ANALISIS FLUKTUASI DAN PREDIKSI HARGA BERAS

Download 1. JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6. Abstrak— Analisis fluktuasi dan prediksi harga beras menggunakan Fuzzy Cognitive Map (FCM) d...
0 downloads 399 Views 880KB Size
Download PDF
Love PNG Images
JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6

1

Analisis Fluktuasi dan Prediksi Harga Beras Menggunakan Fuzzy Cognitive Maps Untuk Meningkatkan Kesejahteraan Petani Beras Yuniar Ainun Fithri1), Erma Suryani2) Retno Aulia Vinarti3) Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur Telp : (031) 5994251, Fax : (031) 5923465 E-mail: [email protected]

1

Abstrak— Analisis fluktuasi dan prediksi harga beras menggunakan Fuzzy Cognitive Map (FCM) dilakukan untuk mengetahui harga beras dimasa mendatang dengan memodelkan faktor-faktor berpengaruh terhadap harga beras. Fluktuasi keadaan pertanian yang terjadi dianalisis menggunakan metode regresi berganda untuk menemukan parameter paling berpengaruh yang kemudian dijadikan dasar dalam pembuatan model FCM. Penerapan metode regresi berganda dilakukan dengan melibatkan uji asumsi klasik beserta uji variance inflation factor dan uji korelasi untuk mengatasi masalah multikolinearitas. Untuk mendapatkan hasil estimasi yang valid maka dilakukan pengujian yang meliputi MSE (Mean Squared Error) dan Standar Deviasi. Hasil analisis fluktuasi dengan regresi berganda menunjukkan bahwa faktor-faktor paling berpengaruh terhadap harga beras adalah faktor Impor dan Nilai Tukar Rupiah dengan koefisien regresi sebesar 64.44 dan 23.4 Hal ini berarti bahwa penurunan Nilai Tukar Rupiah sebesar 64.4% akan menyebabkan kenaikan Harga Beras sebesar 1% dan kenaikan impor sebesar 23.4% akan menaikkan Harga Beras sebesar 1%. Dan hasil prediksi menggunakan fuzzy cognitive maps menghasilkan akurasi yang cukup tinggi dengan MSE sebesar 0.006 yang berarti penggunaan metode ini cukup baik digunakan dalam memprediksi harga dan standar deviasinya juga menunjukkan tren yang cukup baik sebesar 89%. Dari implementasi fuzzy cognitive maps yang telah dilakukan didapatkan hasil bahwa ratio NTP sebagai standar pengukuran kesejahteraan petani dapat tercapai dengan menaikkan nilai parameter dari produksi beras, luas lahan panen dan produktivitas teknologi. Dimana kedua faktor lahan panen dan produktivitas teknologi dapat secara langsung mampu menaikkan produksi beras petani. Kata Kunci— Fuzzy Cognitive Maps, Kausal Antar Variabel, Fluktuasi, Regresi Berganda, Prediksi Harga Beras, NTP

I

I. PENDAHULUAN

NDONESIA adalah negara pengkonsumsi beras tertinggi didunia, namun nyatanya tidak diimbangi produtivitas petani tanaman pangan. Ketidakseimbangan tersebut menyebabkan penyediaan pangan nasional berasal dari import cenderung meningkat dan eksport menurun. Untuk mengatasinya, pemerintah semakin giat menerapkan berbagai langkah kebijakan, salah satunya kebijakan berbagai harga komoditas pertanian terutama beras. Kebijakan kenaikan harga beras merupakan upaya meningkatkan produktivitas petani beras dan memenuhi ketahanan pangan. Ketahanan pangan tercipta namun relatif

