Analisis Spektra Kopi
Prinsip dasar pengukuran spektra kopi Sidikalang dan Lintong menggunakan Near Infrared (NIR) adalah menyinari sampel dengan lampu halogen. Sinar yang dihasilkan lampu tersebut diterima sebagai energi yang menyebabkan ikatan tunggal atom kopi bergetar menurut Rindang (2011) ikatan atom yang akan bergetar akibat gelombang elektromagnetik adalah ikatan atom O-H, C-O, C-C dan C-H. Ikatan atom tersebut akan bergetar dan melebar akibat adanya penyerapan radiasi gelombang inframerah.
Saat proses tersebut terdapat gelombang yang dipantulkan secara langsung atau disebut juga dengan pantulan langsung kemudian diserap oleh bahan lalu dipantulkan kembali atau disebut dengan pantulan semu. Energi yang saat terjadi pantulan semu tersebut akan ditangkap oleh detektor dan akan terbaca sebagai gelombang reflektan. Data gelombang tersebut adalah data frekuensi analog yang kemudian ditransformasikan ke dalam data spektra reflektan dengan metode transformasi fourier sehingga didapat kurva seperti pada Gambar 8 untuk kopi Lintong dan Gambar 9 untuk kopi Sidikalang.
2500 1750 1500 1000 Panjang Gelombang (nm)
Reflektan (nm) 0 0,1 0,2 0,3 0,4
Gambar 9. Kurva reflektan kopi Sidikalang
Kandungan air dan lemak pada kopi Sidikalang dan Lintong berhubungan dengan tingkat absorbansi terhadap gelombang NIRS yang dipancarkan.
Penyerapan gelombang menurut Burns dan Ciurczak (2008) akan bervariasi sesuai kandungan air dan lemak pada kopi. Berdasarkan pernyataan tersebut maka diperlukan data spektra absorban untuk proses pendugaan dengan spektra NIRS.
Pada Gambar 9 dan 10 kurva absorban tersebut dapat dilihat bahwa terdapat beberapa puncak dan lembah namun masih tumpang tindih sehingga diperlukan pengolahan data lanjutan yaitu berupa koreksi Multiplicative Scattering Correction.
2500 1750 1500 1000 Panjang Gelombang (nm)
Reflektan (nm) 0 0,1 0,2 0,3 0,4 Absorban (nm) 0 0,5 1,0 1,5 2,0
2500 1750 1500 1000 Panjang Gelombang (nm)
Gambar 10. Kurva absorban kopi Lintong
Metode Destruktif
Hasil analisa laboratorium untuk kadar air kopi green beans Arabika Lintong didapat hasil sebesar 10,26%-11,26% dan kadar lemak sebesar 14,80-17,85%, sedangkan untuk kopi Sidikalang kadar airnya diketahui sebesar 9,87%-11,57% dan kandungan lemak sebesar 12,2%-19,5%. Untuk hasil uji destruktif secara lengkap dapat dilihat pada Lampiran 4. Analisis kandungan kimia secara destruktif di laboratorium pada masing-masing biji kopi green beans bertujuan untuk mendapatkan data yang akan dijadikan sebagai target dari pelatihan JST karena jaringan yang akan dibangun menggunakan jenis pelatihan terawasi (supervised learning), sehingga sangat penting untuk mengetahui target pelatihan agar dapat diawasi tingkat kesalahan jaringan.
Koreksi MSC (Multiplicative Scattering Correction)
Spektra yang didapat dari hasil penembakan NIRS adalah sebanyak 1051 data. Saat akuisisi spektra kopi Sidikalang dan Lintong data absorban yang didapat masih memiliki nilai kesalahan atau noises. Faktor penyebab noises tersebut menurut Zulfahrizal dkk. (2014) adalah zat adiktif atau kandungan kimia pada kopi, ukuran biji kopi, jarak penyinaran, dan ruang udara antar biji kopi
Absorban (nm) 0 0,5 1,0 1,5 2,0
2500 1750 1500 1000 Panjang Gelombang (nm)
Gambar 10. Kurva absorban kopi Sidikalang
akibat adanya ruang kosong antar sampel yang menyebabkan sinar yang ditembakan memasuki ruang kosong antar tumpukan biji kopi tersebut dan alat akan tetap membacanya sebagai nilai gelombang reflektan.
