DESAIN SENSOR DIELEKTRIK
3 MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA BISKUIT
Abstrak
Tujuan bagian ini adalah untuk memprediksi masa kadaluarsa biskuit menggunakan JST. Identifikasi kondisi kadaluarsa ditentukan dengan sifat dielektrik diantaranya kapasitansi. Variabel input yang digunakan adalah jenis kemasan, jenis biskuit, frekuensi, kapasitansi, dan konstanta dielektrik. Variabel outputnya adalah masa kadaluarsa. Algoritma pembelajaran yang digunakan adalah Backpropagation dengan trial and error variasi jumlah node per hidden layer, jumlah hidden layer, fungsi aktivasi, dan fungsi pembelajaran. Hasil prediksi menunjukkan bahwa JST hasil pelatihan yang dikombinasikan dengan parameter kapasitansi mampu memprediksi masa kadaluarsa biskuit dengan MSE terendah (9,8648 x 10-5) dan R tertinggi (99,80%).
Pendahuluan
Tahapan selanjutnya dari desain sistem real time cerdas ini adalah mendesain model JST yang mampu memprediksi masa kadaluarsa biskuit. JST adalah model matematika yang struktur dan fungsinya terinspirasi oleh organisasi dan fungsi otak manusia (Bila et al. 1999). Selama beberapa dekade terakhir Jaringan Syaraf Tiruan (JST) telah banyak digunakan secara luas, seperti dalam pengendali kecepatan motor DC (Wiryadinata dan Ratnawati 2005), peramalan permintaan komoditas karet (Santoso et al. 2007), identifikasi kawanan ikan lemuru (Muhiddin 2007), pemodelan dan prediksi curah hujan (Subarna 2009), identifikasi dan kontrol sistem pada proses sebuah mesin (de Canete et al. 2008), dan prediksi pemasukan air dalam sistem suplai air (Rojek 2008). Terkait dengan bidang pangan, beberapa peneliti telah berusaha menerapkan JST untuk prediksi sifat serta perubahan selama pengolahan dan penyimpanan makanan. Herv‟s et al. (2001) memprediksi pertumbuhan tiga strain Salmonella pada tingkat pH, konsentrasi natrium klorida dan suhu penyimpanan makanan. Arsitektur JST dirancang pada tiga parameter input tersebut dan satu parameter output (pertumbuhan Salmonella). Standar Error Prediksi (% SEP) yang diperoleh adalah di bawah 5% dan secara signifikan kurang dari yang diperoleh dengan persamaan regresi. Aplikasi JST untuk prediksi umur simpan bubuk cabe hijau
(GCP) dilaporkan oleh Meshram (2008). GCP disimpan pada kombinasi suhu dan RH serta dua jenis kemasan Laminated Alumunium Foil (LAM) dan
Polipropilena (PP). Penerapan JST untuk prediksi umur simpan sebagai fungsi T dan %RH memberikan nilai R2 > 0,99 untuk kedua kemasan.
Di bidang penentuan masa kadaluarsa, aplikasi JST telah berhasil diterapkan untuk memprediksi masa kadaluarsa beberapa produk pangan diantaranya snack dari beras (Siripatrawan dan Jantawat 2008). Metode JST telah berhasil memprediksi sehingga dihasilkan hasil prediksi secara tepat. Hal ini karena, kemampuan JST untuk mempelajari data historikal sehingga mampu memprediksi proses yang kompleks dari hubungan nonlinier yang ada antara data input (casual process variable) dan data output yang cocok (dependent variables). Hubungan antara parameter kadaluarsa dengan masa kadaluarsa merupakan hubungan yang kompleks. Oleh karenanya, metode prediksi menggunakan metode JST potensial untuk diaplikasikan pada bidang penentuan masa kadaluarsa.
Peneliti-peneliti sebelumnya menggunakan basis parameter non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk) dalam memprediksi masa kadaluarsa. Sementara penggunaan sifat dielektrik yang memiliki korelasi kuat dengan kadar air belum banyak yang menggunakannya sebagai basis dalam memprediksi masa kadaluarsa.