tidak membawa keuntungan bagi petani. Nilai tambah kondisi membaiknya harga beras justru banyak dinikmati kaum pedagang [1]. Penelitian Analisis Rantai Pemasaran Beras Organik dan Konvensional [16] menunjukkan pihak paling banyak mengambil keuntungan dalam rantai perdagangan beras adalah pengusaha penggilingan (huller), pedagang besar dan pedagang pengecer. Keberadaan para tengkulak di Indonesia juga cenderung menentukan harga sepihak yang kurang menguntungkan petani. Perbedaaan signifikan marjinal pemasaran diantara harga jual produsen petani dan harga jual para pelaku pemasaran tersebut menyebabkan nilai tukar petani menjadi rendah. Dengan berfokus terhadap perlindungan terhadap para petani dari sistem perdagangan tidak adil, maka penentuan harga beras dimana petani tidak mengalami kerugian disebabkan nilai tukar rendah dilakukan. Nilai Tukar Petani (NTP) adalah ratio indeks harga diterima petani terhadap indeks harga dibayar petani yang dinyatakan dalam persentase (BPS, 2003). Nilai NTP diatas 100 mengindikasikan kesejahteraan petani tercapai dan sebaliknya. Fluktuasi harga yang berjalan cukup cepat juga menjadi permasalahan serius bagi petani sehingga selanjutnya dilakukan analisis menggunakan metode regresi berganda untuk menemukan kondisi paling berpengaruh terhadap perubahan harga beras yang dapat digunakan untuk mengetahui pola pembentukan harga dan dijadikan masukan dalam pembuatan model FCM. Secara konsep, FCM mendefinisikan fluktuasi beras sebagai model yang menunjukkan hubungan kausal antarvariabel yang bersifat uncertain dengan matriks dan diagram sehingga berbagai kondisi berpengaruh terhadap perubahan harga yang berlaku dapat diprediksi. Keterlibatan FCM menyediakan relasi sebab-akibat dapat menghasilkan siklus berkesinambungan terhadap pola pembentukan harga beras kemudian menghasilkan mekanisme feedback. Mekanisme feedback FCM membantu dalam melakukan analisis prediksi dalam bentuk faktor akan ditelusuri skenarionya sehingga bisa dijadikan sebagai pertimbangan alternatif kebijakan harga yang lebih baik. Model FCM dibuat dengan merelasikan beberapa faktor berpengaruh terhadap harga dalam menyatakan data-data sebagai variabel fuzzy dengan interval keanggotaan fuzzy yang sesuai dan knowledge expert dari beberapa ahli dalam membentuk hubungan pola pembentukan harga beras kedalam bobot causal reliable. Oleh sebab itu, penggunaan FCM

JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6 mampu meningkatkan kualitas prediksi harga dibandingkan teknik prediksi lain yang biasa digunakan. Dalam implementasinya, FCM banyak dipelajari dan diterapkan dalam berbagai disiplin ilmu. FCM dianggap sebagai metode yang mudah digunakan untuk pengambilan keputusan sebuah sistem kompleks, diantaranya di bidang kedokteran digunakan dalam menganalisis karakteristik penyakit tumor otak [12], di bidang ekonomi manajemen untuk menganalisis dan mengevaluasi sistem dinamika kepercayaan perusahaan [18], dan dibidang industri untuk menentukan pola kegagalan dan analisis efektifitas didalam proses industri [4] serta di beberapa area riset seperti informasi geografis [19] dan sistem kontrol [3]. Meskipun banyak karya-karya penelitian yang telah dilakukan pada FCM namun sangat sedikit penelitian yang digunakan dalam memprediksi suatu harga. Sehingga pada Tugas Akhir ini, penulis dapat melengkapi penelitianpenelitian yang telah ada dan memberikan bahan referensi yang bisa dipakai dalam pengembangan implementasi FCM selanjutnya. Tugas Akhir analisis fluktuasi dan prediksi harga beras menggunakan aturan dari algoritma Fuzzy Cognitive Maps akan menghasilkan prediksi harga yang tepat berdasarkan faktor-faktor yang berpengaruh dengan mempertimbangkan indeks kesejahteraan petani serta informasi yang relevan sehingga dapat bermanfaat bagi petani dan berguna dalam merumuskan kebijakan harga kearah yang lebih baik. II. FUZZY COGNITIVE MAPS