Untuk mengurangi noises tersebut maka digunakan metode koreksi Multiplicative Scattering Correction (MSC) seperti yang dilakukan Aditama (2019) untuk mengurangi kesalahan pada data spektra nir kopi java arabika.
Koreksi MSC tersebut dapat mengurangi amplifikasi (multiplicative scattering) dan offset pada
Air
Air
Air Lemak
Air Absorban (nm) 0 0,5 1,0 1,5
2.500 1.933,49 1.700 1.458,58 1.209,48 1000 Panjang Gelombang (nm)
Gambar 12. Kurva absorban kopi Lintong koreksi MSC Air
Air
Air Lemak
gelombang 1.000-1.800 nm. Hasil dari koreksi MSC pada penelitian ini dapat dilihat pada Gambar 12 untuk kopi Lintong dan Gambar 13 untuk kopi
Absorban (nm) 0 0,5 1,0 1,5
2.500 1.939,49 1.760 1.459,43 1.208,31 1.000 Panjang Gelombang (nm)
Gambar 13. Kurva absorban kopi Sidikalang koreksi MSC
Metode MSC juga membuat kurva absorban kopi Lintong dan Sidikalang menjadi terlihat jelas tiap puncak dan lembahnya, sehingga proses identifikasi kadar air dan lemak menjadi lebih mudah. Berdasarkan kurva spektra absorban NIRS tersebut dapat dilihat bahwa kadar air kopi Lintong terdapat pada panjang gelombang 1933,49 nm, 1458,58 nm dan 1209,48 nm, untuk kopi Sidikalang terletak pada panjang gelombang 1939,49, 1459,43 dan 1208,31 nm. Sedangkan untuk kandungan lemak kopi Lintong terdapat pada panjang gelombang 1761.08 nm dan 1728,91 nm, untuk kopi Sidikalang pada rentang panjang gelombang 1760,56 nm dan 1731,3 nm. Hasil analisa tersebut berdasarkan kurva informasi vibrasi molekul gugus hidroksil senyawa organik pada spektra absorban NIRS produk pertanian. Burns dan Ciurczak (2008) menyebutkan bahwa untuk kadar air dapat dilihat berdasarkan penyerapan energi ikatan atom O-H yaitu pada panjang gelombang 1.200-1.500 nm dan 1.900-2.000 nm sedangkan kandungan lemak dapat dilihat serapan energi ikatan atom C-H yaitu pada rentang panjang gelombang 1.700-1.800 nm.
Segmentasi Data
Data spektra yang telah dikoreksi tersebut masih terlalu banyak jumlahnya sehingga tidak dapat digunakan sebagai input JST. Data tersebut harus melalui tahap persiapan data selanjutnya yaitu proses pereduksian data menjadi lebih sedikit. Data direduksi dengan metode segmentasi yang mana pada tahap ini nilai spektra akan diambil nilai rata-ratanya pada masing-masing panjang gelombang untuk tiap titik tertentu. Rindang (2011) menggunakan segmentasi 6, 8 dan 10 untuk mereduksi data spektra yang akan digunakan dalam input JST sehingga dalam penelitian ini digunakan segmen 10. Data spektra diambil nilai rata-ratanya
setiap 10 rentang panjang gelombang. Tahapan ini sangat penting untuk mempersingkat masa pelatihan JST karena data sebanyak itu akan menyulitkan JST untuk mencapai tingkat konvergensinya.
Analisis Komponen Utama
Data spektra absorban yang telah disegmentasi masih cukup banyak jika dijadikan input pada jaringan yang akan dibangun. Input yang terlalu banyak akan menyebabkan jaringan sulit dilatih dan sulit mencapai nilai terbaiknya. Persiapan data yang harus dilakukan selanjutnya adalah mereduksi data yang interkolerasi dengan cara membangkitkan variabel baru menggunakan Principal Component Analisys (PCA). Variabel baru yang dihasilkan disebut dengan komponen utama atau Principal Component (PC). PC menjadikan input JST menjadi lebih sedikit namun dapat mewakili informasi dari spektra secara keseluruhan.
Data spektra absorban yang telah disegmentasi menjadi 150 data kemudian diambil cirinya sebanyak 20 PC. Pengambilan ciri dilakukan terpisah antara kopi Sidikalang dan Kopi Lintong. Hasil perhitungan PCA tersebut bahwa pada kopi Lintong persentase variasi kumulatif yang diwakili untuk data segmentasi 10 adalah sebesar 60% untuk PC 1 dan nilai variasi yang diwakili bertambah terus hingga mencapai nilai stagnan pada PC 14 yaitu sebesar 99,9%
kurva kenaikan nilai persen kumulatifnya dapat dilihat pada Gambar 14.
