Pengamatan IV dilakukan terhadap jumlah kecambah normal pada hitungan pertama yaitu pada hari ke-5.
……….……..(33)
(%) = �+ ��
�ℎ � � × 100%
��(%) = �
∑ KN I = Jumlah kecambah normal pada hari kelima setelah dikecambahkan.
Kriteria kecambah normal mengacu pada SNI 01-6233.1 (2003) 3. Potensi Tumbuh Maksimum (PTM)
PTM dihitung berdasarkan persentase jumlah benih yang tumbuh dengan kriteria minimal tumbuh radikula pada akhir pengamatan yaitu pada hari ke tujuh
………...…………(34) ∑ KN = Jumlah kecambah normal
∑ KAN = Jumlah kecambah abnormal
Kriteria kecambah normal & abnormal mengacu pada SNI 01-6233.1 (2003)
Pengukuran Kadar Air (KA)
Penetapan kadar air, dilakukan dengan metode langsung yaitu menggunakan metode oven bersuhu tinggi pada suhu 130oC selama 2 jam (ISTA 2010), dimana sebelumnya benih digrinder terlebih dahulu untuk memperkecil luas permukaan sehingga penetapan kadar air benih lebih akurat. Benih yang digunakan sebanyak ± 5 gr dengan 3 kali ulangan. Rumus menghitung kadar air :
………...…(35)
keterangan:
M1 = berat cawan (gram)
M2 = berat cawan + benih sebelum dioven (gram) M3 = berat cawan + benih setelah dioven (gram)
Pengukuran Kadar Protein Terlarut
Penentuan kadar protein terlarut (P) dilakukan dengan metode lowry. Sebanyak 5 g benih dihaluskan, kemudian ditimbang 0.1 g bahan halus dan dimasukan kedalam mikrotube. Selanjutnya ditambahkan 2 ml buffer phosphate ke dalam mikrotube kemudian disentrifuge 4500 rcf selama 10 menit. Supernatan diambil menggunakan pipet sebanyak 100 µl dan dimasukan kedalam tabung reaksi dan ditambahkan TCA 10% kemudian disentrifuge 4500 rcf selama 10
� (%) = +
�ℎ � � × 100%
= 2 3
menit. Supernatan dibuang dan kedalam residu ditambahkan 1000 µl 0.01 N NaOH. Reagent A ditambahkan sebanyak 900 µl dan dipanaskan didalam
waterbath pada suhu 50 OC selama 10 menit. Setelah didinginkan, kedalam tabung ditambahkan 100 µl reagen B dan 3 ml reagen C kemudian dipanaskan didalam waterbath pada suhu 50 OC selama 10 menit. Setelah selesai, diukur menggunakan spektrofotometer pada panjang gelomban 650 nm.
Selanjutnya dilakukan proses penambahan reagen A, B, dan C seperti diatas terhadap larutan standar Boufin serum albumin (BSA) dengan konsentrasi 30, 40, 50, 100, 200 µg/l dan larutan standar BSA diukur menggunakan spektrofotometer pada 650 nm. Kemudian dibandingkan larutan contoh terhadap larutan standar berdasarkan pada persamaan kalibrasi dengan larutan standar.