2

Gambar 1 Fuzzy Coginitive Maps Sederhana (E.I. Papageorgiou et al, 2007)

dimana Ci (t+1) merupakan nilai dari konsep Ci pada step simulasi t+1, merupakan nilai-nilai dari konsep Ci pada simulasi step t, e_ij merupakan bobot dari interkoneksi antara konsep Cj ke konsep Ci dan fungsi f adalah fungsi yang mentransformasikan hasil dari perkalian interval [0,1] yang menjadi nilai dari tiap konsep. (2) Dimana > 0 merupakan parameter yang menentukan langkah-langkah untuk mencapai equilibrium point yaitu nilai tidak berubah dari nilai sebelumnya[15]. Function diatas dapat dapat didefinisikan pula dalam rumus 3 sebagai berikut: f( = + (1jika ≥ 0, ≥0 atau = + (1jika < 0, < 0 dan abs ( ≤ 1, ≤ 1) atau

Fuzzy Cognitive Maps (FCM) adalah teknik soft computing dan knowledge-based method yang memasukkan human reasoning dan human decision-making process dalam penerapannya. FCM pertama kali diperkenalkan Kosko (1986) yang terinspirasi dari penelitian Axelord dalam penggunaan Cognitive Maps (Axelrod, 1976) serta merupakan kombinasi dari beberapa penerapan teori logika fuzzy dan neural networks (C.D. Stylios, 2004). FCM dalam peta cognitive memodelkan perubahan sistem dinamis menjadi lebih mudah yaitu saat tidak dapat dimodelkan dengan model matematis. FCM membentuk causal-effect relationship diantara setiap simpulnya. Keunggulan penggunaan metode FCM yaitu keterlibatannya menyediakan mekanisme feedback (konsep what-if) dan mampu menggabungkan beberapa pendapat ahli sekaligus. Hubungan kausal antara titik FCM (C1, C2, C3 dst) berhubungan lurus (biasanya diberi tanda “+” atau “-”), dengan rentang {-1,0,+1}. Hubungan dua titik Ci dan Cj yang dihubungkan memiliki 3 kemungkinan bobot tepi (eij), yaitu:  eij > 0, artinya kedua konsep memiliki kausalitas positif (berhubungan lurus)  eij < 0, artinya kedua konsep memiliki kausalitas negatif (berlawanan)  eij = 0, artinya kedua konsep tidak memiliki hubungan kausalitas langsung.

(1)

Ci (t+1) =

=

(3)

Dan pseudocode untuk algoritma FCM digambarkan sebagai berikut ini: Step 1: Read the input vector C(t). Step 2: Give the connection matrix, E. Step 3: Calculate the output vector O(t)= C(t) * E. Step 4: Apply threshold to output vector: O(t) ≈ C(t + 1). Step 5: If (C(t +1)= C(t)), stop else go to step 1. End Gambar 2 Pseudocode Algoritma FCM

III. METODOLOGI PENELITIAN Langkah-langkah penelitian yang direncanakan secara sistematis dan terstruktur secara umur dilihat flowchart pada gambar 3.1 berikut ini: MULAI

Identifikasi Masalah

Melakukan Studi Literatur Pengumpulan dan Identifikasi Data

Pembuatan Model FCM Pengelompokan Data berbasis Fuzzy

1

Analisis Data Menggunakan Regresi Berganda

JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6 2

Implementasi Fuzzy Cognitive Maps

Tidak

3 Apabila ketiga syarat asumsi klasik diatas terpenuhi, maka dapat dilakukan analisis regresi berganda dimana hasil analisis regresi dari variabel penelitian tersebut digambarkan melalui tabel 1 dibawah ini: Tabel 1 Output Analisis Regresi Berganda

Verifikasi dan Validasi Hasil

Apakah hasil telah valid?

Ya Kesimpulan

Skenariosasi

Pembuatan Buku TA SELESAI

Gambar 3 Metodologi Pelaksanaan TugasAkhir

Untuk mrenemukan model FCM yang valid, maka dilakukan analisis regresi berganda untuk mengetahui hubungan diantara tiap variabel penelitian berdasarkan data real yang kemudian model FCM dapat dibuat dan implementasikan. IV. ANALISIS DAN IMPLEMENTASI Hasil analisis menggunakan regresi berganda diimplementasikan untuk menemukan pola pembentukan harga beras. Implementasinya dilakukan melalui diagram flowchart yang tampak pada gambar 4 dibawah ini: Kumpulan Data Historis

No.

