METODE PENELITIAN

Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan mulai bulan Juni hingga bulan Agustus 2019 di Laboratorium Biosistem Program Studi Keteknikan Pertanian Fakultas Pertanian USU, Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPHP) Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian IPB dan Laboratorium Biosains Politeknik Negeri Jember.

Bahan dan Alat

Bahan yang digunakan dalam penelitian ini adalah biji kopi beras (green beans) yang diperoleh dari 2 daerah, yaitu kopi Lintong Kabupaten Humbang Hasundutan dan kopi Sidikalang Kabupaten Dairi.

Peralatan yang digunakan dalam penelitian ini adalah timbangan digital, cawan petri, grinder, saringan ukuran 50 mesh, pipet mikro, gelas ukur, desikater, spektrometer FT-NR (NIRFlex N-500, diproduksi oleh BUCHI Laborteknik AG, Switzerland), dan komputer personal yang dilengkapi dengan software Unscrambler v.10.5, software Minitab 19, software Ms. Excel dan software Matlab R2017a.

Metode Penelitian Akuisisi Spektra Biji Kopi

Akuisisi spektra reflektan dilakukan terhadap masing-masing sampel biji kopi beras. Sebanyak 100 gram biji kopi ditempatkan dalam cawan petri secara merata dan rapat dengan 4 lapisan tumpukan. Pengukuran reflektan dilakukan dengan memindai masing-masing sampel sebanyak 3 kali pada 3 titik berbeda dengan mengatur cawan petri berputar 360 derajat selama pemindaian sampel.

Rentang panjang gelombang NIR yang digunakan yaitu pada panjang gelombang 1000 nm hingga 2500 nm dengan interval 2 nm.

Analisis Kimia

1. Kadar Air (Metode Thermogravitimetri)

Cawan petri kosong dikeringkan dalam oven dengan suhu 105 ^oC selama 15 menit kemudian dimasukan ke dalam desikator selama 10 menit lalu ditimbang. Sampel yang sudah diambil data spektranya ditimbang sebanyak 4 gram dan kemudian diletakan pada cawan. Cawan beserta isinya kemudian dimasukkan ke dalam oven dengan suhu 105 ^oC selama 72 jam. Selanjutnya cawan dikeluarkan dari oven dan dimasukan kembali dalam desikator untuk proses pendinginan dan setelah selesai ditimbang kembali. Berat kopi sebelum dioven (A) merupakan berat total (kopi dan cawan) dikurangi berat cawan, sedangkan berat kopi setelah dioven (B) adalah berat total setelah dioven dikurangi berat cawan. Kadar air dapat dihitung berdasarkan Persamaan 19 (Athfiyah, 2017).

Kadar air (%𝑏𝑏) = 𝐴−𝐵/ 𝐴 𝑥100% ... (19) 2. Kadar Lemak (AOAC 2006)

Labu lemak disediakan sesuai ukuran alat ekstraksi soxhlet yang digunakan. Labu dikeringkan dalam oven menggunakan suhu 105-110 ^oC selama 15 menit, kemudian didinginkan dalam desikator dan ditimbang (A). Sampel sebanyak ± 5 gram ditimbang dalam kertas saring (B) dan ditutup dengan kapas bebas lemak. Kertas saring beserta isinya dimasukkan ke dalam ekstraksi soxhlet dan dipasang pada alat kondensor. Pelarut heksan dituangkan ke dalam labu soxhlet secukupnya. Dilakukan refluks selama 5 jam sampai pelarut yang turun

kembali menjadi bening. Pelarut yang tersisa dalam labu lemak didestilasi, lalu labu dipanaskan dalam oven pada suhu 105 ^oC. Setelah dikeringkan sampai berat tetap dan didinginkan dalam desikator, kemudian labu beserta lemak ditimbang (C) dan dilakukan perhitungan kadar lemak seperti pada Persamaan 20 (Athfiyah, 2017).

Kadar lemak (%𝑏𝑏) = 𝐶−𝐴 / 𝐵 𝑥100% ... (20) Analisis Data Penelitian

Data spektra yang diperoleh dari pengukuran yaitu berupa data reflektan, selanjutnya ditransformasikan menjadi spektra absorban dengan Persamaan 1 untuk memperoleh korelasi yang linier antara nilai serapan NIRS dengan data yang diperoleh dari metode kimia. Data spektra tersebut masih merupakan data mentah sehingga perlu dilakukaan metode pengolahan data awal untuk mengurangi noise yang disebabkan oleh pengaruh eksternal. pada penelitian ini digunakan metode multiple scatter correction (MSC) dengan Unscrambler v.10.5.

Teknik JST

1. Persiapan Data Input

Dari data spektra yang telah diolah dengan metode pre-treatment selanjutnya dilakukan analisis Principal Component (PC). Analisis PC dilakukan dengan menggunakan Minitab 19 dan analisis dilakukan terpisah untuk kopi Sidikalang dan kopi Lintong. Analisis PC yang dipilih adalah analisis PC untuk data kovarians. Hasil analisis ini hanya berupa bobot untuk tiap PC sehingga perlu dilakukan perkalian matriks dengan nilai spektra absorban yang didapat sehingga siap untuk dijadikan input JST.

