VALIDASI DAN VERIFIKASI MODEL
Pembahasan validasi dan verifikasi dimaksud merupakan rangkaian kegiatan dalam penyusunan model Tahap validasi dimaksudkan untuk memeriksa kesesuaian karakteristik model dengan sistem yang diwakilinya (Susilo 1991; Eriyatno 2003). Sedangkan tahap verifikasi merupakan tahap pembuktian dari rancangan model yang dibangun (Eriyatno 2003). Dalam tahapan ini ditentukan format rancangan model yang paling optimal sesuai dengan tujuan yang dikehendaki. Rancangan Model Sistem Deteksi Dini dan Manajemen Kontrol Perniagaan Kelapa Sawit tercakup dalam Model Sistem Manajemen Ahli - DETRIME, yang terdiri atas 4 sub-model utama, yaitu : (1) Sub-Model Pemilihan Variabel; (2) SubModel Peramalan Harga; (3) Sub-Model Penentuan Kritis; dan, (4) Sub-Model Manajemen Kontrol. Seluruh sub-model tersebut terintegrasi antara satu dengan yang lainnya
Penentuan Variabel Identifikasi seluruh variabel pembentuk harga eceran minyak goreng kelapa sawit didasarkan atas kajian pustaka, survei lapangan, dan pendapat ahli, yang dilakukan melalui wawancara/interview. Variabel yang teridentikasi diharapkan dapat menggambarkan keadaan yang sesungguhnya (real world) dari faktor-faktor yang menjadi pembentuk harga ecaran minyak goreng kelapa sawit, khususnya pada saat keadaan krisis yang terjadi pada periode tahun 1997-1998. Variabel terpilih akan digunakan dalam tahap awal penggunaan model peramalan yaitu tahap pengenalan pola (pattern recognition) pada satu skenario keadaan (setting environment) yang ada. Berdasarkan hasil penelaahan/kajian pustaka, didapatkan 29 variabel yang teridentifikasi menjadi pembentuk harga eceran minyak goreng kelapa sawit. Berdasarkan hasil agregasi penilaian 4 orang pakar telah teridentifikasi 17 variabel.
104
Variabel-variabel terpilih tersebut diambil untuk skala ST (sangat tinggi) dan T (tinggi) saja, sedangkan untuk variabel yang dibawah skala penilaian tersebut diabaikan. Tabel 18 Proses Penentuan Variabel Nama Variabel berdasarkan penelitian/kajian
berdasarkan agregasi pendapat pakar 1)
1.
Jumlah penduduk (kota)
1.
Harga CPO dalam negeri
2. 3. 4. 5. 6. 7. 8. 9. 10 11. 12.
2. 3. 4. 5. 6. 7. 8. 9. 10 11. 12.
Harga CPO internasional Nilai tukar Rupiah Pajak CPO Total prod. CPO dlm. negeri Konsumsi CPO dunia Pasokan ekspor CPO dunia Pasokan ekspor CPO Indonesia Psk. eksp. M Grg. Indonesia Nilai eksp. M Grg. Indonesia Nilai imp. M Grg. Indonesia Konsumsi M Grg dlm negeri
13.
Konsumsi CPO dlm negeri
14.
Pasokan CPO dlm negeri
15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28.
Jumlah penduduk (desa) Income perkapita total Income perkapita (kota) Income perkapita (desa) Luas tanaman kelapa sawit Total produksi CPO dlm. negeri Konsumsi CPO dlm. negeri Pajak CPO Nilai tukar Rupiah Harga CPO internasional Harga CPO dalam negeri Harga Minyak Goreng Kelapa Dalam Negeri Harga Minyak Goreng Kedele Dalam Negeri Konsumsi CPO dunia Pasokan impor CPO dunia Pasokan ekspor CPO dunia Pasokan CPO dalam negeri Pasokan ekspor CPO Indonesia Kbth. Imp. CPO unt dlm negeri Total prod. M.Grg dlm. negeri Konsumsi M. Grg dlm negeri Pasokan eksp M. Grg Indonesia Nilai Eksp M. Grg Indonesia Nilai Imp. M.Grg Indonesia Tingkat inflasi rata-rata Harga BBM dalam negeri Harga TDL industri
15. 16. 17.
Kbth. Imp. CPO unt dlm negeri Total prod. M.Grg dlm. negeri Income perkapita total
29.
Tingkat suku bunga perbankan
13. 14.
