyek, sedang link menyatakan hubungan antar obyek, atau hubungan antar obyek dengan keterangan obyek. Agar sistem pakar dapat bekerja, maka pengetahuan pakar harus direpresentasikan dalam komputer dan diorganisasikan dengan dasar pengetahuan dari sistem pakar. Dalam sistem aturan dasar (rule base system), pengetahuan yang berada dalam basis pengetahuan direpresentasikan dalam IF-THEN rules yang mengkombinasikan kondisi dan kesimpulan untuk menyelesaiakan masalah pada situasi yang spesifik. IF mengindikasikan kondisi untuk rule yang diaktifkan.
28
THEN menunjukkan aksi atau kesimpulan dari semua kondisi IF yang sesuai. Dalam keputusan yang kompleks, pengetahuan pakar seringkali tidak dapat direpresentasikan pada rule tunggal, oleh karena itu rules dapat dirangkai secara dinamis (Chaining multiple rules). Mesin inferensi merupakan otak dari sistem pakar yang dikenal sebagai struktur pengendalian atau aturan dasar (rule base) sistem pakar. Mesin inferensi berisi strategi penalaran yang dipakai oleh pakar pada saat mengolah atau memanipulasi fakta dan aturan. Strategi penalaran terdiri atas penalaran pasti dan penalaran tidak pasti. Penalaran pasti mencakup modus pollen dan modus tolen. Modus pollen adalah kaidah yang menjelaskan ”Jika A maka B” , artinya jika A benar maka B juga benar. Sebaliknya modus tolen adalah suatu kaidah yang menjelaskan ”Jika tidak A maka tidak B”, jika A salah maka B juga salah. Berdasarkan titik awal terdapat 3 strategi penalaran pengendalian, yaitu:1) penalaran kedepan (forward chaining), 2) penalaran ke belakang (Backward chaining), dan 3) campuran penalaran ke depan dan ke belakang. Penalaran ke depan dimulai dari evaluasi kebenaran fakta /informasi untuk menyimpulkan suatu goal. Sedangkan penalaran ke belakang, dimulai dari goal, dievaluasi syarat-syarat yang harus dipenuhi supaya goal tercapai (Marimin, 2005).
Fuzzy perbandingan berpasangan Perbandingan berpasangan adalah suatu cara untuk menilai preferensi responden terhadap beberapa hal (kriteria) yang sama derajatnya (apple to apple). Alat ukur yang digunakan adalah kuisioner yang dirancang sedemikan rupa dengan nilai input antara 1 hingga 9. Metoda ini biasanya dipakai pada pengambilan keputusan kriteria majemuk dengan motoda Analytic Hierarchy Process (AHP). Untuk memformalkan pengambilan keputusan dimana ada sejumlah pilihan tetapi setiap pilihan memiliki sejumlah atribut dan sulit untuk memformalkan beberapa dapat digunakan kalimat seperti ” lebih penting daripada” untuk mengekstrak preferensi dari pengambil keputusan. Logika fuzzy memberikan cara yang lebih natural dalam menangani preferensi ini dari penggunakan angka eksak. Penggunaan angka fuzzy dan terminologi linguistik akan lebih sesuai dalam situasi ini.
29
Penyajian Fuzzy dari Perbandingan Berpasangan Pada AHP konvensional, skala yang digunakan adalah skala 1 – 9 yang menunjukkan penilaian equally, moderatly, strongly, very strongly, atau extremly preferred. Kwong (2002) memperkenalkan triangular fuzzy number yang digunakan untuk menyajikan perbandingan berpasangan bagi karakteristik pelanggan untuk ~ ~ menangkap ketidakjelasan adalah 1 9 . Fuzzy number akan dituliskan dengan tanda diatas angka yang ada. ~ Sebuah triangular fuzzy number A dinyatakan dengan triplet sebagai (al,
am, au) dimana membership function A~ ( x) didefinisikan sebagai berikut: 0 x al x al al x a m A~ ( x) = a m al au x a m x au a a m u
Menggunakan
interval
kepercayaan
(13)
dalam
menentukan
koefisien
tingkat
kepercayaan , triangular fuzzy number memiliki karakteristik sebagai berikut: [0,1], ~ A [al , au ] [(am al } al ,(au a m ) au ]
(14)
Aritmatik dari triangular fuzzy number tergantung pada interval kepercayaan dari ~ ~ . Beberapa operasi dasar dari triangular fuzzy number A dan B direpresentasikan dengan interval kepercayaan sebagai berikut:
~ ~ A ( ) B [al bl , au bu ] ~ ~ A ( ) B [al bu , au bl ] ~ ~ A ( x ) B [al bl , au bu ]
~ ~ A ( ) B [al / bu , au / bl ]
(15)
30
Untuk memperoleh ketidaktepatan dari penilaian kualitatif yang diberikan, lima triangular fuzzy number digambarkan hubungannya dengan membership function pada Gambar 5
Gambar 6 Grafik Fungsi Keanggotaan dalam Fuzzy AHP
Prosedur perhitungan dari fuzzy AHP dapat dirangkum sebagai berikut :
Langkah 1 : membandingkan nilai. Digunakan triangular fuzzy number ~~~~~ ( 1, 3, 5,7, 9 ) untuk mengindikasikan kekuatan relatif antar elemen pada satu
tingkat.