Pemeriksaan Normalitas Data

Menghitung Nilai VIF (Variance Inflation Factor) dan Nilai Tolerance

Menghitung Nilai Korelasi Pearson

Variabel Penelitian Bebas Multikolinearitas

Uji Hetereskodisitas

Analisis Data Menggunakan Metode Regresi Berganda

Membentuk Persamaan Regresi Berganda

Maka besar variabel berpengaruh sesuai hasil regresi pada kolom B tertera pada tabel 4.2 berikut ini dimana hasil regresi tersebut mewakili besarnya pengaruh diantara variabel satu dengan lainnya, maka persamaan regresi yang dapat dihasilkan melalui tabel 1 diatas adalah: YHarga = 8162264 + 0. 889 XStock + -2.025 XExpenditure + -0.918 XProcurement + -2.892 XDistribution + 0.613 XProduction + -64.442 XExchangeRate + -6.618 XEksport + 23.362 XImport Kesimpulan yang dapat diambil yaitu harga beras sangat dipengaruhi oleh variabel import dan exchange rate dimana koefisien tersebut mempengaruhi harga beras dalam persentase yang besar, yaitu sebesar 23 % dan 64%. Dan pola pembentukan harga beras berdasarkan data real pertanian dideskripsikan melalui tabel 2 dibawah ini:

Pola Pembentukan Harga Beras

Tabel 2 Besar Pengaruh Variabel Independen

Variabel

Koefisien Jenis Regresi Pengaruh 1. Stock 0. 889 Positif 2. Expenditure 2.025 Negatif 3. Procurement 0.918 Negatif 4. Distribution 2.892 Negatif 5. Production 0.613 Positif 6 Exchange Rate 64.442 Negatif 7. Import 23.362 Positif 8. Eksport 6.618 Negatif Pola pembentukan harga beras sesuai tabel 2 diilustrasikan melalui gambar 5 dibawah ini:

Gambar 4 Flowchart Analisis Regresi Berganda

Melalui diagram flowchart yang tampak pada gambar 4 diatas, beberapa data variabel penelitian hilang sebab tidak memenuhi syarat dari uji asumsi klasik dimana dari analisis regresi berganda diperlukan syarat kenormalitasan data, bebas multikolinearitas dan variance diantara variabel penelitiannya tidak terlalu besar. Oleh karena itu, uji normalitas, multikolinearitas dan heteroskosiditas dilakukan sebagai syarat dalam menghasilkan pola pembentukan harga beras. Normalitas yang baik adalah yang memiliki nilai kolmonorov smirnov > 0.05, variabel yang tidak memiliki masalah multikolinearitas adalah yang memiliki nilai VIF > 10 dan Tolerance > 0.1, dan variabel dengan korelasi yang disyaratkan dalam model regresi adalah variabel dengan nilai korelasi < 0.8. Jika variabel penelitian diatas telah memenuhi ketiga syarat tersebut, maka selanjutnya dilakukan uji heteroskosiditas dimana variance yang dihasilkan harus besar.

Gambar 5 Pola Pembentukan Harga Beras Sesuai Analisis Regresi

Kemudian model FCM dibuat berdasarkan hasil analisis regresi dan beberapa sumber. Faktor-faktor tersebut digambarkan seperti struktur model pada gambar 6: Data Historis (Harga Gabah Petani, HPP, Stok, Penawaran, Permintaan, Produksi, Pengeluaran, Pemasukan, Penyaluran, Luas Panen, Ekspor, Impor, Nilai Tukar Rupiah, NTP)

Studi Literatur (Pertumbuhan Penduduk, Konsumsi per kapita, Margin Pemasaran, Penggunaan dan Harga Pestisida, Tarif Impor, Inflasi, Pendapatan Penduduk, Jumlah Pelepasan dan Anggaran BULOG)

Wawancara (Rendeman, Keadaan Pupuk Urea dan TSP, Ketersediaan Beras, Anomali Iklim, Produktivitas Teknologi, Perubahan Surplus Petani dan Konsumen, Beras Susut, Pendapatan Petani, Biaya Lain-Lain Petani)

Model FCM

Gambar 6 Struktur Pembentuk Model FCM

JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6 Berdasarkan struktur model pada gambar 6, diperoleh 50 faktor-faktor berpengaruh terhadap pola pembentukan harga beras. Model keseluruhan FCM untuk pembentukan harga beras adalah sebagaimana yang ditunjukkan gambar 7.