Kadar air yang merupakan parameter kritis kadaluarsa produk kering (antara lain biskuit) berbanding lurus dengan nilai sifat dielektrik suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah (Harmen 2001, Guo et al. 2008, Nelson dan Trabelsi 2012). Penelitian pada tahap sebelumnya menunjukkan bahwa parameter dielektrik yang paling berkorelasi dengan masa kadaluarsa biskuit adalah kapasitansi. Sehingga dalam desain model JST ini kapasitansi digunakan sebagai data masukan. Selain itu, konstanta dielektrik dan frekuensi juga digunakan sebagai data masukan karena relevansinya dengan kadar air (Nelson dan Trabelsi 2012). Pengukuran nilai kapasitansi dan konstanta dielektrik pada range frekuensi tertentu dapat dilakukan dalam waktu singkat dan tidak membutuhkan panelis sehingga dapat dilakukan dengan cepat dan biaya yang rendah.
Tujuan penelitian pada bagian ini adalah untuk memprediksi masa kadaluarsa biskuit dengan JST berdasarkan parameter dielektrik (kapasitansi dan konstanta dielektrik). Prediksi dilakukan dengan model arsitektur JST berkinerja terbaik.
Bahan dan Metode Pengukuran Nilai Dielektrik
Pengukuran nilai dielekrik dilakukan dengan sensor kapasitansi (Gambar 3.1) yang telah terhubung dengan komputer. Frekuensi pengukuran 5 – 6 kHz. Setiap biskuit yang akan diukur, diset pada probe sensor, kemudian diukur nilai dielektrik sebanyak 3 kali. Probe sensor adalah plat tembaga sejajar dengan ukuran 5 cm x 5 cm x 0.25 cm (panjang x lebar x diameter).
Gambar 3.1 Pengukuran nilai dielektrik biskuit dengan sensor dielektrik - Dataset
Sampel dipilih dari produk yang telah tercantum masa kadaluarsa secara
purposive sampling. Jenis biskuit yang akan dipilih terdiri dari empat jenis biskuit sesuai SNI 01-2973-1992 (biskuit keras, crackers, cookies dan wafer) dengan tiga jenis kemasan (plastik, alumunium foil dan kaleng). Pada penelitian ini, faktor jenis kemasan diperhatikan juga karena adanya hubungan yang erat antara jenis kemasan dan masa kadaluarsa produk pangan (Robertson 2010). Keempat jenis biskuit diambil dari yang paling banyak beredar di pasaran sekitar Depok dan Bogor. Faktor lingkungan seperti suhu dan RH dianggap standar, sesuai suhu dan RH umumnya tempat biskuit biasa dijual (toko, minimarket atau hypermarket)
Data aktual masa kadaluarsa diambil dari tanggal kadaluarsa yang tercantum pada kemasan dengan 10 jenis masa kadaluarsa yang berbeda (dari yang masih lama kadaluarsanya hingga yang telah kadaluarsa). Data ini dinputkan ke matriks JST dengan menghitung durasi waktu dari tanggal saat pengukuran dengan tanggal kadaluarsa yang tercantum di kemasan.
Data masukan adalah frekuensi (f), kapasitansi (C), konstanta dielektrik (k), jenis biskuit dan jenis kemasan, sedangkan data keluaran adalah masa kadaluarsa aktual (Gambar 3.4). Jumlah data keseluruhan terdiri dari 360 dataset. Sesuai metode cross-validation, sebanyak 80% data digunakan untuk training dan 20% untuk testing.
- Praproses data
Data mentah dinormalisasi terlebih dahulu sebelum dilakukan desain model JST, karena skala data yang berbeda. Proses normalisasi dengan formula berikut (Siang 2009) :
′ =0.8( − )
− + 0.1 (3.1)
dimana:
a = data minimum; b = data maksimum; x = data mentah; x‟ = data normalisasi Probe
Gambar 3.2 Kerangka kerja keseluruhan dari desain JST
Pilih jumlah layer danjumlah node per hidden layer dengan kinerja terbaik (MSE tercapai)
Pelatihan dengan trial error jumlah layer dan jumlah node per hidden
Mulai
Memanggil pola input (frekuensi, nilai kapasitansi, konstanta dielektrik,jenis biskuit dan jenis kemasan)
Memanggil pola output/target (masa kadaluarsa)
Mengkonstruksi neural network : -Algoritma pembelajaran = Backpropagation
-Goal = 0,0001 -Learning rate = 0,05
Pelatihan dengan trial error fungsi aktivasi hidden layer dan output layer
Pilih fungsi aktivasi hidden layer dan output layer dengan kinerja terbaik
Pelatihan dengan trial error fungsi pembelajaran
Pilih fungsi pembelajaran dengan kinerja terbaik
Goal tercapai? Tidak
Ya Goal tercapai? Tidak Ya Selesai Pengujian
Menyimpan neural network yang telah
Gambar 3.3 Mekanisme analisa neural network untuk memprediksi masa kadaluarsa biskuit (modifikasi Ko et al. 2000, Park et al. 2002)
Gambar 3.4 Arsitektur JST yang dibangun - Desain model arsitektur JST
Desain model arsitektur JST dilakukan pada komputer dengan CPU prosesor AMD dual-core C60 dan memori 2 GB DDR3. Software yang digunakan adalah MATLAB 2010b versi 7 dari Mathworks Corp (Mathworks 2010). Secara lengkap coding program MATLAB desain model JST dapat dilihat pada Lampiran 1.
