Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Maret–Juni 2010, di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, FATETA-IPB, dan di Laboratorium Pascapanen Balai Besar Pengembangan Mekanisasi Peratnian, Badan Litbang, Kementerian Pertanian.
Bahan dan Alat Penelitian
Bahan
Bahan yang digunakan dalam penelitian ini adalah jarak pagar dari Kebun Percobaan Natar, Balai Pengkajian Teknologi Pertanian (BPTP-Lampung), Badan Litbang, Kementerian Pertanian. Natar, Provinsi Lampung.
Bahan kimia yang digunakan dalam penelitian ini meliputi heksan, alkohol 95%, phenolphthalein 1% dan NaOH 0.1 N.
Alat
Alat yang digunakan dalam penelitian ini adalah :
1. Satu unit NIR Spectroscopy merek NIRFlex N-500, diproduksi oleh BÜCHI Labortechnik AG, Switzerland.
2. Soklet Aparatus (Soklet, labu lemak 250 ml, hot plate, selang, kertas saring)
3. FFA Aparatus (Buret, pipet, pengaduk, pinset, gelas ukur 100 ml, erlemeyer 350 ml)
4. Peralatan pendukung (Static stand, Oven, timbagan digital (0-200 gram, ketelitian 0.001 gram), thermometer,stopwatch)
5. Kantong plastik
5. STOP button 6. Internal reference
11. Rotary plate 16. Mirror 2
Prosedur pengukuran adalah minyak yang akan diuji ditimbang 2-5 gram dalam Erlemeyer 350 ml, ditambahkan 50 ml alkohol netral 95%, kemudian dipanaskan selama 10 menit dalam pemanas air sambil diaduk. Setelah ditambahkan indikator phenolphthalein 1%, larutan dititrasi dengan larutan NaOH 0.1 N sampai tepat berwarna merah jambu yang tidak hilang dalam beberapa detik. Selanjutnya jumlah NaOH (mg) yang digunakan untuk menetralisir asam lemak bebas dalam 1 gram minyak atau lemak di hitung.
Perhitungan :
= × × . ………(28)
(%) = × × . ………(29)
Keterangan :
A = Jumlah NaOH untuk titrasi (ml) N = Normalitas larutan NaOH
M = Bobot molekul asam lemak (asam oleat = 282 gr/mol) G = Bobot sampel (gram)
56.1 = Bobot molekul NaOH
Pengukuran kadar air (thermogravimetri)
Pengukuran kadar air biji jarak dilakukan dengan metode thermogravimetri. Prosedur pengukuran adalah cawan kosong dan tutupnya dikeringkan dalam oven dengan suhu 105oC selama 15 menit dan didinginkan dalam disikator selama 10 menit, kemudian ditimbang. Sampel yang sudah diambil data spektranya ditimbang ± 25-30 gram kemudian dimasukan kedalam cawan dan ditimbang tanpa tutup. Cawan beserta isi dan tutupnya kemudian dimasukan kedalam oven dengan suhu 105oC selama 6 jam. Selanjutnya cawan dimasukan ke desikator, ditutup lalu didinginkan dan kemudian ditimbang kembali. Cawan dikeringkan kembali di dalam oven sampai memperoleh berat yang tetap.
Perhitungan kadar air menggunakan persamaan berikut :
25
Pengukuran kadar lemak (AOAC 2005)
Analisa kadar lemak dilakukan dengan metode ekstraksi Soxhlet. Labu lemak yang ukurannya sesuai dengan alat exstraksi Soxhlet dikeringkan dalam oven, didinginkan dalam desikator dan kemudian ditimbang. Sebanyak 5 gram sampel yang telah dihilangkan kadar airnya ditimbang dan dibungkus dalam saringan timbel. Timbel berisi sampel dimasukan ke dalam alat ekstraksi Soxhlet, kemudian alat kondensor dipasang di atasnya dan labu lemak dipasang di bawahnya. Pelarut lemak (heksan) dituang ke dalam labu lemak secukupnya.
Proses dilakukan selama minimal 5 jam sampai pelarut yang turun kembali ke dalam labu lemak berwarna jernih. Pelarut yang tertampung dalam lemak kemudian didestilasi dan ditampung. Labu lemak yang berisi lemak hasil ekstraksi dipanaskan dalam oven 105oC. Timbal berisi sampel dikeringkan dalam oven, didinginkan dalam desikator, dan ditimbang hingga mencapai berat konstan.