Langkah 2 : membangun matriks perbandingan fuzzy dengan menggunakan triangular fuzzy number yang dapat dilihat sebagai berikut :
a~12 a~13 1 a~ 1 a~23 21 ~ A ~ ~ ~ a( n1) a( n 1) 2 a( n1)3 ~ a~n 2 a~n3 a n1
... ...
a~1( n1) a~1n a~2( n1) a~2 n 1 a~( n1) n a~n ( n1) 1
(16)
dimana :
1, i j a~ij ~ ~ ~ ~ ~ ~ 1~ 1 ~ 1 ~ 1 ~ 1 1, 3, 5, 7, 9 or 1 3 , 5 , 7 , 9 , i j
Langkah 3 : mencari nilai eigen fuzzy ~ ~ A~ x ~ x
(17)
(18)
31
dengan menggunakan perkalian, penambahan fuzzy, maka persamaan dapat dijadikan:
~ (a~i1 ~ x1 ) ... (a~in ~ xn ) ~ xi
(19)
~ dimana 1 ≤ i ≤ n, A [a~ ij ], ~ x (~ x1 ,...., ~ xn ), a~ij dan ~ x i adalah fuzzy number. aij [aijl , aiju ], xi [ xil , xiu ], [l , u ]
(20)
Untuk mendapatkan batas atas dan batas bawah dari penelitian ini, digunakan rumus:
~ 1 1,3 2 , 1 ~ ~ 1 3 [1 2 ,5 2 ], 31 , 5 2 1 2
(21)
1 ~ ~ 1 5 [3 2 ,7 2 ], 51 , 7 2 3 2 1 ~ ~ 1 7 [5 2 ,9 2 ],71 , 9 2 5 2 1 ~ ~ 1 9 [7 2 ,9], 91 , 9 7 2 ~ Tingkat kepuasan penilaian matrik A diperkirakan dengan menggunakan
indek optimisme m. Semakin besar nilai m mengindikasikan semakin tinggi tingkat optimisme. Indek optimisme merupakan kombinasi linier yang didefinisikan sebagai : a~ij aiju (1 )aijl , [0,1]
(22)
Pada penelitian ini, digunakan nilai derajat kepastian ( ) = 0.5 dan derajat optimisme ( ) = 0.5. Hal ini dilakukan untuk mengantisipasi adanya penilaian yang terlalu berlebihan atau sebaliknya penilaian yang underestimate. Selama
32
tetap, maka matriks yang diperoleh setelah penetapan indek optimisme dengan tujuan memperkirakan tingkat kepuasan adalah: 1 aˆ12 ~ aˆ 21 1 A aˆ n1 aˆ n 2
aˆ1n aˆ 2n 1
(23)
Setelah diperoleh matrik diatas, maka dilakukan perhitungan untuk mencari nilai eigen maksimum dan nilai eigen vektor.
Prediksi
Prediksi atau peramalan adalah suatu proses menggunakan data historis (data masa lalu ) diproyeksikan ke dalam sebuah model untuk memperkirakan keadaan dimasa mendatang (Groover, 2001). Secara garis besar teknik prediksi dikelompokkan menjadi 2 yaitu : 1) peramalan kualitatif, peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi, penelitian pasar dan lain-lain, dan 2). peramalan kuantitatif yang meliputi model deret waktu (Time Series ) dan model kausal. Pada model time series ini data merupakan fungsi dari waktu. Pola data masa yang akan datang (yang diprediksi ) diperkirakan serupa / identik dengan pola data masa lalu. Sedangkan model Casual data merupakan fungsi dari sebab-akibat.
Nilai Kesalahan Peramalan Dalam melakukan prediksi, hasil prediksi yang diperoleh tidak mungkin benar – benar tepat. Selisih yang terjadi antara nilai peramalan dengan nilai yang sesungguhnya disebut sebagai error (kesalahan). Melalui nilai kesalahan ini dapat dilakukan beberapa analisa untuk mengetahui seberapa baik metode yang
33
digunakan tersebut. Secara umum perhitungan kesalahan peramalan dapat dijabarkan sebagai berikut : ei xi Fi
(24)
dimana : ei
= kesalahan pada periode ke-i
xi
= nilai sesungguhnya pada periode ke-i
Fi
= nilai hasil peramalan pada periode ke-i
Jumlah kesalahan peramalan bukan merupakan suatu suatu ukuran yang tepat untuk menentukan seberapa efektif metode peramalan yang digunakan tetapi hanya merupakan ukuran bias atau selisih bias yang dihasilkan. Jumlah kesalahan yang dihasilkan akan mendekati nol pada metode – metode peramalan regresi. Untuk menghindari masalah dimana nilai kesalahan positif menetralkan nilai kesalahan peramalan negatif maka beberapa alternatif metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut (Groover, 2001).
1. Mean Square Error ( MSE ) (25) 2. Mean Absolute Error ( MAE ) (26)
3. Mean Absolute Percent Error ( MAP ) (27)
Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (artificial Inteligent) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk menstimulasikan proses pembelajaran pada otak manusia tersebut (Kusumadewi, 2003).
34
Gambar 7 Susunan Syaraf Manusia (Kusumadewi, 2003)
Jaringan syaraf tiruan terdiri dari beberapa komponen seperti halnya otak manusia. Jaringan syaraf terdiri dari beberapa neuron, dan hubungan antara neuron - neuron tersebut yang dinamakan bobot. Pada suatu bobot tersimpan nilai / informasi yang dinamakan input. Input tersebut akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai–nilai semua bobot yang datang. Hasil penjumlahan tersebut kemudian akan dibandingkan dengan suatu nilai ambang (threshold ) tertentu melalui fungsi aktivasi setiap neuron. Jika input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot – bobot outputnya ke semua neuron yang berhubungan dengannya.