Koefisien Korelasi 2)
Catatan : 1) Urutan nomor mengikuti urutan prioritas (berdasarkan agregasi pakar dan koef. Korelasi) 2) Dihitung terhadap variable output
0,981 0,976 0,972 0,969 0,968 0,968 0,963 0,962 0,960 0,959 0,957 0,956 0,954 0,953 0,951 0,948 0,937
105
Variabel yang dipilih dan kemudian dilakukan uji korelasi untuk setiap variabel input terpilih terhadap variabel output (harga eceran minyak goreng kelapa sawit). Dari hasil uji korelasi, terdapat 2 variabel yang tidak akan digunan berdasarkan hasil pemilihan pakar. Seluruh proses pemilihan variabel penentu pembentuk harga eceran minyak goreng kelapa sawit diuraikan dalam Tabel 18. Dalam penerapannya, variabel yang akan digunakan sebagai input bagi model peramalan, akan dipilih untuk variabel-variabel yang mempunyai koefisien korelasi diatas nilai 0,95.
Peramalan Harga Model peramalan yang dibangun menggunakan metoda pendekatan Jaringan Syaraf Tiruan (JST – Artificial Neural Network) merupakan alat bantu (case tool) bagi para pengguna untuk memberikan keluaran hasil peramalan harga eceran minyak goreng kelapa sawit, dengan menggunakan variabel-variabel yang sudah ditentukan sebelumnya oleh para pakar. Model peramalan ini merupakan bagian penting dalam sistem deteksi dini yang ditujukan untuk memprediksi permasalahan minyak goreng yang akan timbul untuk beberapa waktu kedepan. Arsitektur JST. Dengan memperhatikan pola data yang ada, serta penelaahan berbagai putaka mengenai aplikasi model JST dalam berbagai macam keperluan, model JST yang akan digunakan untuk penelitian ini adalah JARINGAN PROPAGASI BALIK LAPISAN JAMAK (Multi-Layer Back Propagation Network).
Secara hipotesis,
struktur JST Propagasi Balik Lapisan Jamak dapat dilihat pada Gambar 35. Proses JST merupakan hasil dari data histori yang dilatih untuk mendapatkan keluaran yang diinginkan. Dalam proses pelatihan, proses dilakukan secara berulang untuk memperoleh galat (error) yang diinginkan (paling minimum), sejalan dengan proses pembelajaran tersebut dalam proses JST dilakukan proses pengujian (testing)
106
dengan menggunakan pola data yang berbeda dan tidak digunakan secara berulang kali. Didalam penerapan model JST, data yang digunakan dibagi sesuai dengan kebutuhan tahapan pembelajaran dan pengujian. Pembagian ini dilakukan secara random sesuai dengan komposisi yang ditentukan. Dengan mengambil data bulanan untuk setiap variabel (15 variabel) dari tahun 1989 sampai dengan tahun 2002, didapatkan 168 pola/pattern (dimana 1 pola terdiri atas 15 data). Dari jumlah pola data tersebut, akan dibagi fraksi, yaitu pola data untuk proses pembelajaran (training), dan untuk proses pengujian (testing). Masukan
.......
Input Layer i
Hidden Layer j
........ Jaringan Propogasi Balik
Output Layer k
Keluaran
Teacher
Gambar 34 Arsitektur Propagasi Balik JST.
Berdasarkan pola data yang ada, alur proses verifikasi model peramalan yang dikembangkan dalam penelitian ini dilakukan melalui beberapa pendekatan sebagai berikut :
Pola data (data pattern). Pola data yang digunakan untuk proses pembelajaran dan pengujian dibagi dalam 2 komposisi, yaitu :
107
•
70% untuk proses pembelajaran (118 pola data), dan 30% untuk proses pengujian (50 pola data),
•
80% untuk proses pembelajaran (135 pola data), dan 20% untuk proses pengujian (33 pola data),
Input layer terdiri atas neuron yang berjumlah sama dengan variabel yang teridentifikasi sebagai pembentuk harga, yaitu 15 neuron,
Hidden layer terdiri atas 21 neuron (Skapura, 1996) * . Penentuan slab di hidden layer dilakukan secara trial and error dimulai dengan hidden layer dengan slab tunggal (1 slab), sampai dengan hidden layer dibagi dalam 3 slab yang masing-masing terdiri atas 7 neuron dengan fungsi aktivasi yang berbeda untuk mendapatkan hasil yang maksimal,
Output layer terdiri atas 3 neuron yang merepresentasikan hasil peramalan, yaitu : (1) peramalan harga minyak goreng selama 1 bulan ke depan; (2) peramalan harga minyak goreng selama 2 bulan ke depan; dan, (3) peramalan harga minyak goreng selama 3 bulan ke depan,
Fungsi aktivasi. Fungsi aktivasi akan digunakan pada proses pencarian bobot di hidden dan output layer, melalui: •
Fungsi aktivasi di hidden layer dilakukan secara trial and error, baik untuk 1 slab (tunggal) maupun untuk 3 slab. Fungsi aktivasi yang akan digunakan adalah fungsi Sigmoid Biner, fungsi Sigmoid Bipolar, fungsi Tanh, dan fungsi Gaussian.