Perhitungan yang dilakukan untuk mendapatkan kadar lemak bahan adalah sebagai berikut:
(%) = ( )
( )× 100%...(31)
Pengembangan Model Jaringan Saraf Tiruan untuk Pendugaan Kandungan Kimia Biji Jarak
Data spektra NIR yang digunakan untuk pengembangan model JST adalah data reflektan dari biji jarak, data dikeluarkan dari komputer pengambilan data spektra dalam bentuk *.txt yang selanjutnya dirubah kedalam format *.xls. Sebelum data digunakan dalam program JST terlebih dahulu data diperlakukan dengan normalisasi (0-1) dan PCA. PCA digunakan untuk menghasilkan variabel baru dengan jumlah yang lebih sedikit. Dalam model JST, data spektra akan digunakan sebagai variabel input dengan jumlah 1500 data spektra, jumlah data yang sangat banyak akan menyulitkan kenerja JST sehingga dibangkitkan parameter baru dengan PCA untuk mendapatkan variabel yang lebih sedikit tanpa menghilangkan informasi yang dibawa oleh spektra tersebut.
Model jaringan saraf tiruan yang digunakan dalam penelitian ini adalah model jaringan feed-forward multi layerdengan menggunakan algoritma terlatih back propagation(BP). Jaringan saraf tiruan terdiri 3 lapisan yaitu lapisan input,
lapisan tersembunyi dan output. Sedangkan input data akan menggunakan dilai spektra yang sudah disederhanakan dengan PCA.
Algoritma ini juga disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut : ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke lapisan keluaran. Kemudian lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan kelapisan masukan.
Gambar 6. Skematik diagram jaringan saraf tiruan.
Pelatihan Jaringan Saraf Tiruan
Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf tiruan itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru bisa dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalahfase mappingatau fase pengujian.
Algoritma pelatihan back propagation (BP) terdiri dari dua proses, feed forwarddanback propagationdari galatnya. Dengan tahapan sebagai berikut : Langkah 0:
- Pemberian inisialisasi penimbang (diberi nilai kecil secara acak)
I2 I1 In H2 H1 Hn O3 O2 O1
Input layer Hidden Layer Output layer
Kadar air (%) Kandungan Minyak (%) Kandungan FFA (%) N IR S p ek tr a
27
Lankah 1:
- Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi terpenuhi Langkah 2:
- Untuk masing-masing pasangan data peltihan (training data) lakukan langkah 3 hingga 8
Propagasi maju (feed forward) Langkah 3:
- Masing-masing unit masukan (Xi, i=1,2,………….n) menerima sinyal masukan Xi dan sinyal tersebut disebar ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi)
Langkah 4:
- Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasnya :
_ = + . (32)
Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:
= _ ……….(33) Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:
= 1
1 + _ . . . (34)
Kemudian mengirim sinyal tersebut ke semua unit keluaran Langkah 5:
- Masing-masing unit keluaran (Yk, k=1,2,3………m) dikalikan dengan faktor penimbang dan dijumlahkan :
_ = + (35)
Menghitung kembali sesuai dengan fungsi aktifasi:
Back Propagationdan galatnya Langkah 6:
- Masing-masing unit keluaran (Yk, k=1,2,3………m) menerima pola target sesuai dengan masukan saat pelatihan dan hitung galatnya:
= ( ) ( _ )………..……….(37)
Karena f’(Y_ink) = Ykmenggunakan fungsisigmoid, maka:
( _ ) = ( _ ) 1 ( _ ) ………...………..(38)
( _ ) = (1 )
Menghitung perbaikan faktor penimbang (kemudian untuk memperbaiki Wjk)
= . ……….……….(39) Menghitung perbaikan koreksi :
= . ……….………(40) Dan menggunakan nilai∂kpada semua unit sebelumnya.
Langkah 7:
- Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zk, J=1,2,3………p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.
_ = . . . . (41)
Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat
= _ _ ……….……….(42) Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij)
= ……….………….(43) Kemudian menghitung perbaikan bias (untuk memperbaiki Voj)
= ……….…(44) Memperbaiki penimbang dan bias
29
Langkah 8:
- Masing-masing keluaran unit (Yk, k=1,2……….,m) diperbaiki bias dan penimbangnya (j = 0,1, …………..p)
( ) = ( ) + ………(45) Masing-masing unit tersembunyi (Zj, j=1,2……….,p) diperbaiki bias dan penimbangnya (j = 0,1,……….,n)
( ) = ( ) + ……….………..……….(46) Langkah 9:
- Uji kondisi pemberhentian (akhir iterasi)
Validasi Model Penduga
Proses validasi digunakan untuk menguji tingkat keakuratan model jaringan saraf tiruan yang dibangun dengan menghitung nilai Root Mean of Squared Error of Prediction(RMSEP):
=
1 . . . (47)
Jika dihasilkan nilai RMSEP masih besar maka dilakukan optimalisasi pada kombinasi struktur jaringan saraf tiruan hingga mendapatkan nilai RMSEP yang sangat kecil, seperti yang dapat dilihat pada blok diagram penelitian pada Gambar 7.
Pada penelitian ini program jaringan saraf tiruan yang digunakan adalah Backpropagation Neural Network yang dikembangkan oleh Rudiyanto, Budi Indra Setiawan dan Suroso tahun (2003).