Struktur jaringan syaraf tiruan Pada jaringan syaraf tiruan, neuron – neuron akan dikumpulkan dalam lapisan–lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Neuron–neuron pada satu lapisan akan dihubungkan dengan lapisan – lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan kepada jaringan syaraf akan dirambatkan dari lapisan ke lapisan, mulai
35
dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer).
Gambar 8 Struktur jaringan syaraf tiruan
Fungsi Aktivasi Dalam prosesnya, ada beberapa fungsi aktivasi yang digunakan dalam Jaringan Syaraf Tiruan, antara lain: a.
Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonversikan input dari suatu variable yang bernilai kontinu ke suatu output biner (0 atau 1). Fungsi undak biner dirumuskan sebagai: y = 0 , jika x ≤ 0
(28)
y = 1, jika x ≥ 0
b. Fungsi Undak Biner (Threshold)
Fungsi Undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside.
36
c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1. Fungsi Symetric Hard Limit dirumuskan sebagai:
y = 1, jika x > 0
(29)
y = 0, jika x = 0 y = -1, jika x < 0
d. Fungsi Bipolar (dengan threshold) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau -1. Fungsi bipolar (dengan nilai ambang Θ) dirumuskan sebagai: y = 1, jika x ≥ Θ
(30)
y = -1, jika x < Θ
e. Fungsi Linear (identitas) Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi linear dirumuskan sebagai: y=x
(31)
f. Fungsi Saturating Linear Fungsi ini akan bernilai 0 jika inputnya kurang dari
, dan akan bernilai 1 jika
inputnya lebih dari . Sedangkan jika nilai input terletak antara
, maka
outputnya akan bernilai sama dengan nilai input ditambah . Fungsi saturating linear dirumuskan sebagai: y = 1; jika x ≥ 0,5 y = x + 0,5; jika -0,5 ≤ 0 ≥ 0,5 y = 0; jika x ≤ -0,5
(32)
37
g. Fungsi Symetric Saturating Linear Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai inputnya terletak antara -1 dan 1, maka outputnya akan bernilai sama dengan inputnya. Fungsi symmetric saturating linear dirumuskan sebagai: y = 1; jika x ≥ 1 y = x; jika -1 ≤ x ≥ 1
(33)
y = 0; jika x ≤ -1
h. Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yag nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai: (34) dengan :
(35)
i. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner,hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 Fungsi sigmoid bipolar dirumuskan sebagai:
(36)
dengan :
(37)
Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai: (38)
38
Atau
(39) dengan :
(40)
Gambar 9 Proses umpan maju di titik aktif
Proses Pembelajaran Pada otak manusia, informasi yang dilewatkan dari satu neuron ke neuron yang lainnya berbentuk rangsangan listrik melalui dendrit. Selama proses pembelajaran, terjadi perubahan yang cukup berarti pada bobot – bobot yang menghubungkan antar neuron. Jaringan syaraf memiliki struktur yang tidak dapat diubah, dibangun oleh sejumlah neuron, dan memilki nilai tertentu yang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan nama bobot). Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai, mengindikasikan bahwa tiap–tiap input telah berhubungan dengan output yang diharapkan (Kusumadewi, 2003). Ada dua tipe proses pembelajaran(training) yaitu 1) pembelajaran terawasi (supervised training) dan 2) pembelajaran tak terawasi (unsupervised training).
39
Pembelajaran terawasi ( supervised learning ) adalah metode pembelajaran pada jaringan syaraf tiruan dengan memberikan target output yang diinginkan sebagai acuan. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Pembelajaran tak terawasi (Unsupervised Learning) adalah metode pembelajaran yang tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit – unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola (Kusumadewi, 2003).
Jaringan Syaraf Tiruan Backpropagation Kelemahan jaringan syaraf tiruan yang terdiri dari layar tunggal memunculkan penemuan Backpropagation yang terdiri dari beberapa layar, yaitu menyisipkan layar tersembunyi diantara layar input dan output. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan dengan pola yang dipakai selama pelatihan (Siang, 2005). Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot – bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat permbatan maju, neuron–neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu: (41)
Algoritma backpropagation : 1.Inisialisasi Semua Nilai Bobot (dengan nilai-nilai random kecil)
40
2.Selama belum tercapai kondisi berhenti, lakukan step 3 s.d. 7 3. Untuk setiap pasangan input-target (s:t) vektor training, lakukan step 4 s.d. 6
4. Tahap I : Feedforward
5. Tahap II : BackPropagation Error
6. Tahap III: Update Nilai bobot & Bias 7. Periksa apakah kondisi berhenti telah tercapai?
Tahap I : Feedforward 1.
Setiap input unit (Xi, i = 1,2,.....,n) menerima sinyal input Xi dan menyebarkannya ke ke semua unit pada layer sesudahnya (hidden units).
2.
Setiap hidden unit (Zj, j = 1,2,.....,p) menjumlahkan semua sinyal input yang masing-masing telah dikalikan dengan bobot koneksinya, (42) Fungsi aktivasi digunakan untuk menghitung sinyal outputnya, zj = f (z_inj)
(43)
dan mengirim sinyal output ini ke semua unit pada layer sesudahnya (output units). 3.