•
Fungsi aktivasi di output layer dilakukan secara trial and error. Fungsi aktivasi yang digunakan di output layer adalah fungsi Sigmoid Biner, Fungsi Sigmoid Bipolar, fungsi Tanh, dan fungsi Gaussian.
*
Berdasarkan Skapura (1996), perhitungan jumlah neuron di hidden layer digunakan formula: nh = ½ (ni + n0) + √ (nPt), dimana : nh = jumlah neuron di hidden layer ni = jumlah neuron di input layer n0 = jumlah neuron di output layer nPt = jumlah pola yang digunakan dalam proses pembelajaran (training)
108
Normalisasi data. Dalam proses normalisasi data digunakan 3 rentang data (data range) untuk verifikasi, yaitu : rentang data (-1,0), rentang data (0,1), dan rentang data (-1,1). Rentang data tersebut digunakan untuk melihat penyebaran data yang ada dan cocok dengan model JST yang digunakan. Rentang data yang dipilih/cocok tergantung dari sebaran data yang diberikan oleh input data yang dipakai dalam proses JST.
Pola
Pembelajaran. Metoda penentuan bobot menggunakan teknik
pembelajaran terawasi (Supervised Training) yaitu suatu metoda penentuan bobot yang menggunakan sepasang kumpulan vektor, yaitu vektor pelatihan dan vektor target. Penentuan bobot didasarkan pada perbandingan antar vektor pelatihan dan target sampai output JST sesuai dengan targetnya (Marimin, 2005). Metoda ini menggunakan Teacher Signal Output, yaitu nilai keluaran akan dijadikan acuan untuk mendapatkan nilai bobot yang diinginkan. Selanjutnya, Jaringan Propagasi Balik melakukan proses pembelajaran atau perbaikan bobot yang ada dengan
mengacu pada Teacher Signal Ouput
tersebut.
Penerapan model JST dilakukan berdasarkan akurasi hasil peramalan yang diperoleh, dengan melihat nilai Mean Square Error (MSE) yang paling minimal serta nilai koefisien korelasi yang terbaik untuk proses pembelajaran dan pengujian.
Secara hipotesis, struktur JST yang dibangun secara lengkap (hidden layer terdiri atas 3 slab) dapat dilihat dalam Gambar 35. Untuk mencari hasil peramalan yang paling maksimal sebagaimana yang diharapkan, proses verifikasi dilakukan berturut-turut atas dasar pola data, rentang data normalisasi, dan fungsi aktivasi (hidden layer dan output layer). MSE minimum dan nilai korelasi terbesar untuk setiap output, yaitu peramalan harga eceran minyak goreng kelapa sawit untuk bulan ke-1, bulan ke-2, dan bulan ke-3, merupakan dasar
109
bagi pemilihan struktur jaringan untuk keperluan pada tahap aplikasi rancangan model.
J 1
Wji 2
Oj
Wmj Wmk Wml
M
7
I
1
Om
X1 1
K 1
X2
Wnj Wnk Wnl
2
2
N On
Wki
2
Xi=Oi
7
Xi
Ok Woj Wok Wol
15
O 3 1
2
Wli Ol 7
L
Gambar 35 Diagram Hipotesis Struktur Jaringan.