Pengukuran Kadar Asam Lemak Bebas
Asam lemak bebas (ALB) ditentukan dengan metode titrasi. Benih padi yang telah dihaluskan ditimbang sebanyak 5 g kedalam kertas thimble. Bahan dimasukkan ke dalam alat ekstraksi Soxhlet kemudian ditambahkan chloroform sebagai bahan pelarut kedalam gelas penampung yang telah diketahui bobotnya pada alat ekstraksi. Alat ekstraksi diatur agar melakukan 6 siklus dan pengeringan selama 1-2 jam. Setelah selesai, gelas penampung didinginkan dan ditimbang untuk untuk mendapatkan bobot lemak. Selanjutnya 10 ml ethanol dan 100 µl indikator PP ditambahkan kedalam ekstrak lemak dalam gelas penampung. Selanjutnya dititrasi dengan menggunakan NaOH 0.01 N sampai terbentuk warna pink. Asam lemak bebas dinyatakan sebagai persen asam lemak, dengan menggunakan rumus (SNI 01-3555-1998):
………...…………..(36)
V = volume NaOH yang diperlukan dalam penitrasian (ml) T = Normalitas NaOH
m = Bobot contoh (gram)
M = Bobot melekul asam lemak (BM Oleat : 282.47)
(%) = M x V x T
Pembangunan Model Jaringan Saraf Tiruan
Model jaringan saraf tiruan yang digunakan adalah back propagation yang terdiri dari 3 lapisan yaitu input, hidden dan output. Fungsi aktivasi yang digunakan adalah fungsi sigmoid pada lapisan hidden dan fungsi identitas pada lapisan output.
Input jaringan adalah komponen utama (PC) dari spektra reflektan (R), absorban (A) serta spektra reflektan dan absorban yang diberi praperlakuan normalisasi 0-1 (Norm), standard normal variate (SNV), turunan pertama Savitzky-Golay (dg1) dan turunan kedua Savitzky-Golay (dg2).
Sebelum dilakukan analisis komponen utama, terlebih dahulu dilakukan pembagian data untuk sampel kalibrasi dan validasi, dimana 2/3 bagian (40 sampel / 120 spektra) untuk kalibrasi dan 1/3 bagian (20 sampel / 60 spektra) untuk validasi. Sampel yang memiliki nilai referensi maksimum dan minimum berada pada data kalibrasi. Sampel yang berada pada data validasi adalah sampel yang nilai refrensinya berada pada rentang nilai refrensi data kalibrasi. Pembagian data set kalibrasi dan validasi diberlakukan untuk setiap parameter pangamatan.
Untuk memperoleh komponen utama, dilakukan analisa komponen utama terhadap data spektra menggunakan software SPSS Statistic 19. Data komponen utama kalibrasi dan validasi digabung menggunakan Ms Excel dan disimpan dalam format *.txt (struktur data Lampiran 4) selanjutnya dijadikan input dalam jaringan saraf tiruan.
Output layer terdiri dari 2 variasi yaitu single output dan multi output.
Single output terdiri dari KA, P, ALB, DB, IV dan PTM. Multi output terdiri dari 3, 6, 4, dan 2 unit output. Tiga unit output terdiri dari KA-P-ALB dan DB-IV-PTM. Enam unit output yaitu KA-P-ALB-DB-IV-PTM. Empat unit output yaitu KA-DB-IV-PTM. Dan dua unit output yaitu KA-DB. Variasi input, hidden dan
ouput layer dikombinasikan menjadi 800 skenario. Setiap skenario dilatih menggunakan MATLAB R2008b dengan kode pemrograman seperti pada Lampiran 4.
Gambar 15 Contoh struktur jaringan saraf tiruan
Proses kalibrasi dilakukan dengan melatih JST menggunakan algoritma penjalaran balik. Metode penjalaran balik dilakukan untuk mendapatkan nilai bobot yang sesuai. Pada proses pembelajaran, JST diberi nilai input komponen utama spektra benih. Kemudian, dengan menggunakan bobot acak akan dihasilkan nilai duga keluaran. Nilai tersebut dibandingkan dengan nilai refrensi yang diperoleh secara nondestruktif, kemudian JST diberi keputusan untuk melakukan penjalaran balik serta mengubah bobot jika nilai duga belum sama. Tujuan pembelajaran adalah untuk meminimumkan eror. Proses pembelajaran akan berhenti apabila nilai eror data validasi tidak mengalami penurunan lagi sebanyak 5 epoch/iterasi. Proses tersebut dilakukan untuk setiap sampel hingga proses pembelajaran selesai dan diperoleh model JST. Bagan alir proses kalibrasi dan validasi model JST dapat dilihat pada Gambar 16.