4 Setelah membership function dibentuk, kemudian mengubah nilai tersebut menjadi bobot node. Bobot node diperoleh dengan mengubah nilai crisp menjadi nilai membership function fuzzy. Hasil nilai fuzzifikasi tersebut ditunjukkan melalui tabel 3 dibawah ini: Tabel 3 Tabel Pemberian Bobot Node Berpengaruh Sesuai Data Real

No.

Gambar 7 FCM Model untuk Prediksi Harga Beras

Selanjutnya dilakukan fuzzifikasi untuk mengubah nilai crisp menjadi himpunan fuzzy dengan alur fuzzifikasi terlihat pada flowchart gambar 8: Model FCM

Masukan Nilai Tegas (Crisp)

Menentukan Anggota Fuzzy Set

Menentukan Semesta Pembicaraan

Membuat Representasi

Membuat Scatter Plot

Membership Function

Gambar 8 Proses Fuzzifikasi Data

Penentuan nilai semesta pembicaraan pada data pertanian diperlukan untuk memenuhi syarat jangkauan fuzzy. Semesta pembicaraan yang terbentuk adalah Un = [Dn min, Dnmax] dengan n = variabel data penelitian. Untuk menentukan representasi fuzzy dari masing-masing data variabel, maka dibentuk scatter plot sehingga diketahui kecenderungan data berada pada jenis fungsi representasi yang mana, setelah scatter plot dibuat dan data diketahui berada pada fungsi yang mana, maka selanjutnya membagi himpunan semesta U=[Dmin, Dmax] menjadi sejumlah interval yang sama u1,u2, u3, … un sesuai aturan representasi dan interval yang diinginkan. Semakin jauh jarak interval, maka semakin banyak fungsi keanggotaan u yang dibentuk. Kemudian nilai fuzzifikasi untuk 50 variabel berpengaruh sebagian besar digambarkan melalui gambar 9 berikut ini:

Node

Nilai Crisp

Fuzzified Weight 1 C1 431730 0.7 2 C8 230000 0.6 3 C9 10474773 0.8 4 C11 7869 1 5 C14 456700 0.62 6 C17 8875 0.75 7 C20 4525000 0.75 8 C25 54390 0.78 9 C32 4890000 0.61 10 C37 834728 0.01 11 C38 1666119 0.38 12 C39 306989 0.93 13 C50 398801 0.92 Bobot node ke13 variabel diatas telah diperoleh melalui data real dan untuk bobot node C2, C3, C4, C5 dan seterusnya hingga C50 (selain variabel yang terletak pada tabel 4.30 diatas) diperoleh melalui expert knowledge. Inisialisasi input node berdasarkan knowledge expert yang ada diberikan bobot kondisi dalam nilai 1. Besarnya pengaruh hubungan antara node satu dengan node lainnya dijelaskan dalam bobot relationship fuzzy. Guideline dibuat sebagai salah satu cara dalam mempermudah expert knowledge mengubah proporsi angka bobot pengaruh dalam derajat keanggotaan fuzzy, yang mana akan dilanjutkan sebagai konstruksi model FCM (tabel 4). Linguistic Term Pengaruh Rentang Simbol yang disarankan Nilai Bobot Sangat sangat rendah µssr 0 - 0.15 Sangat rendah µsr 0.15 - 0.25 Rendah µr 0.25 - 0.4 Sedang µs 0.4 - 0.55 Tinggi µt 0.55 - 0.70 Sangat tinggi µst 0.70 – 0.85 Sangat sangat tinggi µsst 0.85 - 1 Dan gambar 10 berikut merupakan ilustrasi representasi kurva dari bobot pengaruh dalam keanggotaan fuzzy.