Oo
110
Simulasi Hasil pada Model Peramalan Simulasi proses JST sebagai peramalan dilakukan dengan membagi pola data untuk proses pembelajaran dan pengujian menjadi 2 bagian, yaitu pola data (70/30) dan pola data (80/20) untuk mendapatkan kinerja pembelajaran dan pengujian terbaik. Pola data pembelajaran/pengujian (70/30). Dengan menggunakan pola data (70/30) dilakukan beberapa simulasi dengan menggunakan rentang data (0,1), (-1,0), dan (-1,1) untuk beberapa variasi dari 4 fungsi aktivasi yang telah ditentukan sebelumnya. Untuk rentang data (0,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 7 simulasi sebagaimana ditunjukan dalam Tabel 19. Tabel 19 Simulasi model untuk pola data (70/30) dan rentang data (0,1) Fung Aktivasi
Bulan 1 MSE
Bulan 2 Pearson
MSE
Bulan3 Pearson
MSE
Pearson
Hd
Out
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Mix
SBn
0,0074
0,0088
0,9448
0,8519
0,0086
0,0070
0,9362
0,8834
0,0100
0,0137
0,9279
0,8364
G
SBn
0,0096
0,0493
0,9279
0,6357
0,0136
0,0566
0,8977
0,5878
0,0150
0,1506
0,8879
0,2097
G
SBp
0,0169
0,1004
0,8774
0,1062
0,108
0,0410
0,9239
0,0523
0,0177
0,0854
0,8768
0,1042
SBn
SBn
0,0012
0,0007
0,9916
0,9889
0,0019
0,0028
0,9867
0,9786
0,0018
0,0125
0,9874
0,9450
SBn
SBp
0,0061
0,0403
0,9560
0,5611
0,0080
0,0243
0,9452
0,6942
0,0063
0,0030
0,9559
0,7318
SBp
SBn
0,0009
0,0007
0,9933
0,9886
0,0017
0,0028
0,9884
0,9749
0,0021
0,0113
0,9855
0,9570
SBp
SBp
0,0043
0,0140
0,9689
0,6831
0,0097
0,0337
0,9311
0,4829
0,0077
0,0302
0,9460
0,5617
Catatan : Mix G SBn SBp
= = = =
kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh). fungsi Gauss fungsi Sigmoid Biner fungsi Sigmoid Bipolar
Secara hipotesis, bahwa proses pembobotan di hidden layer yang dibagi dalam 3 slab dan masing-masing mempunyai fungsi aktivasi yang berbeda diharapkan akan memberikan hasil peramalan yang paling optimal ternyata tidak terbukti. Dari hasil pengujian statistik pada setiap simulasi untuk rentang data (0,1),
111
MSE terkecil dan koefisien korelasi terbesar didapatkan pada pengujian untuk fungsi aktivasi sigmoid biner di hidden layer (dengan slab tunggal) dan output layer, walaupun terdapat kecenderungan MSE yang meningkat, dan koefisien korelasi yang menurun pada peramalan harga pada bulan ke-3. Untuk rentang data (-1,0), dari berbagai kombinasi fungsi aktivasi hanya dapat dilakukan sebanyak 3 simulasi sebagaimana ditunjukan dalam Tabel 20, sedangkan skenario pengujian fungsi aktivasi lainnya tidak dapat ditampilkan karena program yang dibangun tidak dapat menampilkannya. Tabel 20 Simulasi model untuk pola data (70/30) dan rentang data (-1,0) Fung Aktivasi Hd
Bulan 1 MSE
Bulan 2 Pearson
MSE
Bulan3 Pearson
MSE
Pearson
Out
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
G
SBp
0,0145
0,0529
0,8923
0,0038
0,0136
0,0179
0,9036
0,8425
0,0132
0,0539
0,9080
0,3707
SBn SBp
SBp SBp
0,0081
0,0143
0,9394
0,8325
0,0117
0,0146
0,9125
0,8358
0,0107
0,0253
0,9212
0,7981
0,0010
0,0028
0,9927
0,9418
0,0018
0,0057
0,9869
0,8967
0,0025
0,0089
0,9822
0,9238
Catatan : G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar
Dengan memperhatikan hasil pengujian statistik pada rentang data (-1,0), dari hasil MSE dan koefisien korelasi didapatkan bahwa pengujian menggunakan funsi aktivasi sigmoid bipolar di hidden layer (dengan slab tunggal) dan output layer memberikan hasil yang paling baik, walaupun secara statistik masih dibawah kinerja (performance) terbaik pada rentang data (0,1), Untuk rentang data (-1,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 4 simulasi sebagaimana ditunjukan dalam Tabel 21, Seperti halnya pada rentang data (-1,0), untuk rentang data (-1,1) didapatkan hasil pengujian statistik terbaik untuk kombinasi fungsi aktivasi sigmoid bipolar di hidden layer (slab tunggal) dan di output layer, Hipotesa awal yang mengharapkan rentang data terpanjang (-1,1) memberikan hasil paling baik juga tidak terbukti, mengingat kinerja