Pembangunan Model Kalibrasi NIR dengan Model PLS
Pengolahan data spektra NIR dilakukan menggunakan program NIRCal 5.2 yang terintregasi dengan NIR spektrometer. Data input dalam model PLS berupa data reflektan, absorban, dan data reflektan dan absorban yang telah diberi praperlakuan. Praperlakuan yang dilakukan adalah normalisasi 0-1, standar normal variate, turunan pertama Golay dan turunan kedua Savitzky-Golay.
Data spektra dibagi menjadi dua kelompok yaitu kelompok kalibrasi dan kelompok validasi dengan sampel yang berbeda. Jumlah data kalibrasi adalah 2/3
PCn = Input Komponen utama ke- n Hn = Lapisan hidden ke-n
B = Bias
DB = Output Daya berkecambah (%)
PC1 PC2 PCn H1 H2 Hn DB B1 B2
dari total data dan validasi 1/3 dari total data. Bagan alir proses kalibrasi dan validasi model JST dapat dilihat pada Gambar 17.
Evaluasi Model JST dan PLS
Pemilihan model JST dan PLS terbaik dilakukan dengan mengevaluasi nilai
Standard Error of Calibration (SEC), Standard Error of Performance (SEP), koefisien korelasi (r), Ratio performance deviation (RPD) (Hasbullah et al. 2002)
………..………(37) ………...………(38) ………...………..(3λ) ……….……….(40)
Keterangan:
Yi =Nilai duga model data ke-i yi = Nilai pengukuran data ke-i Nc = Jumlah data kalibrasi Np = Jumlah data validasi
Model yang baik memiliki nilai SEC, SEP, perbedaaan SEC dengan SEP yang kecil dan memiliki nilai koefisien korelasi yang tinggi. Serta memiliki nilai
RPD ≥2.5, semakin tinggi nilai RPD menunjukkan model yang dibangun semakin akurat (Hasbullah et al. 2002). = ( -� �)2 �=1 ( 1) �= �=1( -� � � )2 ( 1) � = �=1( -� �) � = �
Gambar 16 Bagan alir proses kalibrasi dan validasi model JST
2/3 Data Kalibrasi 1/3 Data Validasi
tidak Sampel Spektra : Reflektan , Absorban Parameter : KA, P, ALB, DB, IV, PTM Praperlakuan : Original, Norm, SNV, dg1, dg2 PCA Kalibrasi Model JST Spektra : Reflektan , Absorban Parameter : KA, P, ALB, DB, IV, PTM Praperlakuan : Original, Norm, SNV, dg1, dg2 PCA Model JST Nilai duga : KA, P, ALB, DB, IV, PTM Validasi SEC,SEP, SEC-SEP << RPD≥ 2.5 r>> Model JST Terpilih ya
Gambar 17 Bagan alir proses kalibrasi dan validasi model PLS
2/3 Data Kalibrasi Sampel 1/3 Data Validasi
Spektra : Reflektan , Absorban Parameter : KA, P, ALB, DB, IV, PTM Praperlakuan : Original, Norm, SNV, dg1, dg2 Kalibrasi ModelPLS Spektra : Reflektan , Absorban Parameter : KA, P, ALB, DB, IV, PTM Praperlakuan : Original, Norm, SNV, dg1, dg2 Model PLS Nilai duga : KA, P, ALB, DB, IV, PTM Validasi SEC, SEP, r, RPD
Karakteristik Gelombang NIR Benih Padi
Panjang gelombang NIR yang digunakan pada penelitian ini berada pada kisaran 1000-2500 nm dengan resolusi 1 nm. Gelombang NIR yang ditembakkan pada sampel benih sebagian akan diserap (absorban) dan sebagian lagi akan dipantulkan (reflektan).