Setiap output unit (yk, k=1,2,.....,m) menjumlahkan semua sinyal input yang masing-masing telah dikalikan dengan bobot koneksinya, (44) Fungsi aktivasi digunakan untuk menghitung sinyal outputnya, (45)
yk = f (y_ink)
Tahap II : Backpropagation Error
1. Setiap output unit (yk, k = 1,2,.....,m) menerima sebuah nilai target (t) yang sesuai dengan input (s) pola training, dan menghitung informasi errornya, δk = (tk − yk)
(y_ink)
(46)
41
menghitung koreksi bobotnya (yang nantinya akan digunakan untuk memperbaiki wjk), Δwjk = αδk j
(47)
menghitung koreksi biasnya (yang nantinya akan digunakan untuk memperbaiki w0k), Δw0k = αδk
(48)
dan mengirim nilai δk ke semua unit pada layer sebelumnya (hidden units). 2. Setiap hidden unit (Zj, j = 1,2,.....,p) menjumlahkan semua δk dari unit-unit pada layer sesudahnya (output units), yang masing-masing dikalikan dengan bobot koneksinya, δ
δ
(49)
dikalikan dengan derivasi dari fungsi aktivasinya untuk menghitung informasi errornya, δ =δ
(
)
(50)
menghitung koreksi bobotnya (yang nantinya akan digunakan untuk memperbaiki vij), Δvij = αδj xi
(51)
menghitung koreksi biasnya (yang nantinya akan digunakan untuk memperbaiki v0j), Δv0j = αδj
(52)
Tahap III : Update Nilai bobot dan Bias 1. Setiap output unit (Yk, k = 1,2,.....,m) mengupdate nilai bias dan bobotnya
(j = 0,1, ..... , p) ; wjk(baru) = wjk(lama) + Δwjk
(53)
Setiap hidden unit (Zj, j = 1,2,.....,p) mengupdate nilai bias dan bobotnya (i = 0,1, ..... , n) ; vij(baru) = vij(lama) + Δvij
(54)
42
Algoritma Backpropagation Testing 1. Inisialisasi Semua Nilai Bobot (dengan nilai-nilai yang diperoleh dari Algoritma Training) 2. Untuk setiap vektor input, lakukan step 3 s.d. 5. 3. Untuk i = 1,2, ...... , n; lakukan aktivasi unit input xi 4. Untuk j = 1,2, ..... , p (55) =
(
)
5. Untuk k = 1,2, ..... , m (56) yk = f (y_ink)
(57)
Sum Square Error dan Root Mean Square Error Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik sehingga jika dibandingkan dengan pola yang baru akan dengan mudah dikenali. Kesalahan pada keluaran jaringan merupakan selisih antara keluaran sebenarnya (current output) dan keluaran yang diinginkan (desired output). Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan suatu persamaan. Sum Square Error (SSE) dihitung sebagai berikut : 1) Menghitung keluaran jaringan saraf untuk masukan pertama. 2) Menghitung selisih antara nilai keluaran jaringan saraf dan nilai target / yang diinginkan untuk setiap keluaran. 3) Mengkuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh latihan. Adapun rumusnya adalah :
(58) dimana Tjp Xjp
: nilai keluaran jaringan saraf : nilai target / yang diinginkan untuk setiap keluaran
43
Root Mean Square Error ( RMS Error ) : 1) Menghitung RMS. 2) Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran, kemudian diakarkan. Rumus
: (59)
dimana : Tjp Xjp np no
: nilai keluaran jaringan saraf : nilai target / yang diinginkan untuk setiap keluaran : jumlah seluruh pola : jumlah keluaran
Manajemen Strategis Menurut David (2004), manajemen strategis merupakan pembangunan suatu posisi kompetitif yang berkelanjutan sehingga menciptakan keberhasilan bersaing yang terus menerus. Manajemen strategi biasanya dihubungkan dengan pendekatan manajemen yang integratif yang mengedepankan secara bersama-sama seluruh elemen, seperti perencanaan, pelaksanaan, dan pengendalian sebuah strategi bisnis. Tujuan utama dari manajemen strategi adalah untuk mengidentifikasi mengapa dalam persaingan beberapa perusahaan bisa sukses sementara sebagian lainnya mengalami kegagalan. Kompenen utama proses manajemen strategi meliputi: 1. Misi dan tujuan utama organisasi 2. Analisis lingkungan internal dan eksternal organisasi 3. Pilihan strategi yang selaras dan sesuai antara kekuatan dan kelemahan perusahaan dengan peluang dan ancaman lingkungan eksternal. 4. Pengadopsian
struktur
organisasi
dan
sistem
pengendalian
untuk
mengimplementasikan strategi organisasi yang dipilih. Dalam perspektif manajemen strategi, lingkungan merupakan faktor kontekstual penting yang mempunyai dampak terhadap kinerja perusahaan (Child,
44
1997).
Konsep manajemen modern menunjukkan bahwa badan usaha yang
melakukan suatu kegiatan ekonomi tidaklah berdiri sendiri, melainkan berada dalam lingkungan bisnis yang saling berpengaruh. Pada umumnya perusahaan berada di tengah lingkungan bisnis yang terdiri atas pemerintah, masyarakat sosial, pelanggan, pemasok, karyawan, dan industri sejenis yang merupakan pesaing. Strategi diperlukan perusahaan agar mampu mewujudkan suatu hasil yang sesuai dengan visi, misi, tujuan, dan sasaran perusahaan. Kemampuan perusahaan menempatkan posisinya dalam lingkungan dengan memperhitungkan dan mengevaluasi kondisi dirinya dari faktor-faktor lingkungan
yang saling
berpengaruh, akan sangat menentukan keberhasilan perusahaan.