112
funsi-fungsi aktivasi yang dapat dijalankan pada rentang data (-1,1) masih dibawah kinerja pengujian dari fungsi-fungsi aktivasi di hidden dan output layer pada rentang data (0,1), Tabel 21 Simulasi model untuk pola data (70/30) dan rentang data (-1,1) Fung Aktivasi Hd
Bulan 1 MSE
Bulan 2 Pearson
MSE
Bulan3 Pearson
MSE
Pearson
Out
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
G
SBn
0,4838
0,2819
0,6102
0,1632
0,1912
0,2848
0,5386
0,3309
0,4889
0,2918
0,5947
0,4062
SBn
SBn
0,4754
0,2563
0,7290
0,7213
0,4802
0,2482
0,6952
0,6958
0,4764
0,2580
0,6971
0,6401
SBn SBp
SBp SBp
0,0248
0,0951
0,9552
0,6770
0,0320
0,0624
0,9420
0,7833
0,0342
0,0926
0,9400
0,6924
0,0064
0,0059
0,9883
0,9757
0,0124
0,0212
0,9779
0,9282
0,0156
0,0500
0,9722
0,9270
Catatan : G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar
Pola data pembelajaran/pengujian (80/20),
Sebagaimana pada proses
sebelumnya, dengan menggunakan pola data (80/20) dilakukan beberapa simulasi proses pembelajaran dan pengujian dengan menggunakan rentang data (0,1), (-1,0), dan (-1,1) untuk beberapa variasi dari 4 fungsi aktivasi yang telah ditentukan, Untuk rentang data (0,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 4 simulasi sebagaimana ditunjukan dalam Tabel 22, Tabel 22 Simulasi model untuk pola data (80/20) dan rentang data (0,1) Fung Aktivasi Hd
Bulan 1 MSE
Bulan 2 Pearson
MSE
Bulan3 Pearson
MSE
Pearson
Out
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
G
SBn
0,0115
0,0533
0,9118
0,7929
0,0118
0,0571
0,9123
0,7818
0,0114
0,0554
0,9165
0,7325
Mix
SBn
0,0115
0,0120
0,9109
0,8615
0,0160
0,0099
0,8737
0,8973
0,0133
0,0079
0,8985
0,8411
SBn SBp
SBn SBn
0,0015
0,0026
0,9883
0,9889
0,0022
0,0031
0,9841
0,9578
0,0021
0,0032
0,9848
0,9169
0,0015
0,0020
0,9888
0,9856
0,0028
0,0029
0,9797
0,9514
0,0036
0,0035
0,9744
0,9099
Catatan : Mix G SBn SBp
= = = =
kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh), fungsi Gauss fungsi Sigmoid Biner fungsi Sigmoid Bipolar
113
Dari berbagai kombinasi fungsi aktivasi yang digunakan pada rentang data (0,1), kombinasi fungsi sigmoid biner pada hidden layer dan ouput layer menunjukan kinerja yang tinggi dibandingakan dengan fungsi-fungsi lainnya, Jika dibandingkan dengan kinerja statistik fungsi aktivasi sigmoid biner pada rentang data yang sama untuk pola data (70/30), kinerja statistik fungsi ini pada rentang data (0,1) pada pola data (80/20) menunjukan masih lebih baik terutama pada hasil statistik yang ditunjukan pada hasil peramalan untuk bulan ke-2 dan bulan ke-3, Pada pola data (80/20) ini juga ditunjukan bahwa hipotesis yang mengharapkan kombinasi fungsi aktivasi pada hidden layer yang terdiri atas 3 slab akan memberikan hasil yang terbaik juga tidak terbukti, Hasil pengujian statistik untuk kombinasi 3 fungsi aktivasi pada 3 slab yang berbeda (sigmoid biner, Gauss, dan Tanh) pada hidden layer dan output layer masih lebih rendah dibandingkan hasil pengujian untuk fungsi aktivasi pada slab tunggal (sigmoid biner) pada rentang data (0,1), Untuk rentang data (-1,0), dari berbagai kombinasi fungsi aktivasi hanya dapat dilakukan sebanyak 1 simulasi sebagaimana ditunjukan dalam Tabel 23, sedangkan fungsi-fungsi aktivasi lainnya tidak dapat ditampilkan oleh program, Tabel 23 Simulasi model untuk pola data (80/20) dan rentang data (-1,0) Fung Aktivasi
Bulan 1 MSE
Bulan 2 Pearson
MSE
Bulan3 Pearson
MSE
Pearson
Hd
Out
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Mix
SBp
0,0084
0,0094
0,9351
0,9025
0,0128
0,0161
0,9005
0,7839
0,0128
0,0208
0,9023
0,7109
Catatan : Mix = kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh), SBp = fungsi Sigmoid Bipolar