Algoritma pembelajaran yang digunakan adalah backpropagation. Arsitektur JST backpropagation merupakan jaringan perceptron lapis jamak (multilayer). JST ini memiliki lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Pembelajaran dalam
perceptron terjadi dengan mengubah bobot koneksi setelah setiap elemen data diproses, yang diperoleh berdasarkan besarnya error dalam output dibandingkan dengan hasil peramalan JST. Proses ini dilakukan melalui backpropagation, yaitu sebuah generalisasi dari algoritma rata-rata kuadrat terkecil dalam perceptron linear.
Kinerja JST ditentukan oleh tiga hal (Siang 2009) : 1. Pola hubungan antar neuron (arsitektur jaringan)
Pengukuran kapasitansi pada frekuensi tertentu dari sampel yang diketahui masa kadaluarsanya
Pembuatan matriks frekuensi, kapasitansi, konstanta dielektrik, jenis kemasan dan jenis biskuit yang diukur serta masa kadaluarsa yang dihitung
Pembelajaran Neural Network berdasarkan matriks input dan output yang diketahui
Pengujian data yang tidak diketahui masa kadaluarsanya dengan Neural Network
Pengestimasian hasil
Frekuensi
Lapisan input Lapisan hidden Lapisan output
Masa kadaluarsa Kapasitansi
Konstanta dielektrik Jenis biskuit Jenis kemasan
2. Metode untuk menentukan bobot penghubung (metode training, learning, algoritma)
3. Fungsi aktivasi
Kombinasi yang tepat dari ketiga hal di atas akan menghasilkan kinerja JST yang terbaik. Permasalahannya, sampai saat ini belum ada teori yang pasti terkait kombinasi parameter yang tepatuntuk setiap kasus. Setiap kasus memiliki kombinasi parameter berbeda-beda, tergantung permasalahannya. Agar menghasilkan kinerja terbaik, perlu dilakukan trial error pada setiap parameter yang ada. Kombinasi parameter-parameter ini disebut arsitektur JST. Tabel 3.1 memperlihatkan modifikasi parameter arsitektur yang dilakukan. Modifikasi Arsitektur ini menggunakan goal 0,01, Epoch 1000 dan learning rate 0,05.
Dengan mempertimbangkan keefektifan proses pelatihan, trial error
dimulai dari fungsi aktivasi, kemudian secara berturut-turut diteruskan ke trial error fungsi pembelajaran, jumlah node dan hidden layer dan epoch. Trial error
tahap berikutnya dilanjutkan jika belum mencapai MSE yang diharapkan. Tahap berikut di-trial error dengan menggunakan hasil terbaik parameter dari tahap sebelumnya. Jenis parameter fungsi aktivasi dan fungsi pembelajaran yang dikombinasikan diambil dari keseluruhan item parameter yang disediakan JST pada MATLAB (built in). Dalam pemrograman Backpropagation dengan MATLAB, dikenal 3 macam fungsi aktivasi yang umum digunakan yaitu : tansig
(fungsi sigmoid bipolar), logsig (fungsi sigmoid unipolar) dan purelin (fungsi identitas).
Jumlah node per hidden layer diawali dari 2 yang merupakan jumlah minimal node yang diproses JST, kemudian berturut-turut dinaikan ke 5 sampai dengan 20. Jumlah hidden layer diawali dari 1 sampai dengan 5.