Gambar 10 Representasi Kurva Bobot Keanggotaan Fuzzy Relationship

Maka pengaruh yang terjadi melalui hasil analisis regresi akan dimasukkan kedalah matriks relationship yang digambarkan melalui matriks W= Gambar 9 Representasi Membership Function untuk Variabel

JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6

5

Hubungan dari tiap-tiap faktor akan akan dimasukkan sebagai input dalam menduga pembobotan yang ada. Dengan matriks m x n yang digambarkan sebagai matriks caused concept (gambar 11):

Menentukan Iterasi Maksimal (Itmaks)

2

Menghitung Vector O(t) = C(t) * W

Output Vector O(t) ≈ C(t + 1)

Menentukan Iterasi Baru

Tidak

Titik Ekuilibrium Tercapai?

Ya Menghitung Output Matriks FCM

Analisis Prediksi

Selesai

Gambar 11 Matriks Relationship antara node C0 hingga C50 yang Dibentuk

Besarnya pengaruh yang didapatkan dari hasil analisi regresi kemudian diubah kedalam bobot pengaruh fuzzy dengan melakukan normalisasi. Tabel 4 Pengaruh Faktor-Faktor Variabel Penelitian Sesuai Analisis Regresi No. Faktor Koefisien Nilai Besarnya Pengaruh Regresi Normalisasi 1 Stock 0. 889 0.008 sangat-sangat rendah 2 Expenditure 35.025 0.35 sedang 3 Procurement 0.918 0.0091 sangat-sangat rendah 4 Distribution 20.892 0.21 rendah 5 Production 0.613 0.006 sangat-sangat rendah 6 Exchange 64.442 0.644 tinggi Rate 7 Import 23.362 0.23 rendah 8 Eksport 6.618 0.06 sangat sangat rendah

Nilai normalisasi pada tabel diatas dilakukan dengan cara membagi setiap nilai kriteria pengaruh dengan nilai maksimum dari kelompok kriteria. Maka tabel fuzzification bobot relationship dapat dituliskan melalui tabel 5 berikut ini. Tabel 5 Tabel Bobot Pengaruh untuk Keseluruhan Variabel

Relationship C9  C0 C1  C0 C15  C0 C0  C40 C4  C1 C23  C2 C1  C2 C5  C1 C8  C5

Nilai Bobot Pengaruh Fuzzy

Besarnya Pengaruh

Relationship

0.35 C34  C33 0.35 C33  C14 0.65 C25  C14 0.65 C15  C32 0.65 C17  C32 0.35 C15  C31 0.8 C15  C8 0.65 C0  C8

rendah rendah tinggi tinggi tinggi rendah sangat tinggi tinggi sangat sangat rendah

0.006 C1  C8

Besarnya Pengaruh

Nilai Bobot Pengaruh Fuzzy

tinggi sangat tinggi sangat rendah sangat tinggi sedang sangat rendah tinggi tinggi

0.65 -0.8 -0.5 0.8 0.5 0.8 0.65 0.65

rendah

0.35

Perkalian antara bobot node dan bobot relationship sesuai kaidah FCM akan menghasilkan matriks hasil dimana apabila nilai ekuilibrium point tercapai, maka sistem berhenti untuk melakukan iterasi. Mulai

Membuat Matriks Bobot C dengan dimensi i x j

Gambar 12 Flowchart Implemtasi Algoritma FCM

Hasil perkalian dari FCM akan menghasilkan keluaran input prediksi harga dimana telah mencapai titik ekulibrium point yang digambarkan melalui gambar 13.

Gambar 13 Hasil Keluaran Fuzzy Cognitive Maps

Hasil keluaran model dari fuzzy cognitive maps pada node C0 (rice price) hingga mencapai ekuilibrium point adalah sebesar 0.671 kemudian keluaran bobot yang dihasilkan diubah sehingga menjadi nilai crisp dimana rice price menggunakan representasi dari fungsi linear dan segitiga, maka hasil nilai presdiksi yang dihasilkan adalah μ Rice Price (x) = (x-a)/(b-a) = (x-8250)/(9500-8250) 0.671 = (x-8250)/1250 x = 9088.75 Maka prediksi harga yang terjadi sesuai dengan penggunaan algoritma FCM pada tahun 2013 adalah sebesar 9088.75 rupiah. Selanjutnya dilakukan pembuatan skenario. Pembuatan skenario dilakukan untuk didapatkan hasil prediksi harga yang sesuai dengan tujuan yaitu meningkatkan kesejahteraan petani berdasarkan nilai NTP. Kesejahteraan petani berdasarkan nilai NTP didapatkan dari ratio perbandingan antara Indeks Terima (IT) dan Indeks Bayar (IB). Ratio NTP > 100 menunjukkan kesejahteraan petani telah tercapai. Untuk menaikkan kesejahteraan petani diatas ratio>100, maka sesuai dengan model fuzzy cognitiva maps yang telah dibuat, beberapa bobot node yang berhubungan dengan ratio NTP dinaikkan. Variabel berpengaruh terhadap ratio NTP tersebut dituliskan pada tabel 6. No