Prinsip pengukaran spektra adalah dengan memancarkan sinar lampu halogen ke sampel, sinar tersebut diterima sebagai energi yang memicu terjadinya getaran dan regangan pada kelompok ikatan atom O-H, N-H, dan C-H. Ikatan atom tersebut merupakan komponen utama pembentuk kandungan organik. Sebagian energi yang diberikan akan diserap untuk melakukan getaran dan regangan alami dan sisanya akan dipantulkan. Energi pantulan akan diterima detektor sebagai data frekuensi getaran dalam bentuk analog, selanjutnya data analog tersebut akan ditransformasi dengan metode fourier sehingga menjadi data spektra reflektan (Gambar 18), sementara untuk memperoleh data absorban, data reflektan ditransformasi dengan log(1/Reflektan) seperti terlihat pada Gambar 19.
R
afle
kt
an
Panjang Gelombang (nm) Gambar 18 Spektra reflektan benih padi
Absor
ba
n
Panjang Gelombang (nm) Gambar 19 Spektra absorban benih padi
Spektra absorban pada Gambar 19 menunjukkan adanya beberapa puncak penyerapan gelombang yaitu pada panjang gelombang 1200, 1450, 1780, 1940, 2100, 2276, 2336 dan 2500 nm.
Tabel 5 Ikatan atom dan struktur kimia yang merupakan puncak gelombang pada spektra absorban benih padi
Panjang Gelombang Getaran ikatan Atom Struktur
1200 C-H str. Pati, CH3 *
1450 O-H str. Air, Pati *
1780 C-H str. Selulosa *
1940 O-H str. + O-H def. Air *
2100 O-H def. + C-O str. Pati *
2276 O-H str. + C-C str. Pati *
2336 C-H str. + C-H def. Selulosa *
2500 C-H str. + C-C str. Pati *
* Sumber : Osborne et. al. (1993)
Gambar 19 dan Tabel 5 menunjukkan bahwa kandungan utama benih padi terdiri dari karbohidrat (pati, selulosa) dan air. Leonard dan Martin (1963) melaporkan bahwa karbohidrat merupakan komponen terbesar dalam beras pecah kulit yaitu 84%.
Semakin tinggi nilai reflektan menunjukkan bahwa energi gelombang yang diserap benih (absorban) semakin kecil. Hal ini berarti bahwa konsentrasi bahan organik pada panjang gelombang tersebut juga kecil, demikian juga sebaliknya.
1200 1450 1780 1940 2100 2276 2336 2500
Pengaruh Pengusangan terhadap Kadar Air Benih Padi
Benih padi merupakan bahan yang bersifat higroskopis, dimana pada kondisi setimbang kadar air bahan dipengaruhi oleh kelembaban lingkungan. Peningkatan kandungan air benih akibat pengusangan dapat dilihat pada Gambar 20a. Kadar air dan lama pengusangan memiliki hubungan yang bersifat eksponensial dan memiliki hubungan yang sangat kuat dengan koefisien korelasi r sebesar 0.9981. Semakin lama benih dipaparkan pada RH tinggi, maka kandungan air benih semakin tinggi hingga mencapai kondisi jenuh. Semakin tinggi kadar air maka kecepatan dan kemampuan dalam menyerap air semakin rendah, hal ini dapat dilihat dari semakin landainya kurva pada kadar air tinggi.
Gambar 20 Pengaruh lama pengusangan pada suhu 45oC dan RH >90% terhadap (a) Kadar air, (b) Spektra Absorban-SNV pada 1450 nm
Copeland dan McDonald (1995) menyatakan bahwa kelembaban lingkungan yang tinggi akan meningkatkan kadar air benih. Peningkatan kadar air menyebabkan peningkatan aktifitas biokimia benih, seperti peningkatan aktifitas enzim hidrolitik yang meningkatkan proses respirasi dan peningkatan asam lemak bebas. Sementara itu suhu tinggi menyebabkan proses laju reaksi kimia dalam benih menjadi lebih cepat. Peningkatan kadar air juga menyebabkan peningkatan aktifitas enzim lipoksigenase yang mengoksidasi lemak dan menghasilkan radikal bebas.