Tabel 3.1 Modifikasi arsitektur JST yang dilakukan Fungsi aktivasi Fungsi
pembelajaran Jumlah node/layer Jumlah hidden layer
Hidden layer Output layer
Tansig Purelin Trainglm 2 1
Tansig Traingd 5 2
Logsig Traingdm 10 3
Logsig Purelin Traingda 15 4
Tansig Traincgb 20 5 Logsig Trainscg Trainbfg Traindx Trainb Trainbr Trainoss Trainrp Trains
Pemodelan prediksi masa kadaluarsa biskuit dengan metode JST menggunakan analisa hasil observasi berbagai parameter untuk mendapatkan model JST terbaik yang dapat merepresentasikan dengan akurat masa kadaluarsa biskuit tertentu. Model dianggap akurat jika kombinasi jumlah hidden layer, jumlah neuron pada hidden layer, jenis fungsi aktivasi per layer dan jenis training
memberikan MSE (Mean Square Error) terkecil dan R terbesar antara masa kadaluarsa prediksi model JST dengan masa kadaluarsa sebenarnya.
- Ukuran kinerja prediksi
Ukuran kinerja prediksi yang digunakan adalah R dan MSE. = 1− −2 2 1 (3.3) � = − 2 1 (3.4) Dimana :
Qexp = nilai pengukuran; Qcal = nilai prediksi; n = jumlah dataset yang diiukur; R= koefisien korelasi; MSE=Mean Square Error.
Hasil dan Pembahasan Nilai Dielektrik
Sifat dielektrik menggambarkan kemampuan suatu bahan untuk menyimpan, mentransmisikan dan memantulkan energi gelombang elektromagnetik. Aplikasinya dalam bidang pertanian didasarkan pada kemampuan bahan untuk menyerap radiasi elektromagnetik dan mengubahnya menjadi panas. Pada tingkat energi yang lebih rendah, sifat dielektrik dimanfaatkan untuk mengukur kadar air secara non destruktif. Nilai dielektrik yang diukur pada kasus ini adalah kapasitansi dan konstanta dielektrik. Gambar 3.5, 3.6 dan 3.7 menunjukkan nilai kapasitansi biskuit untuk masing-masing jenis kemasan dan biskuit.
Nilai kapasitansi biskuit relatif cenderung menurun pada semua jenis biskuit dan jenis kemasan (Gambar 3.5, 3.6 dan 3.7). Hal ini sesuai dengan pendapat Nelson dan Trabelsi (2012) dan Sosa-Morales et al. (2010) yang menyatakan bahwa nilai dielektrik (diantaranya kapasitansi) cenderung dipengaruhi oleh frekuensi dan kadar air. Untuk kadar air,Sosa-Morales (2010) menyatakan bahwa peningkatan kadar air akan meningkatkan nilai dielektrik bahan. Hal ini dikarenakan biskuit akan mengalami peningkatan kadar air ketika hendak kadaluarsa. Ini artinya, nilai kapasitansi yang dihasilkan akan semakin meningkat.
Berdasarkan hal tersebut frekuensi dan kapasitansi dipertimbangkan sebagai variabel input dalam JST dan masa kadaluarsa adalah variabel output. Selain itu jenis kemasan dan Jenis biskuit juga dipertimbangkab sebagai variabel input. kemasan juga bekorelasi dengan masa kadaluarsa (Robertson 2010) sehingga perlu dijadikan variabel input. Kemasan yang memiliki daya adsorpsi yang tinggi cenderung memiliki masa kadaluarsa yang lebih cepat. Biskuit yang lebih kering pun cenderung memiliki masa kadaluarsa yang lebih lama.