Membuat Matriks Relationship W dengan dimensi i x j

Menghitung indeks matriks kolom i x j

Membuat Matriks Fungsi

1

Persiapan Matriks Hasil dan Function Test

1. 2. 3. 4. 5. 6.

Tabel 6 Nilai Bobot Node Variabel Berpengaruh untuk Skenariosasi Variabel Berpengaruh Terhadap Ratio NTP

Rice Production Use of urea Urea Fertilizer Prices Climate Anomaly TSP Fertilizer Prize The use of TSP

Fuzzifikasi Data (Nilai Node)

0.6 0.2 0.8 0.9 0.9 1

Simbol Node

C1 C2 C3 C4 C5 C6

JURNAL TEKNIK POMITS Vol.1 No.1 (2012) 1-6 No

7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17

Variabel Berpengaruh Terhadap Ratio NTP

Price of Pestisides Use of Pestisides Harvest Area Harvest Conversion Farmers Income Technology Productivity Wage Labor Dung Price Cost Irigation Animals , Tools Costs Other Costs

Fuzzifikasi Data (Nilai Node)

0.9 1 1 0.8 1 0.4 1 1 1 1 1

Simbol Node

C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17

Output keluaran tabel 7 dibawah ini merupakan hasil keluaran untuk uji coba menaikkan 8 bobot node variabel. Uji ke

1 2. 3. 4. 5. 6. 7. 8.

Tabel 7 Output Keluaran Nilai Skenariosasi Defuzzified Defuzzified Keterangan HargaPrediksi NTP Prediksi

Menaikkan Bobot Node Rice Production Menaikkan Bobot Node Use of urea Menaikkan Bobot Node Urea Fertilizer Prices Menaikkan Bobot Node Climate Anomaly Menaikkan Bobot Node TSP Fertilizer Prize Menaikkan Bobot Node Price of Pestisides Menaikkan Bobot Node Harvest Conversion Menaikkan Bobot Node Technology Productivity

9500

105.5

9450

94.8

10500

98.9

8380

89.7

8906

97.09

9200

101.8

9490

104.8

9200

102.7

Output FCM pada tabel 7 menunjukkan bahwa ratio NTP dapat menaik dibandingkan tahun sebelumnya dengan cara menaikkan bobot node dari rice production, harvest conversion, dan technology productivity dengan nilai ratio NTP sebesar 105.5, 104.8, dan 102,7. Dengan begitu, untuk menaikkan kesejahteraan petani, beberapa sektor yang perlu diperhatikan adalah dengan meningkatkan produksi beras, yang selanjutnya diikuti dengan memperluas lahan panen sehingga diperoleh hasil panen yang besar, dan terakhir dengan menaikkan produktivitas penggunaan teknologi untuk mengolah gabah menjadi beras, dimana faktor kedua dan ketiga tersebut juga berakibat secara langsung terhadap produksi beras.