Penyerapan air terhadap gelombang NIR salah satunya terjadi pada kisaran panjang gelombang 1450 nm oleh atom O-H. Gambar 20b menunjukkan semakin
lama waktu pengusangan, semakin tinggi intensitas penyerapan air, yang berarti semakin besar kandungan air dalam bahan.
Pengaruh Pengusangan terhadap Protein Terlarut
Perubahan protein terlarut akibat pengusangan sangat fluktuatif, namun memiliki kecenderungan eksponensial menurun (Gambar 21a).
Gambar 21 Pengaruh lama pengusangan pada suhu 45oC dan RH >90% terhadap (a) protein terlarut, (b) Spektra Absorban-SNV pada 1000-1015nm, (c) Spektra Absorban-SNV pada 2070-2085 nm, (d) Spektra Absorban-SNV pada 2148-2178nm
Benih dengan kadar air tinggi dapat mengalami peroksidasi lemak akibat aktifitas enzim lipoksigenase dan menghasilkan radikal bebas. Radikal bebas tersebut dapat menyebabkan denaturasi protein (Copeland dan McDonald 1995) sehingga menurunkan kandungan protein terlarut yang dapat digunakan benih saat berkecambah (Kapoor et al. 2011).
Koefisien korelasi r antara protein terlarut dengan lama waktu pengusangan sebesar 0.6026. Hal ini menunjukkan bahwa protein terlarut dengan lama waktu
a
b
pengusangan memiliki hubungan yang kuat, namun parameter lama pengusangan hanya mampu menduga 36.32% parameter protein terlarut dengan tepat, hal ini ditunjukkan dengan nilai koefisien determinasi R2 sebesar 0.3632.
Protein yang digunakan oleh Soltani (2003) untuk menduga viabilitas benih pada panjang gelombang 1722 dan 2110 nm, tidak menunjukkan adanya puncak gelombang pada absorban benih padi. Hal ini terjadi karena kandungan protein pada benih padi sangat kecil.
Menurut Kapoor et al. (2011) benih yang mengalami kemunduran buatan, kandungan protein terlarutnya mengalami penurunan. Hal ini juga dapat dilihat pada spektra absorban benih padi yang diberi praperlakuan standard normal variate (SNV). Pada rentang 1000-1015, 2070-2085, 2148-2178 nm (Workman 2001), bentuk gelombangnya hampir sama tetapi intensitas penyerapannya menurun seiring dengan lama pengusangan (Gambar 21b-d).
Pengaruh Pengusangan terhadap Asam Lemak Bebas
Perubahan asam lemak bebas akibat pengusangan sangat fluktuatif, namun memiliki kecenderungan eksponensial menaik (Gambar 22a). Copeland dan McDonald (1995) menyatakan bahwa kadar air benih yang tinggi menyebabkan peningkatan aktifitas biokimia benih seperti peningkatan aktifitas enzim hidrolitik yang meningkatkan proses respirasi dan peningkatan asam lemak bebas. Hubungan antara asam lemak bebas dengan lama waktu pengusangan sangat lemah, hal ini diindikasikan dengan kecilnya nilai koefisien korelasi r yaitu 0.5335. Lemahnya hubungan tersebut diduga karena terlalu kecilnya kandungan lemak di dalam benih padi yaitu hanya sebesar 2.2% (Leonard dan Martin 1963) sehingga data yang diperoleh sangat fluktuatif.
Lemak yang dilaporkan oleh Olesen et al. (2011) berpotensi untuk menduga viabilitas benih bayam pada 1350 nm, tidak menunjukkan adanya puncak gelombang pada spektra absorban, hal ini terjadi karena kandungan lemak pada benih padi sangat kecil berkisar 2,2% (Leonard dan Martin 1963). Gelombang yang muncul di sekitar 1350 nm memiliki bentuk yang sama namun intensitas penyerapannya semakin meningkat seiring dengan lamanya waktu pengusangan
(Gambar 22b). Gholami dan Golpayegani (2011) juga menyatakan bahwa dengan pengusangan selama 5 hari dapat meningkatkan asam lemak bebas.