Gambar 3.5 Nilai kapasitansi biskuit dengan kemasan kaleng pada frekuensi 5–6 KHz
Gambar 3.6 Nilai kapasitansi biskuit dengan kemasan alumunium foil pada frekuensi 5 – 6 KHz
Gambar 3.7 Nilai kapasitansi biskuit dengan kemasan plastik pada frekuensi 5 – 6 KHz 1,5E-11 1,7E-11 1,9E-11 2,1E-11 2,3E-11 2,5E-11 2,7E-11 2,9E-11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 K ap asi tan si ( Far ad )
Data ke- (masa kadaluarsa semakin lama)
Wafer Cookies Crackers Biskuit keras
1,3E-11 1,8E-11 2,3E-11 2,8E-11 3,3E-11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 K ap asi tan si ( Far ad )
Data ke- (masa kadaluarsa semakin lama)
Wafer Cookies Crackers Biskuit keras
1,1E-11 1,3E-11 1,5E-11 1,7E-11 1,9E-11 2,1E-11 2,3E-11 2,5E-11 2,7E-11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 K ap asi tan si ( Far ad )
Data ke- (masa kadaluarsa semakin lama)
Tabel 3.2 Variasi fungsi aktivasi Fungsi aktivasi
Fungsi train MSE R (%)
Hidden layer Output layer Tansig Logsig Trainlm 0.0144 60.36 Tansig 0.0148 58.76 Purelin 0.0141 61.42 Logsig Logsig 0.0145 59.92 Tansig 0.0144 60.46 Purelin 0.0150 57.87
Tabel 3.3 Variasi fungsi pembelajaran (train)
Model Arsitektur JST untuk Prediksi Masa Kadaluarsa Biskuit - Variasi fungsi aktivasi
Variasi fungsi aktivasi menghasilkan nilai MSE terkecil dan R terbesar pada fungsi aktivasi hidden layer tansig dan output layer purelin (Tabel 3.2). Hasil ini sama dengan hasil penelitian yang dilakukan oleh Goyal dan Goyal (2011d) dalam prediksi masa kadaluarsa soft-cake. Penelitian tersebut menunjukkan kinerja terbaik adalah dengan fungsi aktivasi hidden layer tansig
dan output layerpurelin.
- Variasi fungsi pembelajaran
Hasil training dengan fungsi aktivasi di atas (tansig; purelin) menunjukkan fungsi pembelajaran dengan MSE terkecil dan R terbesar pada fungsi trainlm (Tabel 3.3). Fungsi trainlm adalah fungsi pelatihan jaringan yang update nilai-nilai bobot dan bias sesuai dengan optimasi Levenberg-Marquardt. Trainlm seringkali merupakan algoritma backpropagation tercepat di toolbox, dan direkomendasikan sebagai pilihan pertama algoritma dengan pembelajaran, meskipun memerlukan memori lebih dari algoritma lain (Mathworks 2010).
Fungsi pembelajaran (train) MSE R (%)
Trainlm 0.0141 61.42 Trainda - - Traingdm 0.0223 12.24 Traingd 0.0217 20.93 Traingdx - - Traincgb 0.0157 55.33 Trainscg 0.0151 57.78 Trainbfg 0.0146 59.72 Trainb 0.0205 31.49 Trainbr 0.0157 55.40 Trainoss 0.0152 57.30 Trainrp 0.0153 56.93 Trains 0.0259 -2.13
- Variasi jumlah node dan hiden layer
Variasi jumlah node dan jumlah hidden layer terbaik adalah pada jumlah node 10 dengan 5 hidden layer. Kondisi ini tercapai pada epoch ke-86. Terlihat semakin banyak layer dan jumlah node semakin bagus nilai R (99,86%) dan MSE (6,2040x10-5) (Tabel 3.4). Namun, pada jumlah layer 5 terlihat nilai MSE dan R mulai menurun untuk jumlah node di atas 10. Kondisi ini diduga karena nilai optimal global telah tercapai saat di jumlah node 10. Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi JST diperlihatkan pada Gambar 3.8.
Tabel 3.4 Variasi jumlah node dan hidden layer
Jumlah node
per hidden
layer
Jumlah hidden layer
1 2 3 4 5
MSE R (%) MSE R (%) MSE R (%) MSE R (%) MSE R (%) 2 0.0141 61.42 0.0145 59.91 0.0114 70.32 0.0113 70.73 0.0140 61.59 5 0.0081 80.07 0.0040 90.62 0.0020 95.37 3.3060x10-4 99.27 4.7033x10-4 98.95 10 0.0032 92.69 9.9838x10-5 (539) 99.78 9.7540x10-5 (125) 99.78 9.0429x10-5 (110) 99.80 6.2040x10-5 (86) 99.86 15 0.0016 96.33 9.7220x10-5 (127) 99.79 8.5368x10-5 (135) 99.82 9.7085x10-5 (49) 99.79 9.5779x10-5 (70) 99.79 20 6.0348x10-4 98.66 9.3523x10-5 (100) 99.79 9.3729x10-5 (126) 99.79 9.6697x10-5 (34) 99.79 9.0321x10-5 (32) 99.80 Keterangan : angka dalam kurung menunjukkan epoch saat MSE target tercapai
Gambar 3.8 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi JST Aktual P re diksi , Aktual Vs Prediksi,
3.9 Kinerja pengujian antara masa kadaluarsa aktual dan hasil prediksi JST Pengujian dan Perbaikan Kinerja Model JST
Sebanyak 72 dataset yang belum dicoba, diujikan pada arsitektur JST yang terbaik hasil training sebelumnya. Gambar 3.9 menunjukkan hasil prediksi data uji untuk masa kadaluarsa biskuit. Hasil uji menunjukkan MSE sebesar 20,68. MSE yang cukup besar ini menunjukkan terjadi overfitting pada model yang dibangun. Model cenderung menghasilkan output yang baik untuk data yang ditrainingkan saja, tapi tidak bisa menghasilkan output yang baik untuk data diuji. Untuk itu diperlukan perbaikan kinerja model JST yang dibangun.