6 4. Prediksi harga beras untuk tahun 2013 berdasarkan bobot dari analisis regresi dan pengetahuan expert menghasilkan harga beras sebesar Rp. 9087.5. 5. Peningkatan kesejahteraan petani beras dapat dilakukan dengan pembuatan skenario melalui 3 variabel yaitu meningkatkan produksi beras, luas lahan panen dan produkivitas teknologi yang menghasilkan nilai NTP sebesar 105.5, 104.8, dan 102,7. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih yang sebesar-besarnya kepada Ibu Erma Suryani dan Ibu Retno Aulia Vinarti sebagai pembimbingdan kepada Bapak Rully Agus Hendrawan dan Ibu Raras Tyasnurita atas bimbingan, masukan dan kerjasamanya dalam membimbing penulis sehingga bisa menyelesaikan tugas akhir mengenai fuzzy cognitive maps ini dengan baik. [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12]

V. KESIMPULAN

[13]

1. Analisis data menggunakan regresi berganda mampu menghasilkan keluaran model pola pembentukan harga beras yang dapat diandalkan untuk pembuatan model fuzzy cognitive maps. 2. Faktor-faktor paling berpengaruh terhadap pembentukan harga beras berdasarkan data real menggunakan metode regresi berganda yaitu faktor nilai tukar rupiah dan impor dengan koefisien regresi sebesar 64,44 dan 23,4. 3. Implementasi prediksi harga beras menggunakan fuzzy cognitive maps mampu menghasilkan MSE dengan nilai rendah sebesar 0,006 dan standar deviasi dengan nilai tinggi sebesar 89%, dengan begitu hasil tugas akhir ini telah valid.

[14] [15] [16] [17] [18] [19] [20]

DAFTAR PUSTAKA

Arifin, B (2011, Oktober 24) Kelembagaan Lumbung dan Gudang Pangan Modern Retrieved Maret 14, 2012 , from MetroTV News: URL: http://barifinmultiplycom/journal?&show_interstitial=1&u=%2Fjournal Chambers, M B (1996) The Journal of Political Economy A Theory of Commodity Price Fluctuations , Vol 104, No 5, hal 924-957 C.D. Stylios, P. G. (2004). Active Hebbian learning algorithm to train fuzzy cognitive maps. International Journal of Approximate Reasoning, 219–249. D. Kardaras, G M (1997) Using Fuzzy Cognitive Maps to model and analyse business performance assessment in: Proc 2nd Annual Intern Conf Indust Engin Appl Practice , 63–6 Deaton, A a (1992) On The Behavior of Commodity Prices Review of Economic Studies , No 59, hal 1-23 Irawan (2011) Pemodelan Perilaku Hunter Prey dengan Fuzzy Cognitive Maps Menggunakan Metode Crisp dan Fuzzy Weight Analysis Tesis Jurusan Teknik Elektro ITS Klir, G F (2002) Fuzzy Sets, Uncertainty and Information Prentice Hall International, Inc Kosko, B D (1994) Virtual World as Fuzzy Cognitive Maps Presence Vol3 No2 pp73-89 Kusumadewi, S P (2010) Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Edisi-2 Yogyakarta: Graha Ilmu Lee, K (2005) First Course on Fuzzy Theory and Applications JKacprzyk, Penyunt TaejonRepublic of South Korea Springer Najafi, A (2011) Prediction Of The Price Transmission Performance Using Fuzzy Cognitive Maps Australian Journal of Basic and Applied Sciences , 5(9): 1281-1287 Papageorgiou, E e (2008) Brain Tumor Characterization Using The Soft Computing Technique Of Fuzzy Cognitive Map Applied Soft Computing , 8:820-828 Prastowo, N J (2008) Pengaruh Distribusi dalam Pembentukan Harga Komoditas dan Implikasinya Terhadap Inflasi Working Paper RJ Kuo, C C (1998) An Intelligent Stock Trading Decision Support System Through Integration Fuzzy sets and systems Stach, W e (2005) Fuzzy Sets and System Genetic Learning of Fuzzy Cognitive Maps , 153: 371-401 Surono-HIVOS (2003) Penelitian Analisis Rantai Pemasaran Beras Organik dan Konvensional: Studi Kasus di Boyolali Jawa Tengah Tomek, W G (2000) Commodity Prices Revisited Staff Paper 2000-05 Department of Applied Economics and Management, Cornell University, New York Wei, Z e (2008) Using fuzzy cognitive time maps for modeling and evaluating Expert Systems with Applications , 35 1583–1592 Z Q Liu, R S (1999) Contextual fuzzy cognitive map for decision support in Fuzzy System , ol 7, pp 495–507, Zadeh, L (1978) Fuzzy sets as a basis for a theory of possibility Fuzzy sets and systems , 1, 3-2