Manajemen
strategis adalah proses pengambilan keputusan untuk suatu rencana tindakan ataupun kebijakan. Perusahaan mengembangkan strateginya dengan melakukan penyesuaian antara kemampuan intinya dengan peluang industri yang ada. Perumusan strategi sebagai suatu proses evaluasi kekuatan dan kelemahan yang ada dalam perusahaan yang dilakukan oleh eksekutif senior serta melihat kesempatan dan ancaman saat ini Menurut Wheelen dan Hunger (1992) dalam David (2004), lingkungan yang harus diamati perusahaan terdiri atas (1) lingkungan yang ada di dalam perusahaan (internal enveronmental) yang terdiri atas struktur, budaya, dan sumberdaya, (2) lingkungan
yang berada di luar perusahaan (external
enveronmental) yang terdiri atas lingkungan sosial dan lingkungan tugas (a) Analisis Eksternal Analisis eksternal terbagi menjadi dua, yaitu analisis makro dan analisis mikro. Analisis makro dilakukan dengan melakukan identifikasi terhadap parameter-paramater makro seperti politik/hukum, ekonomi, sosial/demografi, dan teknologi, yang sering disebut sebagai PEST Method. Politik akan mencakup kondisi politik secara umum, maupun aspek legal seperti aturan pemerintah, regulasi otonomi daerah, aturan ketenagakerjaan, dan sebagainya. Aspek ekonomi meliputi pertumbuhan ekonomi, tingkat suku bunga, tingkat inflasi, pajak, nilai tukar, dan sebagainya. Aspek sosial disebut juga demografi terkait dengan gaya hidup, budaya, agama, pendidikan, kesadaran akan kesehatan, dan gender. Sedangkan aspek teknologi meliputi perkembangan teknologi, keilmuan, hasil-hasil riset baru, dan inovasi.
45
Disamping kondisi makro, analisis eksternal juga dilakukan dilevel mikro atau level industri. Pendekatan yang biasa digunakan adalah Porter Five Forces (Porter, 1990). Suatu industri akan dinilai tingkat daya saingnya berdasarkan 5 aspek, yaitu: seberapa mudah pemain baru masuk kedalam industri tersebut, bagaimana tingkat persaingan antar industri yang sudah ada, bagaimana kekuatan tawar pemasok kepada industri, apakah pembeli memiliki kekuatan tawar tinggi atau mudah berpindah kepada merek lain atau cenderung loyal, serta tingkat kemudahan munculnya produk substitusi bagi produk/jasa yang dihasilkan suatu industri.
(b) Analisis Internal Analisis internal dilakukan dengan melakukan penilaian terhadap level kapabilitas (level of capability) dari fungsi-fungsi dalam suatu industri di sepanjang rantai nilai. (Porter, 1990) memperkenalkan sebuah model generik dari rantai nilai yang memperlihatkan sebuah urutan aktivitas yang dimiliki oleh sebuah perusahaan secara umum. Porter mengidentifikasi aktivitas utama (primary activities) dan pendukung
yang membentuk nilai (profit margin) pada setiap perusahaan.
Aktivitas primer terdiri dari :
Inbound logistics : Penerimaan dan penggudangan bahan baku dan distribusinya pada pabrikasi sesuai dengan kebutuhan
Operations : Proses transformasi input menjadi produk akhir atau jasa
Outbound Logistic : Penggudangan dan disribusi produk-produk jadi
Marketing & sales : Identifikasi kebutuhan pelanggan dan mengenerate penjualan
Service : Dukungan kepada pelanggan setelah produk dan layanan terjual
Dalam operasionalnya kelima aktivitas primer di atas didukung oleh :
Firm infrastructure : struktur organisasi, sistem pengendalian, budaya perusahaan, dll
Human Resource Management : pengelolaan sumber daya manusia yang meliputi penerimaan, pelatihan, pengembangan dan kompensasi
Technology development : teknologi yang mendukung semua aktivitas penciptaan nilai
46
Procurement : pembelian input seperti material, pemasok dan peralatan Profit margin sangat tergantung pada efektivitas dalam membentuk
aktivitas-aktivitas ini secara efisien, sehingga jumlah konsumen yang ingin membeli produk yang dihasilkan akan melebihi dari biaya yang dikeluarkan dalam setiap aktivitas tersebut. Dalam aktivitas di atas setiap perusahaan mempunyai peluang untuk men-generate sebuah nilai yang superior. Keunggulan daya saing dapat dicapai melalui konfigurasi rantai nilai yang memberikan biaya rendah atau diferensiasi yang lebih baik. Dalam sebuah korporasi yang terdiri dari holding company dan beberapa anak perusahaan akan memiliki strategi perusahaan induk dan strategi anak-anak perusahaan. Jika diasumsikan sebuah korporasi yang bergerak di bidang agroindustri kelapa sawit memiliki beberapa anak perusahaan dibidang turunan dari kelapa sawit, maka dapat dipastikan bahwa output dari industri hulu akan menjadi input dari industri lebih hilir. Pada setiap perusahaan akan memiliki value chains. Sementara itu serangkaian value chains dari supplier sampai dengan produk sampai ke pembeli disebut juga sebagai sebuah value system. Sistem value chain merupakan bagian dari sebuah sistem yang besar yang mencakup rantai nilai dari upstreams supplier dan downstream channel dan customer.