Sedangkan untuk kopi Sidikalang pada PC 1 sudah mewakili 67,4% variasi data dan nilai maksimumnya pada PC 15 yaitu pada persentase variasi 99.8% kurva kenaikan nilai persen kumulatif untuk kopi sidikalang dapat dilihat pada Gambar 15. Proporsi data ini akan semakin besar nilainya dan akan bernilai nol setelah variasi kumulatifnya mencapai 100% dan pada penelitian ini dicapai pada PC 20.
Nilai PC dianggap sebagai variabel baru tanpa menghilangkan informasi pada variabel awal yang sangat banyak tersebut jika persentase variasi nya berada antara 80-90%. Dalam penelitian ini digunakan PC 1 sampai dengan PC 15 sebagai nilai pembobot input untuk kalibrasi dan validasi JST yang akan dibangun karena sudah memawikili 99,9 variasi data untuk kopi Lintong dan 99,8 variasi data untuk kopi Sidikalang. Hasil dari analisis PC hanya merupakan bobot dari masing-masing PC yang tidak dapat digunakan secara langsung untuk input JST.
Tahapan selanjutnya yang harus dilakukan adalah mengalikan matriks antara nilai PC 15 dengan nilai spektra absorban NIRS hasil segmentasi. Hasil perkalian matriks tersebut adalah data nilai PC yang sudah dapat digunakan sebagai input JST (Lampiran 5 dan 6)
Gambar 14. Persen kumulatif PC kopi Lintong
30
Gambar 15. Persen kumulatih PC kopi Sidikalang
Perancangan Jaringan
Model jaringan yang digunakan dalam penelitian ini adalah multiple layer network backpropagation yang mana pada jaringan ini selain ada unit masukan dan keluaran ada unit lain yaitu lapisan tersembunyi (hidden layer). Pada lapisan input terdiri atas 15 node yang merupakan komponen utama yang telah dikalikan matriks dengan nilai spektra absorban, 1 hidden layer yang node nya divariasikan mulai dari 3, 5, 7, 9, 12, 15 dengan variasi iterasi mulai dari 1.000 sampai 15.000 serta memiliki 1 keluaran hasil pembelajaran berupa kadar air ataupun lemak.
Pada penelitian ini setiap perubahan jumlah hidden layer akan dilatih pada jumlah iterasi yang sama.
Jaringan arsitektur tersebut dibangun secara terpisah untuk kopi Lintong dan Sidikalang begitu pula untuk outputnya. Arsitektur JST kemudian dilatih dengan inisiasi random, fungsi pelatihan Levenberg-Marquart (TrainLm), fungsi adaptasi penurunan gradient (Learngdm) dan fungsi pembelajaran bipolar Tansig-Tansig. Pelatihan jaringan dilakukan agar jaringan yang terbentuk nantinya dapat mengidentifikasi kandungan air dan lemak pada kopi Lintong dan kopi Sidikalang jika diberi input serupa (tidak persis sama). Setelah proses pelatihan jaringan selesai dilakukan simulasi terhadap hasil pelatihan dengan memberikan input berupa set data validasi. Simulasi jaringan yang telah dilatih diharapkan dapat mengenali dan mengidentifikasi kadar air dan lemak untuk kopi Lintong dan kopi Sidikalang.
Hasil Kalibrasi dan Validasi
Suatu jaringan pada JST dikatakan baik menurut Rindang (2011) jika jaringan tersebut dapat mengenali nilai masukan yang serupa (tidak harus sama)
dan menghasilkan hasil pendugaan yang masuk akal. Pada penelitian ini proses kalibrasi adalah langkah pelatihan jaringan dan validasi adalah langkah pengujian.
Pemilihan arsitektur jaringan terbaik diawali dengan melihat nilai R2 yang menunjukan pengaruh hasil kalibrasi dengan nilai target yang disandingkan, yang mana nilainya harus mendekati 1. Kemudian setelah itu dilihat selisih nilai rc dan rv yang mana nilai rv tidak boleh lebih besar atau lebih kecil dari nilai rc karena nilai rv menunjukan stabilitas jaringan dalam memberikan hasil pembelajaran jika dimasukan set data pelatihan. Langkah selanjutnya dalah melihat selisih nilai yang paling mendekati 0 antara RMSEC dan RMSEP dan %cv yang harus dibawah 5%
atau setidaknya mendekati 5%. Hasil dari pelatihan dan pengujian JST untuk menduga kadar air kopi Lintong terdapat pada Tabel 3.
