Bahan penelitian yang digunakan adalah sampel tepung ikan yang diperoleh dari produsen tepung ikan, pedagang (poultry shop) dan pabrik pakan ternak. Pengambilan sampel pada produsen tepung ikan meliputi pengolah tradisional dan modern di Tuban, Muncar Banyuwangi dan Jembaran Bali. Sampel juga diperoleh dari pedagang makanan ternak di Bogor. Pengambilan sampel pada pabrik pakan ternak dilakukan di Serang Banten. Jumlah sampel yang dikumpulkan sebanyak 50 macam tepung ikan, namun yang dapat digunakan dalam pengolahan data hanya 45 sampel yang dipakai untuk kalibrasi sebanyak 35 sampel dan validasi sebanyak 10 sampel.
Peralatan yang digunakan untuk mengukur radiasi near infrared reflectance (NIR) terdiri dari dua unit utama yakni unit optik dan unit elektronik (Budiastra et al., 1998) seperti yang disajikan pada Gambar 7. Unit optik terdiri dari lampu halogen 150 watt (AT-100HG), chopper (AT-100CH), dua macam
interference filter yakni untuk panjang gelombang 900 - 1400 nm dan 1400 – 2000 nm, monochromator (SPG-100IR), integrating sphere berdiameter 60 mm (ISR-260) dan PbS sensor. Unit elektronik terdiri dari lock in-amplifier, 12 bit
A/D converter, D/O board, pulse motor controller dan komputer. Komputer dijalankan dengan perangkat lunak bahasa C yang terdiri dari tiga program yaitu untuk mengontrol kecepatan dan revolusi stepping motor yang tertempel pada monochromator, mengkonversi data analog ke data digital dan menampilkan data hasil pengukuran dalam bentuk angka dan grafik.
Metode Penelitian
Penelitian meliputi kegiatan kalibrasi dan validasi (Gambar 8). Kalibrasi mempelajari hubungan antara absorbsi near infrared dengan kandungan nutrien tepung ikan. Kegiatan kalibrasi meliputi scanning NIR, pre-treatment data,
treatment data dan pelatihan JST. Ada dua metode treatment data yang diuji pada penelitian ini yakni stepwise multiple linear regression (SMLR) dan principal components analysis (PCA). Keluaran SMLR atau PCA dijadikan masukan JST.
Keluaran dari pelatihan JST adalah nilai pembobot yang digunakan sebagai masukan untuk melakukan pendugaan kandungan nutrien pada saat validasi.
Gambar 7 Skema peralatan sistem NIR (Budiastra et al., 1998)
Validasi berguna untuk menguji kemampuan JST dalam memprediksi kandungan nutrien tepung ikan. Sampel yang digunakan untuk validasi juga melalui proses scanning, pre-treatment dan treatment data. Keluaran SMLR atau PCA bersama dengan nilai pembobot digunakan untuk pendugaan kandungan nutrien tepung ikan. Hasil prediksi dibandingkan dengan hasil analisis kimia untuk mendapatkan standard error of prediction (SEP).
Scanning NIR
Sebelum melakukan pengukuran, terlebih dahulu alat dinyalakan dan dibiarkan selama 30 menit. Pada alat diatur celah masuk pada monochromator sebesar 500 µm. Intensitas cahaya di set 15 Volt, penguatan 200 dan selanjutnya tombol Pbs diaktifkan. Tepung ikan yang telah diayak (lolos saringan 0.50 mm) diletakkan dalam sample holder. Scanning dilakukan menggunakan panjang gelombang 900 sampai 2000 nm. Pembacaan dilakukan setiap 5 nm, dengan demikian setiap sampel mempunyai 220 data NIR.
Gambar 8. Bagan kerangka penelitian.
Analisis kimia sampel sebagai nilai acuan
Sebagai nilai acuan dalam pelatihan dan validasi JST, kandungan nutrien tepung ikan ditentukan dengan metode analisis kimia standar menurut AOAC (1999). Penentuan kadar air dilakukan dengan menggunakan oven menurut prosedur AOAC 934.01. Penentuan kadar protein dilakukan dengan metode
Kjeldhal menurut prosedur AOAC 954.01. Penentuan lemak kasar dilakukan dengan ekstraksi menggunakan soxhlet menurut prosedur AOAC 954.02. Asam amino lisin dan methionin dilakukan dengan hidrolisis asam menurut prosedur AOAC 994.12.