Issue Management Technology Teknik ini merupakan salah satu teknik merumuskan model konseptual dari suatu kebijakan publik melalui survey pakar. Menurut Eriyatno (2007) teknik ini lebih merupakan suatu prosedur yang dihadapkan dalam satu ”perihal”, yaitu segala sesuatu yang mempengaruhi atau akan mempengaruhi kinerja lembaga atau bagian dari lembaga saat ini atau selama jangka waktu tertentu dimasa yang akan datang. Langkah penting dalam prosedur IMT ini adalah penyusunan analisa perihal yang dilakukan dengan cara 1) tim inti menyarankan segala perihal yang cocok dengan definisi yang direkomendasikan, melalui proses debat terbuka atau disebut juga temu pakar (expert panel) dengan memanfaatkan Focus Group Discussion (FGD); 2) dilakukan tabulasi prioritas dimana setiap perihal diprioritaskan atas dasar dampaknya terhadap realisasi tujuan dan tingkat kepentingan untuk ditanggulangi.
47
Tabel 4 Prosedur IMT (Eriyatno ,2007) Aktivitas
Catatan
Debat terbuka
Menentukan berpotensi
5-10
perihal
mempengaruhi
yang realisasi
tujuan serta memenuhi kriteria logis Dinamika I
Spesifikasi kausal terhadap setiap perihal
Dinamika II
Rangkuman alasan dan penalarannya
Penyusunan matriks
Posisi prioritas
kebijakan
Penyusunan matriks kebijakan disesuaikan setiap perihal dengan tujuan, strategi dan tindakan, kemudian didiskripsikan setiap tindakan dalam setiap sel pada matriks kebijakan
Tabel 5 Matriks kebijakan (Eriyatno ,2007) Kepentingan
Dampak Rendah
Cukup
Tinggi
Rendah
Masukan baru
Telaah periodik
Pemantauan kontinyu
Sedang
Telaah periodik
Pemantauan terinci
Perencanaan/tindakan yang tertunda
Mendesak
Pemantauan
Perencanaan/tindakan Tindakan segera yang tertunda
Setelah langkah tersebut selesai dialkukan, para pengambil keputusan diharapkan telah memperoleh snapshots dari seluruh permasalahan.
48
Teknik Operasi Ordered Weighted Average (OWA) Teknik OWA merupakan metode pengolahan data menggunakan teknik Fuzzy Group Decision Making. Pengambilan keputusan kelompok secara fuzzy dengan preferensi independent menggunakan Non-Numeric Multi-Expert Criteria Decision Making merupakan teknik pengambilan keputusan kelompok fuzzy, sebagaimana yang telah dikembangkan oleh Yager (1993) yaitu menghitung setiap skor alternatif ke i untuk setiap pengambilan keputusan ke-j (Vij) pada semua kriteria (ak). Rumus yang digunakan adalah; Vij = min [Neg (Wak) v Vij(ak)]
(60)
Dimana: Vij Wak Neg (Wak) Vij (ak) k
= Nilai alternatif ke-i oleh pakar ke-j = Bobot kriteria ke-k = W q-1+i = Nilai alternatif ke-i oleh pakar ke-j pada kriteria ke-k = 1,2,3,…
Penentukan Bobot Faktor Nilai: Penenentukan bobot faktor nilai pengambilan keputusan dengan formula: Q(k) = Int [ 1 + k* (q-1)/r]
(61)
Dimana: Q(k) r k q
= Bobot untuk pakar ke-k = Jumlah pakar = 1,2,3… = Jumlah skala penilaian
Penentuan Nilai Gabungan Pentuan nilai gabungan menggunakan metode OWA (Ordered Weight Average) dengan menggunakan rumus: Vi = f(Vj) = Max [ Qj Λ bj ] Dimana: Vi = nilai total alternatif ke-i
(62)
49
Qj = bobot nilai pakar ke-j bJ = urutan dari skor alternatif kecil ke-i yang ke besar oleh pakar ke-j (Yager, 1993)
Koperasi Koperasi adalah suatu lembaga sosial ekonomi untuk menolong diri sendiri secara bersama-sama yang apad akhirnya akan menjadi usaha bersama. Unsur tebentuknya koperasi sebagai wadah usaha ekonomi menurut Swasono (2005) adalah: 1.
Adanya sekelompok anggota masyarakat yang sama-sama memiliki kepentingan bersama
2.
Sekelompok anggota masyarakat ini sering bertemu secara rutin
3.
Bersama-sama menolong diri sendiri dengan asas kebersamaan dan kekeluargaan
4.
Koperasi merupakan kumpulan orang yang memiliki kepentingan bersama, bukan kumpulan modal
5.
Anggota koperasi adalah pelanggan dan pemilik sekaligus
6.
Pembentukan koperasi melalui suatu proses bottom up yaitu dari anggota
7.
Koperasi tidak bertujuan mencari laba, akan tetapi mencari manfaat bagi anggotanya.
8.
Kesadaran berpribadi dan kesetiakawanan merupakan landasan mental bagi para koperasiwan
9.
Koperasi menyatukan kekuatan-kekuatan ekonomi dan sosial yang kecil-kecil menjadi satu kekuatan besar yang tangguh.