Gambar 22 Pengaruh lama pengusangan pada suhu 45oC dan RH >90% terhadap (a) asam lemak bebas, (b) Spektra absorban-SNV pada 1350 nm, (c) Spektra absorban-SNV pada 1415 nm
Lemak juga dapat dideteksi pada panjang gelombang 1415 nm (Workmen 2001). Gelombang Absorban-SNV benih padi yang muncul pada panjang gelombang tersebut memiliki bentuk yang sama namun intensitas penyerapannya semakin meningkat seiring dengan lama waktu pengusangan (Gambar 22c).
Pengaruh Pengusangan Terhadap Viabilitas Benih
Pengusangan pada penelitian ini bertujuan untuk memperoleh berbagai tingkat nilai viabilitas. Pengaruh pangusangan benih padi pada suhu 45 oC dan RH > 90% selama 8 hari dengan interval 2 hari terhadap viabilitas benih dapat dilihat pada Gambar 23.
a
b
Gambar 23 menunjukkan bahwa perlakuan pengusangan dapat menyebabkan beberapa tingkat kelompok benih (lot) berdasarkan nilai daya berkecambah. Lot pertama adalah benih tanpa pengusangan dan 2 hari pengusangan, lot kedua adalah benih dengan 4 dan 6 hari pengusangan dan lot ketiga adalah benih dengan 8 hari pengusangan. Secara umum semakin lama waktu pengusangan menyebabkan penurunan viabilitas baik daya berkecambah, indeks vigor maupun potensi tumbuh maksimum. Penurunan viabilitas (daya berkecambah) pada benih padi karena perlakuan pengusangan, juga dilaporkan oleh Kapoor et al. (2011), Gholami dan Golpayegeni (2011).
Gambar 23 Pengaruh lama pengusangan pada suhu 45 oC dan RH >90% dengan daya berkecambah (DB), indeks vigor (IV) dan potensi tumbuh maksimum (PTM)
Korelasi antara lama pengusangan dengan masing-masing parameter viabilitas sangat tinggi, yang ditunjukkan dengan besarnya nilai koefisien korelasi r yaitu 0.9950 untuk daya berkecambah, 0.9473 untuk indeks vigor dan 0.9747 untuk potensi tumbuh maksimum. Hal ini menunjukkan bahwa perlakuan pengusangan pada suhu 45 oC dan RH > 90% telah mampu menurunkan tingkat viabilitas benih. Setelah pengusangan selama 8 hari terjadi penurunan rata-rata daya berkecambah dari 90.22% menjadi 40.17%.
Penurunan daya berkecambah tersebut juga disampaikan oleh Dalapati (2012) yang melakukan pengusangan (43-45oC, RH 100%) terhadap lima varietas
padi gogo (Situ patenggang, Limboto, Inpago 4,5, dan 6) selama 5 hari dan diperoleh penurunan rata-rata daya berkecambah dari 97.06% menjadi 4.93%. Cutrisni (2011) juga melakukan pengusangan (40-45oC, RH 100%) terhadap padi sawah, padi gogo, dan padi rawa selama 6 hari. Hasil penelitiannya menunjukkan adanya penurunan rata-rata daya berkecambah padi sawah dari 91% menjadi 1%, padi gogo dari 91% menjadi 4.8% dan padi rawa dari 88.4% menjadi 0%.
Model PCA –JST Propagasi Balik Deskripsi Data
Data input berupa data spektra benih padi yang telah diusangkan pada suhu 45oC dan RH>90% selama 0-8 hari dengan interval 2 hari. Data input yang digunakan adalah spektra reflektan (R), absorban (A) serta spektra reflektan dan absorban yang diberi praperlakuan normalisasi 0-1 (Norm), standard normal variate (SNV), turunan pertama Savitzky-Golay (dg1) dan turunan kedua Savitzky-Golay (dg2) yang dapat dilihat pada Lampiran 1.