Model Jaringan Syaraf Tiruan
Pre-treatment Data. Keluaran dari NIR spectroscopy adalah nilai reflektan (R). Nilai tersebut dikonversi menjadi nilai absorbsi dengan log (1/R). Adanya noise
Treatment data
KALIBRASI VALIDASI
Sampel Kalibrasi Sampel Validasi
Analisis kimia
Scanning NIR Scanning NIR Analisis Kimia
pre-treatment data pre-treatment data
Stepwise multiple linear regression (SMLR) Principal components analysis (PCA) Pelatihan JST Nilai pembobot Pendugaan kandungan nutrien Standard error of prediction (SEP) Kandungan nutrien aktual
menyebabkan kurva absorbsi memerlukan pemulusan yang dilakukan dengan metode running mean (Williams dan Norris, 1990) dengan lima titik yang dirata- ratakan. Data yang terlalu ekstrim yakni diluar kisaran antara tiga kali standar deviasi (SD) di bawah dan di atas rata-rata dieliminasi. Pada penentuan lisin dan metionin data yang digunakan adalah turunan ke tiga dari absorbsi near infrared. Turunan tersebut ditentukan dengan rumus berikut :
3 1 1 3 3 + 3 − − + − + − = n n n n n S xS xS S
S&&& ... 14
dimana S&n&& adalah nilai turunan ke tiga pada titik n.
Treatment Data. Treatment data bertujuan untuk menyiapkan data, sehingga dapat diproses oleh model JST. Treatment data ini meliputi pengurangan variabel data masukan dan normalisasi data. Pengurangan jumlah variabel bertujuan untuk menghindari overfitting dan normalisasi bertujuan menyelaraskan masukan dan keluaran data sesuai dengan kisaran data yang ada.
Keluaran spectroscopy berjumlah 220 titik nilai untuk setiap sampel, dengan demikian untuk menghindari terjadinya overfitting pada saat kalibrasi maka dilakukan reduksi data. Ada dua metode reduksi data yang diuji pada penelitian ini yakni stepwise multiple linear regression (SMLR) dan principal components analysis (PCA).
Analisis SMLR dilakukan dengan menyeleksi panjang gelombang near infrared yang berkorelasi dengan kandungan nutrien yang dievaluasi. Prosedur analisis tersebut adalah menambahkan variabel independent ke dalam persamaan regresi untuk setiap langkah selama memenuhi kriteria F yang ditetapkan yakni F
enter dan F remove. F dihitung dengan Formula :
) 1 /( ) 1 ( / 2 2 − − − = k n r k r F ... 15
dimana r2 adalah koefisien determinasi, k adalah jumlah variabel yang digunakan pada langkah tersebut dan n adalah jumlah sampel. Pada penelitian ini digunakan perangkat lunak SPSS 11.0 for windows. Kriteria F yang digunakan sesuai dengan
default program SPSS 11.0 for windows yakni F enter sebesar 3.84 dan F remove
sebesar 2.71. Masukan data sebagai variabel independent adalah absorbsi near infrared pada semua panjang gelombang serta kandungan nutrien sampel sebagai
variabel dependent. Keluaran adalah persamaan regresi dari kombinasi panjang gelombang yang berkorelasi dengan kandungan nutrien bahan yang akan dievaluasi.
PCA dilakukan dengan mengekstraksi variasi suatu set data multivariate
menjadi sebuah set data baru tanpa menghilangkan informasi (Everitt dan Dunn, 1991). Set data baru tersebut dikenal dengan principal components (PC) atau komponen utama. Proses transformasi dari set data menjadi komponen utama dilakukan melalui maksimisasi variance melalui diagonalisasi matrik kovarian dari data masukan. Data masukan dari vektor yang mempunyai dimensi n dijadikan dimensi m (dimana m < n) dengan variasi data sebesar mungkin. Pada penelitian ini PCA dilakukan menggunakan perangkat lunak SPSS 11 for windows. Masukan data adalah absorbsi near infrared, sedangkan keluarannya adalah komponen-komponen utama. Matrik keluaran PCA selanjutnya dikalikan dengan data absorbsi near infrared menggunakan perangkat lunak Microsoft Excell. Hasil perkalian matrik inilah yang digunakan sebagai masukan dalam kalibrasi dan validasi menggunakan JST.
Setiap data sebelum diproses di dalam model JST terlebih dahulu dinormalisasi. Model yang digunakan untuk normalisasi tersebut adalah sebagai berikut: min max min x x x x xb i i − − = ... 16 dimana xbi adalah nilai input yang baru, xi adalah nilai input awal, xmin adalah nilai input minimum dan xmax adalah nilai inputmaksimum.