Tabel 3. Hasil kalibrasi dan validasi JST prediksi kadar air kopi Lintong
Arsitektur Iterasi
Berdasarkan hasil pada Tabel 3 penambahan jumlah iterasi yang sama pada hidden layer yang berbeda terlihat dapat meningkatan nilai R2, rc, rv dan menurunkan nila error serta persen cv. Hasil pembelajaran pada semua iterasi menunjukan jaringan dengan jumlah 7 node hidden layer merupakan jaringan dengan jumlah node hidden layer terbaik karena pada jaringan ini nilai R2 dan rc dapat meningkat. Meskipun penambahan jumlah node hidden layer dan iterasi mampu meningkatkan kemampuan jaringan dalam mempelajari pola data input tetapi dalam proses validasi jaringan belum begitu baik dalam mengenali set data pengujian hal tersebut terlihat dengan masih rendahnya nilai rv.
Tabel 4. Hasil kalibrasi dan validasi JST prediksi kadar air kopi Sidikalang
Arsitektur Iterasi
Hasil kalibrasi dan validasi JST untuk prediksi kadar air kopi Sidikalang dapat dilihat pada Tabel 4. JST yang dibangun memiliki variasi jumlah node hidden layer dan iterasi nya. Penambahan jumlah iterasi yang sama pada tiap node hidden layer yang berbeda terlihat mempengaruhi nilai R2 , rc, rv , % cv dan error dengan nilai R2 , rc terbaik pada arsitektur jaringan 7-1 iterasi 1.000, 15-9-1 iterasi 5.000, 15-3-1 iterasi 10.000 dan 15-7-1 iterasi 15.000. Pada JST untuk prediksi kadar air kopi Sidikalang ini jaringan sulit sekali untuk mengenali pola data input terlihat dari rendahnya nilai R2 dan rc sehingga hasil keluaran pun tidak terlalu baik. Penambahan node pada hidden layer terlihat juga tidak mampu menurunkan nilai % cv hingga <5 %.
Tabel 5. Hasil kalibrasi dan validasi JST prediksi kandungan lemak kopi Lintong
Arsitektur Iterasi
Pada Tabel 5 dapat dilihat hasil kalibrasi dan validasi kandungan lemak kopi Lintong menggunakan JST. Penambahan jumlah node hidden layer dan iterasi untuk pelatihan model dapat meningkatkan nilai R2, rc dan rv. Peningkatan R2 dan rc tampak jelas pada arsitektur 15-12-1 iterasi 1.000, 15-9-1 iterasi 5.000, 15-7-1 iterasi 10.000 dan 15-5-1 iterasi 15.000. Pada JST untuk prediksi kadar lemak kopi Lintong ini jaringan dilihat mampu mengenali pola cukup baik namun tidak saat jaringan akan di validasi. Jaringan tidak mampu mengenali pola masukan pengujian sehingga nilai rv menjadi rendah bahkan pada beberapa jaringan nilai RMSEP lebih dari 1.
Tabel 6. Hasil kalibrasi dan validasi JST prediksi kandungan lemak kopi
Pembangunan model prediksi kandungan lemak untuk kopi Sidikalang ditampilkan pada Tabel 6. Penambahan jumlah node hidden layer dan iterasi saat pelatihan dapat meningkatan nilai R2 , rc dan rv. Peningkatan R2 dan rc terjadi pada arsitektur 15-12-1 iterasi 1.000, 12-7-1 iterasi 5.000, 15-9-1 iterasi 10.000 dan 15-12-1 iterasi 15.000. Pada JST prediksi lemak kopi Sidikalang ini juga terdapat banyak jaringan yang tidak begitu baik dalam pengenalan pola data pengujian hal tersebut dapat dilihat dengan rendahnya nilai rv jaringan.