Dengan demikian koperasi adalah suatu lembaga ekonomi yang berwatak sosial yang bertujuan untuk kesejahteraan bersama. Hal ini sesuai dengan Pasal 33 Undang-Undang Dasar 1945 yaitu suatu sistem ekonomi yang bertujuan mencapai kesejahteraan sosial.
Koperasi agroindustri Agroindustri adalah suatu kegiatan pengolahan hasil pertanian yang berupa proses transformasi perubahan fisik atau kimiawi, penyimpanan, pengawetan, pengemasan dan pendistribusian (Austin,1992). Oleh karena itu pengembangan agroindustri harus mengikutsertakan petani dan produsen pemasoknya.
50
Produsen kecil seperti petani ataupun industri rakyat hanya mendapatkan nilai tambah primer yaitu suatu manfaat pemberian alam. Nilai tambah sekunder, tersier dan seterusnya banyak dinikmati oleh industri besar. Petani dan produsen kecil terbentuk sebagai penopang industri besar. Oleh karena itu dibutuhkan suatu lembaga yang mampu mengembalikan nilai tambah sekunder, tersier kepada petani dan industri rakyat. Konsep NES (Nucleus Estate Small-holders) telah lama diperkenalkan sebagai model kelembagaan yang mendorong petani lemah agar mengolah hasil usahanya lebih lanjut sehingga mereka mendapatkan nilai tambah ekstra. Model NES inilah yang mendasari pengembangan model koperasi agroindustri, yaitu petani plasma memiliki pabrik inti pengolahan (Swasono,2005).
Penelitian terdahulu
Perkembangan penerapan teori Chaos pada manajemen strategis Sterman (1988) dalam penelitiannya pada sistem logistik dengan pendekatan dinamika sistem memfokuskan perhatian pada perilaku kesenjangan antara kinerja yang diinginkan dan kenyataan. Dari hasil penelitian ini teridentifikasi bahwa perubahan faktor lingkungan eksternal mempengaruhi kinerja sistem dan adanya perilaku chaos yang diakibatkan oleh kesalahan intervensi kebijakan. Kesalahan ini seolah-olah tidak tampak karena strukturnya tidak chaos. Kelemahan dari penelitian ini, sistem simulasi tidak memunculkan karateristik spesifik keadaan chaos. Levy (1994) mengadopsi teori chaos dari ilmu matematika untuk memahami evolusi dinamika industri dan kompleksitas interaksi diantara para pelaku industri. Industri dapat digambarkan sebagai model yang kompleks, dinamis, adanya ketidakpastian dan tidak dapat diprediksi. Metoda simulasi numerik digunakan terhadap model interaksi antara manufacturer, supllier dan pasar untuk menghasilkan rekomendasi sebagai pedoman pengambil keputusan. Muhyidin (2005) dalam penelitianya pada investigasi perilaku pergerakan harga saham dibawah asumsi sebagian data deterministik dan sebagian lagi acak. Eksistensi sistem pasar saham bersifat chaos ditandai dengan
ditemukannya
eksponen Lyapunov positif yang berarti harga saham dipengaruhi oleh kondisi
51
awal, peramalan jangka panjang tidak sesuai lagi,dan memiliki dimensi fraktal yang menunjukkan bahwa sistem bersifat non linier memilki feedback loop. Peramalan harga saham menggunakan Artificial Neural Network dengan memanfaatkan komponen Chaos embidding dimension sebagai time lag. Stapleton (2006) mengembangkan dasar pengetahuan supply chain dengan penerapan prinsip-prinsip teori chaos untuk meningkatkan fungsi-fungsi supply chain. Teori chaos digunakan untuk membantu teknik forecasting, pengembangan produk, dan manajemen persediaan. Hasil yang dapat dikemukakan adalah potensi teori chaos sebagai instrumen yang dapat menjelaskan mengapa unpredictability terjadi pada sistem nonlinier. Dengan pemahaman yang baik terhadap fenomena tersebut dapat membantu manajer membuat keputusan cost efectiveness dan service level pada supply chain. Paraskevas (2006) mengadopsi teori chaos dalam krisis manajemen untuk mengembangkan teknik-teknik pengelolaan krisis. Dalam penelitiannya ditemukan bahwa keadaan krisis banyak ditimbulkan karena adanya krisis merespon gejala perubahan sistem. Pemahaman teori chaos digunakan untuk memahami lebih awal gejala perubahan lingkungan yang menyebabkan perubahan sistem. Pengaruh lingkungan eksternal pada pemilihan aktivitas manajemen strategis dari suatu chaos dan persepektif kompleksitas ketika lingkungan bisnis merupakan sistem adaptive complex diteliti oleh Mason (2007). Untuk keperluan tersebut pengumpulan data dilakukan secara kualitatif dengan interview dan analisis dokumen. Temuan dari penelitian tersebut adalah 1) perusahaan pada lingkungan turbulent lebih tepat menggunakan strategi radikal, cepat, disruptif dan proses penyusunan strateginya bottom-up, organik, selft organizing, adaptif dan emergent, 2) perusahaan pada lingkungan stabil : manajemen dan strategi secara tradisional dan perencanaan strateginya formal. Penelitian ini memperlihatkan cara baru memandang strategi kedepan ketika bisnis dan pasar merupakan sistem kompleks. Teori kompleks diperlukan untuk meningkatkan pemahaman bagaimana menanggulangi dan mengendalikan pada lingkungan yang kompleks dan turbulent. Aplikasi teori chaos juga telah diteliti pada bidang kedokteran dengan memanfaatkan karateristik chaos terdapatnya bilangan eksponen Lyapunov. Penelitian ini dilakukan oleh Osowski (2007). Mengembangkan metoda baru