Tabel 6 Karakteristik nilai parameter benih padi yang digunakan dalam kalibrasi dan validasi
Parameter Set Data N Mean Min Maks Stdev
Kadar Air (KA) Kalibrasi 120 18.3783 11.8500 22.7639 3.4421
Validasi 60 18.4161 11.9143 22.5974 3.4487
Protein Terlarut (P) Kalibrasi 120 9.1677 3.7605 16.9073 3.5915
Validasi 60 9.1366 3.8595 15.6925 3.5176 Asam Lemak Bebas (ALB) Kalibrasi 120 10.3324 4.2063 25.6325 6.4601 Validasi 60 10.3324 4.6252 24.4445 6.5397 Daya Berkecambah (DB) KalibrasiValidasi 12060 76.171875.8667 14.000016.6667 98.000096.0000 21.855322.1873 Indeks Vigor (IV) Kalibrasi 120 39.7329 0.6667 86.6667 28.1100
Validasi 60 41.5116 0.6667 85.3333 28.9517
Potensi Tumbuh Maksimum (PTM)
Kalibrasi 120 95.9327 72.6667 100.0000 6.2509 Validasi 60 95.5638 75.3333 100.0000 6.2994
Principal Component Analysis (PCA)
Data spektra benih padi memiliki sifat non linear dan memiliki ukuran matrik data yang besar yaitu 1500variabel x 180data sehingga sulit dalam pengolahannya, oleh karena itu perlu dilakukan reduksi data dengan PCA (analisis
komponen utama) dimana data akan direduksi menjadi satu set data yang linear dan lebih sedikit akan tetapi menyerap sebagian besar jumlah varian dari data awal.
Analisis komponen utama dilakukan dengan menggunakan software SPSS Statistic 19. Proses running data untuk kalibrasi dan validasi dilakukan secara terpisah. Komponen utama (PC) diekstrak sebanyak 20 komponen dimana dengan 20 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Persentase variasi kumulatif dari komponen utama dapat dilihat pada Lampiran 2. Persentase variasi kumulatif 20 komponen utama dapat dilihat pada Tabel 7.
Tabel 7 Persentase variasi kumulatif 20 komponen utama
Praperlakuan KA P ALB DB IV PTM R Kal 99.996 99.996 99.996 99.996 99.996 99.996 Val 99.997 99.997 99.997 99.997 99.997 99.998 Rnorm Kal 99.521 99.497 99.510 99.505 99.486 99.527 Val 99.599 99.635 99.619 99.625 99.658 99.592 RSNV Kal 99.916 99.910 99.910 99.910 99.916 99.912 Val 99.926 99.936 99.936 99.934 99.923 99.933 Rdg1 Kal 79.467 79.631 79.876 79.569 79.943 79.781 Val 84.700 84.753 84.331 85.016 84.383 84.636 Rdg2 Kal 61.338 61.746 61.563 61.685 61.745 61.690 Val 71.187 70.786 70.925 71.115 71.038 70.922 A Kal 99.996 99.996 99.996 99.996 99.996 99.996 Val 99.997 99.997 99.997 99.997 99.997 99.998 Anorm Kal 99.518 99.487 99.509 99.497 99.482 99.516 Val 99.581 99.637 99.612 99.626 99.649 99.600 ASNV Kal 99.889 99.888 99.890 99.883 99.889 99.886 Val 99.913 99.915 99.913 99.921 99.909 99.919 Adg1 Kal 78.793 78.851 79.134 78.880 79.121 79.232 Val 84.019 84.213 83.754 84.396 83.742 83.759 Adg2 Kal 58.822 59.041 59.109 59.051 59.228 59.145 Val 68.977 68.799 68.820 69.291 69.019 68.970
Tabel 7 menunjukkan bahwa dari 20 komponen utamayang diekstrak, spektra tanpa praperlakuan memiliki persentase variasi kumulatif tertinggi, kemudian diikuti oleh spektra yang mendapat perlakuan SNV, Normalisasi 0-1, turunan pertama dan terkecil perlakuan turunan kedua.