Evaluasi Model
Keempat model JST yang telah dikembangkan kemudian dievaluasi berdasarkan komponen-komponen performa model yaitu R2, r kalibrai, r validasi, nilai persentasi cv dan selisih RMSEC dengan RMSEP. Hasil evaluasi menunjukan bahwa arsitektur terbaik untuk prediksi kadar air kopi Lintong adalah arsitektur dengan node input 15, node hidden layer 7 dan output 1 dengan iterasi 5.000. Arsitektur ini memiliki nilai R2 mendekati 1 yaitu 0,8427, nilai persentasi cv kurang dari 5% yaitu sebesar 1,50 % serta memiliki selisih RMSEC dan RMSEP mendekati 0 yaitu 0,0583.
Hubungan antara prediksi kadar air kopi Lintong menggunakan JST dengan arsitektur 15-7-1 dan hasil pengukuran laboratorium dapat dilihat pada Gambar 16. Model pendugaan kadar air kopi Sidikalang terbaik terdapat pada arsitektur dengan node input 15, node hidden layer 7 dan iterasi 1.000 karena pada jaringan ini memiliki nilai R2 sebesar 0,6397, nilai persentasi cv 4,44 % dan selisih RMSEC dengan RMSEP yang kecil yaitu 0,0557. Pada Gambar 17 dapat dilihat hubungan antara prediksi kadar air kopi Sidikalang menggunakan JST dengan arsitektur 15-7-1 dan hasil pengukuran laboratorium.
Berdasarkan hasil penelitian model prediksi kandungan lemak terbaik untuk kopi Lintong adalah JST dengan node input 15, node hidden layer 12 dan iterasi 1.000. Pada arsitektur ini jaringan memiliki nilai R2 sebesar 0,7687, nilai rc 0,8767 dan rv 0,6636, nilai persentasi cv sebesar 5,33% serta selisih nilai RMSEC dan RMSEP sebesar 0,3081 untuk plot hubungan antara kandungan lemak referensi dan prediksi kopi Lintong dapat dilihat pada Gambar 18.
Sedangkan untuk prediksi kandungan lemak pada kopi Sidikalang didapat model JST terbaik dengan node input 15, node hidden layer 12 dan iterasi 15.000. Pada arsitektur jaringan ini diperoleh nilai R2 sebesar 0,7047, rc sebesar 0,8395, rv sebesar 0,6950, nilai persentasi cv sebesar 4,64 serta selisih antara RMSEC dan RMSEP sebesar 0,1944. Untuk hubungan antara kandungan lemak referensi dan prediksi pada kopi sidikalang dapat dilihat pada Gambar 19.
y = 0,8073x + 2,0511
Gambar 17. Plot kalibrasi dan validasi JST kadar air kopi Gambar 16. Plot kalibrasi dan validasi JST kadar air kopi Lintong
Gambar 18. Plot kalibrasi dan validasi JST kandungan lemak kopi Lintong
Gambar 19. Plot kalibrasi dan validasi JST kandungan lemak kopi Sidikalang Dari penelitian ini terdapat temuan beberapa jaringan yang mengalami overfitting dan underfitting. Peristiwa overfitting ini menurut Badieah dkk. (2016) ditandai dengan lebih besarnya nilai MSE saat validasi dari pada nilai MSE saat proses training. Kondisi ini menandakan jaringan terlalu menghafal pola data pada dataset training dan tidak bisa mengeneralisasi data pengujian. Menurut Khasei dan Bijari (2010) jaringan dengan struktur yang sederhana akan menghasilkan output yang baik pada saat validasi jika menggunakan jumlah hidden neuron yang tidak terlalu banyak dan overfitting.
Terjadinya keadaan overfitting dan underfitting pada penelitian ini bukan hanya disebabkan karena penambahan node pada hidden layer yang menyebabkan keadaan overfitting, namun mungkin saja disebabkan oleh faktor lainnya seperti pemilihan parameter JST itu sendiri. Learning rate dan momentum menurut
y = 0,6789x + 5,489
Badieah dkk. (2016) juga berperan aktif dalam membantu JST untuk menggeneralisasi pola data. Penggunaan nilai learning rate yang terlalu kecil akan membuat jaringan akan lama untuk mencapai global minimum. Sebaliknya penggunaan nilai learning rate yang besar akan menyebabkan jaringan akan overshoot melewati global minimum dan nilai error-nya akan meningkat lagi.
Namun seperti halnya hidden neuron, pada metode JST tidak ada yang bisa memastikan berapa nilai learning rate dan momentum yang seharusnya digunakan untuk proses pelatihan JST. Sehingga proses trial dan error harus terus dilakukan hingga jaringan mencapai nilai MSE yang lebih mendekati 0 (nol).
.