52
mengestimasi eksponen Lyapunov dari gelombang electroencephalogram (EEG) untuk mendeteksi dan memprediksi serangan epilepsi. Metoda penelitian dengan eksperimen terhadap pasien epiliepsi dan dianalisis secara numerik dengan teori chaos. Hasil penelitian menunjukkan ketika hasil rekaman EEG dianalisis dengan teori chaos apabila ditemukan bilangan terbesar menunjukkan sedikit informasi tentang serangan epilepsi, sedangkan nilai minimum eksponen Lyapunov mengindikasikan saat serangan. Fenomena ini mendekati indikasi neurologi. Implikasi dari penelitian ini dapat diaplikasikan untuk menunjang diagnosis medik pada epilepsi. Mason et al (2009) melakukan pemilihan strategi pemasaran pada lingkungan yang kompleks dan turbulent. Penelitian dilakukan terhadap perusahaan IT yang sangat sensitive terhadap perubahan lingkungan, teknologi dan budaya yang sangat cepat. Metoda penelitian dilakukan secara kualitatif dengan mengidentifikasi tipe bauran pemasaran pada multi studi kasus. Hasil penelitian adalah perusahaan akan sukses apabila digunakan bauran pemasaran destabilizing dan menggunakan teori kompleks untuk mengembangkan strategi pemasaran pada lingkungan turbulen. Ricardo (2010) mengembangkan analisis fraktal untuk menganalisis harga Crude Palm Oil (CPO) pada sistem kompleks. Perilaku dalam sistem kompleks terbentuk dari interaksi nonlinier dari elemen-elemen penyusun sistem. Dimensi fraktal merupakan estimasi jumlah minimum dari derajat kebebasan yang diperlukan untuk menggambarkan perilaku dinamik sistem.
Perkembangan penelitian pada industri tapioka Suharno (1995) dalam penelitiannya menyebutkan bahwa agroindustri ubi kayu di Indonesia tersebar di lokasi pedesaan dan dikelola oleh petani dengan teknologi sederhana yang turun-temurun. Oleh karena itu dalam rangka peningkatan pendapatan petani strategi pengembangan ubikayu harus dilakukan secara struktural melibatkan peran serta pemerintah. Purba (2002) dalam penelitiannya menyatakan bahwa industri kecil tapioka dipengaruhi oleh beberapa faktor yaitu skala usaha yang meliputi banyaknya tenaga kerja, besarnya modal, jumlah produksi, harga dan biaya. Firdaus (2004)
53
mengatakan bahwa yang menjadi peluang industri tapioka halus adalah potensi pasar yang besar dan tingginya permintaan tapioka. Industri tapioka halus sebaiknya menerapkan strategi integrasi ke belakang dengan pengadaan unit bisnis tapioka
basah.
Meningkatkan
kualitas
produk
dan
diferensiasi
produk,
mengoptimalkan kegiatan penelitian dan pengembangan untuk mendukung proses produksi dan kualitas produk, meningkatkan volume penjualan dengan melakukan penetrasi pasar. Kesenja (2005) mengatakan bahwa faktor yang menentukan permintaan tapioka kasar adalah faktor pendapatan usaha tapioka dan penawaran tapioka kasar. Apabila faktor cuaca, harga dan pemodalan tidak mendukung, maka produksi tapioka kasar akan berkurang untuk sementara waktu. Wardana (2006) mengidentifikasi bahwa pada industri tapioka kasar memiliki kekuatan iklim kerja yang baik, kelemahannya mutu produk yang tidak standar dan cenderung rendah, daya saing yang rendah. Peluang yang terdapat pada industri kecil tapioka kasar ini adalah tidak ada produk substitusi tapioka, sedangkan ancaman pada industri ini adalah kelemahan posisi tawar pembeli. Berdasarkan penelitian terdahulu, penelitian tentang sistem intelijen untuk strategi pengembangan agroindustri ubi kayu dengan pendekatan teori chaos perlu dilaksanakan, agar agroindustri ubi kayu khususnya agorindustri tapioka dapat berkembang dan memiliki daya saing pada lingkungan sistem yang turbulen dan kompleks. Kebaruan penelitian ini adalah melengkapi dan mengembangkan dari penelitian-penelitian yang telah dilakukan, yaitu meliputi ranah obyek penelitian, metodologi penelitian dan output penelitian. Ranah obyek penelitian mencakup industri tapioka halus dan keterkaitannya ke sektor hulu yaitu industri tapioka kasar dan petani penghasil ubi kayu serta keterkaitannya ke sektor hilir yaitu pasar tapioka halus.
Keberadaan agroindustri
ditelaah pada sistem yang kompleks dan turbulen. Metodologi yang digunakan mengadopsi teori Chaos dari ilmu matematika untuk memahami sistem yang bersifat turbulen dan chaos, hard dan soft system methodologi yang terintegrasi dalam model sistem manajemen ahli untuk manejemen krisis. Output dari penelitian ini adalah perangkat lunak sistem manajemen ahli yang dapat digunakan untuk merumuskan strategi kebijakan dalam rangka antisipasi dan pengendalian krisis.