Hasil statistik yang dihasilkan oleh kombinasi fungsi aktivasi pada hidden layer dan fungsi aktivasi sigmoid bipolar pada output layer tidak menunjukan hasil yang baik bila dibandingkan dengan hasil pengujian untuk fungsi aktivasi yang sama pada pola data dan rentang data yang lainnya, Hasil yang didapatkan kurang
114
memenuhi persyaratan yang diinginkan, khususnya pada koefisien korelasi yang didapatkan untuk hasil peramalan pada bulan ke-3, Untuk rentang data (-1,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 2 simulasi sebagaimana ditunjukan dalam Tabel 24, Tabel 24 Simulasi model untuk pola data (80/20) dan rentang data (-1,1) Fung Aktivasi
Bulan 1 MSE
Bulan 2 Pearson
MSE
Bulan3 Pearson
MSE
Pearson
Hd
Out
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Training
Testing
Mix
SBp
0,0084
0,0094
0,9351
0,9025
0,0128
0,0161
0,9005
0,7839
0,0128
0,0208
0,9023
0,7109
SBn SBp
SBp SBn
0,0245
0,0728
0,9529
0,6155
0,0330
0,0985
0,9379
0,3367
0,0255
0,0759
0,9533
0,3615
0,4998
0,1352
0,7250
0,7808
0,4977
0,1336
0,6891
0,7636
0,4956
0,1338
0,6433
0,7829
Catatan : Mix = kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh), SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar
Sebagaimana pada pola data (70/30), asumsi rentang data (-1,1) akan memberikan hasil terbaik tidak dapat dibuktikan kembali, dari beberapa kombinasi fungsi aktivasi pada rentang data ini hasil pengujian statistik yang didapatkan masih sangat jauh dari memenuhi dibandingkan dengan pengujian pada rentang data yang lainnya, Penentuan Keadaan Krisis Proses penentuan keadaan kritis dilakukan menggunakan model heuristik yang ditujukan untuk menentukan rentang batas ambang harga minyak goreng kelapa sawit yang dapat diterima oleh pihak konsumen (masyarakat), dan pihak industri agar dapat tetap dapat beroperasi, Dalam menentukan batas ambang atas (maksimum) yang ditujukan untuk mengukur tingkat/ batas kemampuan maksimum konsumen mengkonsumsi minyak goreng dalam bulan tertentu dilakukan dengan cara menghitung berdasarkan parameter-parameter pendapatan perkapita, tingkat inflasi rata-rata, angka per-
115
tumbuhan ekonomi, dan tingkat konsumsi rata-rata bulanan pembelian minyak goreng untuk masing-masing bulan yang besangkutan, Sedangkan untuk penentuan batas ambang bawah, penentuan batas kemempuan industri minyak goreng masih dapat beroperasi, diukur dari marginal profit Industri, Parameter yang dibutuhkan adalah harga CPO dalam negeri, Untuk mempermudah para pengguna, pada sub-model penentuan kritis dirancang fasilitas dialog yang digunakan untuk memasukan parameter-parameter input untuk menentukan batas ambang atas dan batas ambang bawah yang dimaksud, Dengan demikian, nilai batas ambang atas dan bawah untuk prediksi 3 bulan kedepan diharapkan dapat lebih akurat, dan parameter-parameter tersebut dapat diubah sesuai dengan perkembangan keadaan yang terkini,
Manajemen Pengendalian Krisis Sub-Model Manajemen pengendalian krisis dirancang dalam suatu sistem pakar, sistem ini dirancang dengan menggunakan fasilitas dialog yang merupakan alat konsultasi/dialog
yang berfungsi sebagai sarana interaksi antar pengguna dalam
menentukan kebijakan pengendalian krisis, Sistem pakar akan menampilkan kotak dialog yang meruapan tahapan diskusi yang berupa pertanyaan-pertanyaan dan nilai parameter yang haris dijawab oleh para pengguna, Keluaran sistem pakar ini berupa solusi/pemecahan masalah Sistem pakar ini dirancang melalui pengorganisasian pengetahuan yang menggunakan sumber pengetahuan dari para pakar (pakar perdagangan internasional, pakar perdagangan dalam negeri, pakar perindustrian, dan peneliti dalam bidang kelapa sawit), serta studi pustaka,
Sistem pakar disusun secara 2 tahap, tahap
pertama meyusun solusi penanganan kritis, dan kedua melakukan penyusunan langkah tindakan/penanganan (kebijakan),
116