Alternatif yang dicobakan untuk memperbaiki kinerja adalah dengan menyusun kembali data training dan data uji berdasarkan jenis kemasan dan jenis biskuit. Proses training dilakukan dengan parameter training dan arsitektur yang sama dengan model JST sebelumnya.
Nilai MSE (9,8648 x 10-5) dan R (99,80%) training dari model JST alternatif ini tidak terlalu jauh berbeda dengan hasil training model JST sebelumnya (Gambar 3.10). Namun nilai MSE dan R uji dari model JST alternatif ini mengalami perbaikan, yaitu MSE 0.0058 dan R 93,385% (Gambar 3.11). Iterasi yang diperlukan untuk menghasilkan kinerja training ini adalah 128 epoch.
Perbaikan nilai MSE dan R uji dari model JST alternatif ini menunjukkan bahwa model telah memiliki kemampuan mengeneralisir data karena terwakilinya tiap kelompok data pada saat training. Sehingga ketika pengujian, model JST ini mampu membaca data yang belum pernah ditraining dengan cukup baik.
Prediksi Masa Kadaluarsa dengan JST
Secara umum, hasil prediksi dari pengujian dan training menunjukkan nilai masa kadaluarsa biskuit berada pada -186 sampai dengan 720 sehingga terdapat selisih hasil prediksi masa kadaluarsa pada rentang ε+ = 203 dan ε- = -9 dari data aktual. Data aktual masa kadaluarsa yang diuji adalah sudah kadaluarsa 177 hari (-177 hari) dan masih akan kadaluarsa 517 hari lagi.
Aktual Pre d ik si, Aktual Vs Prediksi,
Gambar 3.10 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi model JST alternatif
Gambar 3.11 Kinerja pengujian antara masa kadaluarsa aktual dan hasil prediksi model JST alternatif
Gambar 3.12 Prediksi masa kadaluarsa biskuit dari model JST uji
-400 -200 0 200 400 600 800 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 M asa K ad al u ar sa (H ar i)
Data uji ke-
Data aktual Hasil prediksi JST
Aktual Pre d ik si, Aktual Vs Prediksi, Aktual Pre d ik si, Aktual Vs Prediksi,
Selisih hasil prediksi ini (ε+ dan ε-) diduga dapat digunakan sebagai rentang toleransi masa kadaluarsa biskuit dari nilai aktual yang terdapat dalam kemasan. Dalam kasus ini, terdapat toleransi masa kadaluarsa sebanyak +203 hari dan -9 hari dari nilai aktual di kemasan. Secara jelas, gambaran prediksi masa kadaluarsa biskuit dari model JST uji dapat di lihat pada Gambar 3.12.
Hasil prediksi JST dalam penelitian ini, secara umum adalah lebih panjang daripada ground truth (masa kadaluarsa yang tercantum di kemasan biskuit, yang menggunakan metode non dielektrik). Bagi produsen ini akan merupakan keuntungan karena masa jual produk menjadi lebih panjang. Namun hasil ini bersifat dinamis, yang masih mungkin berkembang dengan studi-studi selanjutnya.
Prediksi Masa Kadaluarsa Biskuit dalam Setiap Kemasan
Berdasarkan hasil prediksi model JST terhadap masa kadaluarsa biskuit dalam setiap kemasan (Tabel 3.5), terlihat masing-masing memiliki rentang prediksi yang berbeda-beda. Namun dari sekian jenis kemasan, biskuit dalam kemasan kaleng relatif terlihat memiliki rentang prediksi yang cukup jauh dari masa kadaluarsa aktual. Prediksi kadaluarsa pada biskuit kemasan ini cenderung telah lama kadaluarsanya dibanding prediksi aktual pada kemasan. Diduga hal ini karena kurang variatifnya rentang masa kadaluarsa biskuit pada kemasan ini. Untuk meningkatkan kinerja prediksi, diperlukan penambahan variasi rentang masa kadaluarsa biskuit kemasan ini.