Pelatihan JST. JST terdiri dari tiga lapisan yakni lapisan input, lapisan output
dan lapisan tersembunyi (Gambar 9). Lapisan input berguna untuk menerima masukan yang berupa data absorbsi near infrared yang terpilih menggunakan SMLRatau nilai komponen utama yang diperoleh dari hasil PCA. Lapisan output
terdiri dari kandungan nutrien yang dievaluasi yakni air, protein, lemak, lisin atau metionin. Lapisan tersembunyi mempunyai beberapa noda (simpul). Pada penelitian ini dilakukan pengujian JST dengan tiga, lima, tujuh dan sembilan simpul.
Gambar 9. Struktur JST untuk pendugaan kandungan nutrien tepung ikan.
Pada setiap JST dilakukan pelatihan dengan algoritma backpropagation. Algoritma dimulai dengan menentukan pembobot awal dengan cara membangkitkan bilangan random untuk setiap hubungan antar simpul baik antara simpul yang ada pada lapisan input dan lapisan tersembunyi, maupun antara lapisan tersembunyi dan lapisan output. Data masukan yang telah dinormalisasi dikalikan dengan pembobot awal pada setiap simpul pada lapisan tersembunyi. Hasil perkalian tersebut dijumlahkan dan hasil penjumlahan tersebut diaktivasi dengan fungsi sigmoid pada setiap simpul. Nilai hasil aktivasi tersebut menjadi masukan pada lapisan selanjutnya dan dikalikan dengan nilai pembobot awal pada lapisan tersebut. Hasil perkalian tersebut juga diaktivasi sehingga diperoleh nilai
output. Nilai output hasil perhitungan tersebut selanjutnya dibandingkan dengan kandungan nutrien aktual. Perbedaan nilai output hasil perhitungan dengan nilai aktual tersebut digunakan sebagai dasar untuk memperbarui nilai pembobot pada perambatan balik. Kegiatan ini diulang terus menerus sampai tercapai jumlah iterasi yang telah ditentukan. Pada penelitian ini dipelajari berbagai jumlah iterasi untuk memperoleh nilai pembobot yang optimal, sehingga dapat menduga kandungan nutrien dengan error yang paling rendah.
Kinerja hasil kalibrasi diukur dengan standard error of calibration (SEC). SEC dihitung dengan formula berikut (Osborne et al, 1993) :
W1m W13 W12 W11 V3n V1n vmn Vm3 V13 Vm2 V32 V22 V12 Vm1 V31 V21 V11 H1 H2 H3 . . . Hm kand. nutrien : air/lemak/ protein/lisin/ metionin
Lapisan input Lapisan tersembunyi Lapisan output
pembobot
Absorbsi NIR / Komponen Utama
1 ) ˆ ( 2 − − =
∑
k n y y SEC ... 17dimana y adalah kandungan nutrien aktual, yˆ kandungan nutrien hasil perhitungan dan nk jumlah sampel yang digunakan untuk kalibrasi.
Validasi. Validasi dilakukan dengan pendugaan menggunakan pembobot yang diperoleh pada saat pelatihan JST terhadap 10 sampel baru yang tidak digunakan pada saat pelatihan. Validasi bertujuan untuk menguji kemampuan JST untuk memprediksi kandungan nutrien berdasarkan absorbsi near infrared yang dipilih melalui analisis SMLR atau ekstraksi melalui PCA. Parameter keberhasilan dilihat dari standard error of prediction (SEP), coefficient of variation (CV) dan rasio antara standar deviasi (SD) dan SEP. SEP dihitung dengan formula (Osborne et al, 1993) berikut: 1 ) ˆ ( 2 − − =
∑
v i i n y y SEP ... 18dimana y nilai acuan, ŷ adalah nilai prediksi dan nv adalah jumlah sampel yang digunakan untuk validasi. CV dihitung dengan formula (Chan et al, 2002; Xiccato et al , 1999) berikut : % 100 × = y SEP CV ... 19
dimana ỹ adalah rata-rata kandungan nutrien aktual. SEP dan CV terkecil menunjukkan hasil yang paling baik. Rasio SD/SEP bertujuan untuk mengetahui sejauh mana variasi kandungan nutrien yang benar-benar disebabkan perbedaan kandungan intrinsik sampel dibandingkan dengan yang disebabkan error pada saat pendugaan (Fontaine et al, 2001; Park et al , 1999).