Persentase variasi kumulatif antara dataset kalibrasi dan validasi untuk setiap praperlakuan menunjukkan nilai yang relatif sama, kecuali pada
praperlakuan turunan pertama dan kedua dimana persentase dataset validasi lebih besar dari pada dataset kalibrasi.
Model Jaringan Saraf Tiruan
Model JST yang dikembangkan dalam penelitian ini adalah jaringan layar jamak (multi layer network) dengan 3 layer yaitu input, hidden, dan output layer
dengan fungsi aktivasi sigmoid pada hidden layer dan fungsi identitas pada output
layer. Pada hidden dan output layer ditambahkan komponen bias yang nilainya 1. Nilai bobot awal jaringan ditentukan secara acak. Jenis pelatihan yang digunakan adalah supervised feed forward backpropagation.
Input jaringan adalah komponen utama dari sepktra reflektan, absorban serta spektra reflektan dan absorban yang sebelumnya dilakukan praperlakuan berupa normalisasi 0-1, standard normal variate, turunan pertama Savitzky-Golay dan turunan kedua Savitzky-Golay.
Jumlah komponen utama yang digunakan sebagai input layer bervariasi (maksimal 20 PC) karena dengan 20 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Untuk mengoptimalisasi kinerja jaringan maka dilakukan kombinasi jumlah unit input, hidden dan jumlah unit output. Variasi unit input adalah 5, 10, 15 dan 20 PC sedangkan unit pada lapisan hidden adalah 5, 10, 15 dan 20 unit. Output layer
terdiri dari 2 variasi yaitu single output dan multi output.
Single output terdiri dari KA, P, ALB, DB, IV dan PTM. Multi output
terdiri dari 3 unit, 6 unit, 4 unit dan 2 unit output. Tiga unit output ada 2 jenis kombinasi yaitu P-ALB dan DB-IV-PTM. Enam unit output terdiri dari KA-P-ALB-DB-IV-PTM. Empat unit output terdiri dari KA-DB-IV-PTM. Dan terakhir dua unit output yaitu KA-DB. Nilai output layer adalah nilai referensi hasil pengukuran untuk setiap parameter yang dapat dilihat pada Lampiran 8.
Variasi input, hidden dan ouput layer dikombinasikan menjadi 800 skenario yang dapat dilihat pada Lampiran 3. Setiap skenario dilatih menggunakan modul jaringan saraf tiruan pada software MATLAB R2008b dengan kode program dan srtukur data input-target seperti pada Lampiran 4.
Pelatihan dengan algoritma backpropagation melatih jaringan untuk memperoleh keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan.
Pelatihan backpropagation meliputi tiga fase. Fase pertama merupaka fase maju dimana pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan fungsi aktifasi. Fase kedua adalah fase mundur dimana selisih antara keluaran jaringan dengan target yang diinginkan merupakan eror yang terjadi. Eror tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di output layer. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang terus-menerus hingga kondisi penghentian terpenuhi.
Pada penelitian ini kondisi penghentian didasarkan atas tiga kategori yaitu jumlah iterasi, minimum eror dan jumlah maksimum kegagalan iterasi dalam penurunan eror. Jumlah iterasi yang digunakan adalah 100 epoch, dengan target eror sebesar 0 dan maksimum kegagalan penurunan eror adalah 5 epoch.
Pada penelitian ini data dibagi menjadi dua bagian yang saling terpisah yaitu data pelatihan yang dipakai untuk mengenali pola (kalibrasi) dan data yang dipakai untuk pengujian (validasi). Perubahan bobot dilakukan berdasarkan data pelatihan akan tetapi eror yang terjadi dihitung berdasarkan semua data (pelatihan dan pengujian). Selama eror terus menurun pelatihan terus dilakukan namun bila eror sudah meningkat (sebanyak 5 iterasi), pelatihan dihentikan karena jaringan sudah mulai mengambil sifat yang hanya dimiliki oleh data pelatihan tetapi tidak