Biskuit keras pada kemasan kaleng memiliki selisih waktu kadaluarsa yang paling jauh dengan aktual pada kemasan. Ini artinya, prediksi kadaluarsa dari model JST ini masih lebih lama dibanding kadaluarsa pada kemasan. Terdapat selisih 175 hari dari masa kadaluarsa aktual. Sementara Crackers pada kemasan alumunium foil memiliki hasil prediksi yang paling dekat dengan masa kadaluarsa aktual dibanding biskuit dalam kemasan lainnya. Hal ini menunjukkan hasil prediksi crackers kemasan ini paling baik dengan lainnya.
Tabel 3.5 Prediksi masa kadaluarsa biskuit dalam setiap kemasan Jenis
Kemasan Jenis Biskuit
Masa kadaluarsa aktual (hari)
Masa kadaluarsa prediksi JST (hari) min maks min maks selisih
min selisih maks Kaleng Wafer -84 517 -168 514 84 3 Cookies -84 517 -128 720 44 -203 Crackers -84 517 -186 525 102 -8 Biskuit keras -84 517 -58 692 -26 -175 Alumunium foil Wafer -12 284 -47 201 35 83 Cookies 147 343 157 352 -10 -9 Crackers -6 336 -8 328 2 8 Biskuit keras -177 331 -147 322 -30 9 Plastik Wafer 115 483 142 481 -27 2 Cookies 54 359 58 398 -4 -39 Crackers 24 319 27 292 -3 27 Biskuit keras -29 291 -27 249 -2 42
Masa kadaluarsa aktual dihitung dari selisih waktu pengukuran dengan tanggal kadaluarsa biskuit yang tercantum pada kemasan dari data testing. Tanggal kadaluarsa yang tercantum ini merupakan versi produsen biskuit. Produsen diasumsikan tepat, sehingga tanggal kadaluarsa yang dicantumkan pun diasumsikan benar. Meskipun penentuan tanggal kadaluarsa mereka masih perlu verifikasi, baik dari metode yang digunakan maupun faktor-faktor lain yang mempengaruhi selama transportasi dan penyimpanan.
Masa kadaluarsa JST merupakan hasil prediksi JST terhadap data masukan (jenis kemasan, jenis biskuit, nilai kapasitansi, frekuensi, dan konstanta dielektrik) dari data testing. Tanda negatif (-) pada kolom min dan maks (Tabel 3.5) menunjukkan telah kadaluarsa, sedangkan pada kolom selisih min dan selisih maks menunjukkan kurangnya rentang waktu hasil prediksi JST dibanding data aktual. Hasil prediksi JST (pada kolommin) secara umum menunjukkan nilai yang jauh telah lama kadaluarsa dibanding data aktual. Dari sisi konsumen, hal ini jelas menguntungkan karena biskuit lebih cepat kadaluarsanya.
Prediksi ini dengan melihat korelasi masa kadaluarsa berbasiskan kadar air dengan parameter dielektrik. Beberapa faktor lain (kadar gula, lemak, enzim dll) yang berkorelasi dengan AW (Activity Water/aktifitas air) tidak menjadi penekanan pada penelitian ini, karena kadaluarsa pada penelitian ini difokuskan pada kadar air yang merupakan parameter kritis dari kadaluarsa biskuit.
Model JST yang dibangun pada tahap ini akan digunakan untuk memprediksi masa kadaluarsa biskuit pada tahap berikut. Di tahap berikut, model JST ini akan diintegrasikan dengan sensor dielektrik yang telah didesain. Pengintegrasian ini akan menghasilkan prediksi masa kadaluarsa secara real time.
Simpulan
JST yang dikombinasikan dengan parameter dielektrik sangat baik untuk memprediksi masa kadaluarsa biskuit dengan kinerja pelatihan MSE 9,8648 x 10-5 dan R 99,80%. Arsitektur yang menghasilkan kinerja pelatihan terbaik adalah JST dengan 5 hiden layer, 10 node per hidden layer, fungsi aktivasi hidden layer
tansig, fungsi aktivasi output layer purelin, fungsi pembelajaran trainlm dan 86 epoch.
4 PREDIKSI MASA KADALUARSA BISKUIT SECARA REAL TIME