Persiapan data input yang selanjutnya dapat dilakukan adalah memperlebar interval data absorban hasil pengukuran, kemudian harus dilakukan pereduksian data agar proses pelatihan JST menjadi lebih baik dan cepat mencapai nilai konvergensinya, data absorban direduksi dengan metode segmentasi. Adapun persamaan yang digunakan :

Segmen N log(1/R)xi =[ ( ⁄ ) ( ⁄ ) ( ⁄ ) ] . ...(21) Dimana :

N = jumlah segmen

x_i = nilai reflektan pada panjanggelombang x urutan ke i

Data hasil segmentasi kemudian dibagi menjadi dua kelompok yaitu kelompok kalibrasi untuk pelatihan jaringan dan kelompok validasi untuk pengujian jaringan. Sebanyak 2/3 set data dipilih sebagai data pelatihan dan 1/3 data sebagai set pengujian. Pembagian ini dilakukan dengan memberikan kode

“1” untuk kelompok kalibrasi dan kode “0” untuk kelompok validasi.

2. Jaringan dan Pembobot

Jaringan yang digunakan adalah jaringan multi lapisan dan algoritma yang digunakan adalah backpropagation. Arsitektur dalam jaringan yang dibangun adalah jaringan lapisan jamak yang terdiri dari 3 lapisan, yaitu lapisan input berupa nilai PC dari absorban NIRS, lapisan tersembunyi dengan 2 layer dengan node yang divariasikan dan output berupa kadar air dan lemak.

JST backpropagation pada penelitian ini dikembangkan dengan Matlab R2017a. Tahap awal dalam mengembangkan JST pada Matlab adalah melakukan impor data yang telah disiapkan sebelumnya menggunakan Microsoft Excel.

Langkah selanjutnya adalah menyiapkan variabel input, target dan test, pada

workspace. Variabel input berupa nilai PC pada set data pelatihan, variabel target berupa nilai kadar air dan lemak hasil laboratorium dan variabel test berupa nilai PC pada set data pengujian. Kemudian memunculkan tools neural network dengan kode “nntool” pada command window kemudian dibangun jaringan dengan fungsi pelatihan TrainLM (Levenberg-Marquardt) dengan melakukan impor variabel yang telah dibuat pada workspace kedalam nntool. Dalam penelitian ini digunakan fungsi aktivasi sigmoid bipolar (Tansig) pada lapisan tersembunyai dan lapisan output. Penghitungan error pada jaringan dipilih mean square error (MSE). Pembobot awal yang digunakan adalah pembobot awal random yaitu pembobot awal ditentukan secara acak dengan menggunakan bilangan acak kecil setiap jaringan backpropagation yang baru dibuat.

3. Pelatihan dan Simulasi Jaringan

Setelah jaringan terbentuk maka langkah selanjutnya yang dilakukan adalah melatih jaringan atau disebut juga sebagai proses kalibrasi. Sebelum melatih jaringan ada beberapa parameter yang harus diatur sebelum jaringan dapat dilakukan proses training. Parameter pelatihan yang tepat akan akan menghasilkan hasil kalibrasi yang optimal. Pada penelitian ini parameter yang dipilih dapat dilihat pada Tabel 2. Proses pelatihan dilakukan secara try and error karena belum adanya ketentuan baku yang dapat digunakan sebagai acuan dalam proses pembangunan jaringan dalam JST. Jika pelatihan telah selesai, jaringan dapat digunakan dalam pengenalan pola atau dalam penelitian ini disebut juga dengan tahap validasi. Set data input yang digunakan dalam simulasi jaringan ini memiliki pola yang serupa (tapi tidak sama) dengan data input pada pelatihan jaringan. Pada proses simulasi jaringan hanya tahapan propagasi maju saja yang

dilakukan karena tujuannya adalah untuk memprediksi keluaran jaringan. Secara teori, jika jaringan backpropogation dilatih dengan baik dapat menghasilkan keluaran yang baik pula.

Tabel 2. Parameter pelatihan Levenberg-Marquardt

Parameter Nilai

Show 25

Epochs 1000-50000

Time Inf

Goal 0,001

Min Grad 1,00E-07

Max Fail 6

Mu 0,01

mu_dec 0,1

mu_inc 10

mu_max 10000000000

Gambar 6. Arsitektur JST untuk menduga kadar air dan lemak PC 1

PC 2

PC 3

PC n

Hidden Layer

Lemak KA

Gambar 7. Flowchart kalibrasi dan validasi JST Pengolahan data NIRS

2/3 Data kalibrasi 1/3 Data validasi Metode JST

Kalibrasi

Validasi model

1>r>0 1>R² >0

5 % > cv >

0 % RMSEP-RMSEC= 0

Selesai Mulai

Persiapan sampel dan alat

tidak ya Pengukuran spektra

NIRS kopi Sumatera Utara

ya tidak

Transformasi reflektan

Pengukuran dekstruktif kadar air

dan lemak kopi