Dalam tahapan penyusunan solusi penanganan krisis yang dilakukan oleh para pakar pada mingggu ke-2 bulan Mei 2006 bertempat di Departemen Perindustrian – Jakarta, terjadi perdebatan yang cukup panjang mengenai makna strata setiap kotak pada lajur mendatar (dampak), dan kolom kebawah (kepentingan), Dari hasil diskusi yang dilakukan, disepakati untuk memodifikasi Matriks Perihal menurut Eriyatno (2001), Berdasarkan Keeney at all (1998) mengenai orientasi pemikiran yang memberikan nilai tambah (Value-Focused Thinking) dimana orientasi utama dari suatu keputusan didasarkan atas nilai (value) dari keputusan pertama yang diambil, kemudian baru disusun alternatif solusi untuk pencapaian tujuan yang sama. Dari hasil diskusi tersebut, dalam melakukan modifikasi matriks perihal para pakar menyepakati beberapa ketentuan sebagai berikut : 1) Dampak (lajur mendatar). Strata penilaian solusi terhadap dampak diukur berdasarkan atas dampak sosial dan ekonomi yang ditimbulkan kepada masyarakat, Makin tinggi klasifikasi yang diberikan, maka makin tinggi resiko dampak yang akan diberikan kepada masyarakat, Dengan demikian, orientasi dari penilaian dampak ini adalah bagaimana dapat me-minimumkan (how to minimize) dampak sosial dan ekonomi suatu solusi kebijakan terhadap masyarakat, 2) Kepentingan (kolom menurun). Strata penilaian terhadap kepentingan diukur berdasarkan atas manfaat yang dapat diterima masyarakat akibat dari satu kebijakan, Makin mendesak tingkat kepentingan yang di identifikasi, makin besar manfaat yang dapat diterima oleh masyarakat, Orientasi penilaian kepentingan adalah bagaimana memaksimumkan (how to maximize) manfaat yang diperoleh masyarakat dari suatu kebijakan yang diambil pemerintah, Dengan demikian, modifikasi posisi tindakan segera yang semula berada pada posisi (mendesak, tinggi) berubah menjadi posisi (mendesak, rendah), Matriks perihal
117
g1ini akan digunakan sebagai penentuan strategi/solusi manajemen kritis perniagaan minyak goreng kelapa sawit secara nasional, Langkah selanjutnya adalah menentukan tingkat kepentingan/manfaat dan dampak sosial-ekonomi yang berada pada lajur mendatar dan kolom menurun tersebut, Untuk penentuan ini dibutuhkan parameter-parameter yang dapat dijadikan ukuran intensitas, yaitu seberapa besar dampak dan manfaat yang akan diterima masyarakat akibat munculnya satu kebijakan diukur sebagai berikut : A. Ukuran Dampak : 1) Dampak terhadap ketergantungan CPO dalam negeri 2) Dampak terhadap efisiensi dan sistem produksi industri minyak goreng nasional 3) Dampak terhadap harga minyak goreng dalam dan luar negeri 4) Dampak terhadap iklim investasi, perekonomian, dan sosialpolitik nasional 5) Dampak terhadap sistem distribusi, pemasaran, dan keamanan pasokan minyak goreng B. Ukuran Manfaat : 1) Manfaat terhadap ketergantungan CPO dalam negeri 2) Manfaat terhadap efisiensi dan sistem produksi industri minyak goreng nasional 3) Manfaat terhadap harga minyak goreng dalam dan luar negeri 4) Manfaat terhadap iklim investasi, perekonomian, dan sosialpolitik nasional 5) Manfaat terhadap sistem distribusi, pemasaran, dan keamanan pasokan minyak goreng Masing-masing dampak dan manfaat dibagi dalam 3 tingkat penilaian, Untuk ukuran dampak yang ditimbulkan, tingkat penilaian tersebut adalah : Rendah, Sedang, dan Tinggi, Sedangkan untuk tingkat kepentingan/manfaat kebijakan pada masyarakat tingkat penilaiannya adalah : Rendah, Ada, dan Mendesak,
118
Dengan melakukan serangkaian diskusi, para pakar kemudian menentukan kebijakan atau strategi penanggulangan masalah untuk setiap kotak permasalahan sebagaimana dalam matriks perihal, Berdasarkan diskusi tersebut, tindakan ’mendesak’ dengan resiko rendah yang disarankan pakar pada keadaan krisis adalah pengaturan pajak ekspor yang merupakan instrumen pemerintah secara langsung menyentuh sektor usaha. Sedangkan solusi tindakan yang mempunyai kepentingan terendah dan berdampak rendah masyarakat adalah penelitian dan pengembangan (research and development) alternatif minyak goreng kelapa sawit yang layak dari aspek harga dan mutu, Secara singkat strategi/solusi penanganan krisis untuk perniagaan minyak goreng kelapa sawit dapat ditunjukan dalam Tabel 25, Tabel 25 Matriks Perihal Solusi Krisis KEPENTINGAN/ MANFAAT
DAMPAK Rendah
Cukup
Tinggi
Rendah
Penelitian dan Pengembangan Alternatif Substitusi CPO yang Layak
Penataan Kelembagaan Distribusi Minyak Goreng
Kampanye Hemat Penggunaan Minyak Goreng
Ada
Penataan Kelembagaan Distribusi Minyak Goreng
Penyediaan Subsidi Harga Minyak Goreng
Pengawasan Stok CPO untuk Kebutuhan Dalam Negeri
Pengaturan Pajak Ekspor CPO
1. Operasi Pasar 2. Pengawasan Stok (buffer stock policy) Minyak Goreng Nasional
1. Insentif Investasi Industri Minyak Goreng 2. Inovasi Teknologi Produksi
Mendesak
Sumber : Hasil Focus Group of Discussion para Pakar,
119
Dalam proses akuisisi pengetahuan, pola pemikiran para pakar dalam mengisi setiap strategi/solusi permasalahan dapat diuraikan sebagai berikut :
Penelitian dan Pengembangan Alternatif Substitusi CPO yang Layak, Solusi ini ditujukan : −
untuk mengurangi instabilitas harga minyak goreng akibat pasokan CPO didalam negeri yang kurang memadai,
−
sebagai upaya pengamanan pasokan bahan baku minyak goreng dalam jangka panjang,
Penataan Kelembagaan Distribusi Minyak Goreng, Solusi ini ditujukan untuk : −
penataan kelembagaan distribusi agar berfungsi secara efektif dan tertata baik sehingga menciptakan nilai tambah tinggi pada produk akhir,
−
penatan kelembagaan distribusi yang efektif untuk dapat mengurangi ekonomi biaya tinggi pada pemasaran,
Kampanye Hemat Penggunaan Minyak Goreng, Solusi ini ditujukan : −
mengurangi konsumsi minyak goreng sehingga harganya cenderung turun sesuai permintaan pasar,
−
menjaga keseimbangan pasokan dan permintaan
−
munculnya kesadaran hemat penggunaan minyak goreng berbasis kelapa sawit
Penyediaan Subsidi Harga Minyak Goreng, Solusi ini ditujukan untuk : −
dalam skalanya nasional, bila dalam jangka pendek terjadi depresiasi nilai tukar rupiah terhadap mata uang asing secara drastis,
−
untuk menjaga stabilitas harga CPO dan minyak goreng perlu adanya subsidi untu pembelian CPO di dalam negeri
−
menjaga stabilisasi pengadaan minyak goreng di dalam negeri,
120
Operasi Pasar dan Pengawasan Stok (buffer stock policy) Minyak Goreng Nasional, Solusi ini ditujukan untuk mengurangi instabilitas harga minyak goreng mungkin terjadi akibat pasokan CPO didalam negeri yang terbatas sehingga perlu dilakukan operasi pasar dari stok CPO yang ada,
o Insentif Investasi Industri Minyak Goreng dan Inovasi Teknologi Produksi, Solusi ini ditujukan untuk : −
meningkatkan utilisasi produksi sehingga memberi jaminan ketersediaan pasokan minyak goreng yang lebih besar dan lebih baik, dan dapat mengurangi instabilitas pasar akibat kurangnya pasokan,
−
menjamin ketersediaan pasokan yang memadai karena sebagian bisa diarahkan untuk ekspor,
−
efisiensi tidak meningkatkan jaminan ketersediaan pasokan sehingga tidak ada nilai manfaat langsung ke masyarakat, terutama bila terjadi instabilitas pasar, Bisa jadi efisiensi terjadi untuk produk-produk oleokimia
−
memberi ruang gerak investor lebih leluasa untuk menanamkan modalnya di sektor pertanian (kelapa sawit) maupun industri (minyak goreng) ataupun turunannya
o Pengaturan Pajak Ekspor CPO, Kebijakan solusi ini ditujukan untuk : -
pembatasan ekspor CPO melalui pajak yang tinggi sebagai solusi jangka pendek
-
mengurangi praktek-praktek spekulasi yang dilakukan oleh para pedagang besar CPO
Berdasarkan pengetahuan pakar tersebut kemudian diterjemahkan kedalam program komputer dengan menggunakan konsep rule-based, Pengetahuanpengetahuan yang didapatkan dari pakar kemudian disusun dan diterjemahkan kedalam logika IF - THEN dalam mesin inferensi.