Gambar 7. Blok diagram penelitian. Mulai Persiapan : 1. Instrumen 2. Sampel Pengukuran Nilai reflektan NIR
Sampel siap diukur
PCA Pengukuran dengan metode standar sebagai acuan Model kalibrasi dengan JST Model JST terlatih Pengukuran Nilai reflektan NIR PCA Model JST terlatih Pengukuran dengan metode standartsebagai acuan Nilai duga JST VALIDASI KALIBRASI VALIDASI RMSEP <<< Selesai Tidak Ya
fourier sehingga menjadi data spektra reflektan sebagaimana yang terlihat pada Gambar 8a, sedangkan untuk merubah spektra reflektan (R) menjadi absorban yaitu dengan cara mentranspormasi dengan log(1/R). Sebelum dilakukan pengolahan lebih lanjut maka data spektra mentah diberi perlakuan yang dapat mengurangi error yang terjadi selama pengambilan data spektra dan untuk memperjelas data spektra. Salah satu pengolahan spektra adalah dengan menormalisasi data spektra ke dalam rentang 0-1. Hal ini dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan, spektra reflektan yang sudah di normalisasi (0-1) dapat dilihat pada Gambar 9.
Gambar 9. Spektra reflektan yang dinormalisasi 0-1.
Beberapa perlakuan terhadap data original spektra berupa normalisasi dan derivatif dapat memperjelas karakteristik spektra yang dihasilkan seperti yang terlihat pada Gambar 10.
(a) (b)
Gambar 10. (a) reflektan-derivatif, (b) reflektan-normalisasi. Panjang gelombang (nm)
33
Perlakuan derivatif dan normalisasi memberikan pengaruh yang berbeda terhadap spektra aslinya. Pada perlakuan derivatif, akan diperjelas dengan menyatakan perbedaan nilai reflektan untuk tiap panjang gelombangnya sehingga perubahan yang besar akan menghasilkan suatu puncak pada nilai derivatifnya, puncak yang terbentuk menggambarkan kandungan kimia yang dikandung oleh bahan, karena setiap bahan yang memiliki kandungan kimia berbeda akan menyerap energi radiasi elektromagnetik yang berbeda, sehingga energi yang direfleksikan juga akan berbeda. Sedangkan perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama.
Perlakuan data spektra setiap jenis bahan berbeda-beda, ketepatan pemberian perlakuan dan pengolahan data dalam NIR merupakan hal yang sangat penting untuk mencapai keberhasilan NIR dalam melakukan pendugaan kandungan organik suatu bahan. Pada Gambar 11 terlihat karakteristik spektra untuk jenis sampel yang sama dilakukan 3 kali scan, Gambar 11a merupakan spektra reflektan yang belum diberikan perlakuan dan terlihat bahwa spektranya tidak berhimpit (sama) untuk sampel dengan kandungan kimia yang sama. Pada Gambar 10b dengan diberikan perlakuan spektra normalisasi 0-1, ketiga spektra menjadi berhimpit (sama) untuk bahan dengan kandungan kimia yang sama. Kondisi ini memperlihatkan bahwa setiap sampel akan menyerap energi dari radiasi NIR dengan secara proporsional (persentasenya sama tetapi jumlahnya berbeda) sesuai dengan kandungan kimianya. Jika terjadi perbedaan ukuran sampel maka nilai yang diserap tersebut akan berbeda, tetapi perbedaan serapan tersebut proporsional (persentasenya sama). Spektra akan menunjukan nilai serapan yang sama, jika dilakukan normalisasi terhadap suatu nilai dalam hal ini ke rentang 0-1.
(a)
(b)
(c)
Gambar 11. (a) Spektra reflektan, (b) spektra reflektan-normalisasi, (c) reflektan derivatif pertama 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 1000 1200 1400 1600 1800 2000 2200 2400 wavelength (nm) re fl e k ta n japag 1031 R japag 1031 R japag 1031 R 0 0.2 0.4 0.6 0.8 1 1000 1200 1400 1600 1800 2000 2200 2400 wavelength(nm) re fl e k ta n -n o rm a lis a s i japag 1031 R-N japag 1031 R-N japag 1031 R-N -0.005 -0.004 -0.003 -0.002 -0.001 0 0.001 0.002 1000 1200 1400 1600 1800 2000 2200 2400 wavelength (nm) R e fl e k ta n -d e ri v a ti f japag 1031 R-D japag 1031 R-D japag 1031 R-D Panjang gelombang (nm) Panjang gelombang (nm) Panjang gelombang (nm)
35
Pada Gambar 11c dengan perlakuan derivatif, terlihat bahwa pada kisaran panjang gelombang 1000-1200 nm terdapat perbedaan nilai reflektannya, walau pada kisaran panjang gelombang 1200-2500 nm nilai reflektanya berhimpit untuk tiga spektra dengan komposisi kimia yang sama. Sehingga untuk penetuan karakteristik spektra biji jarak, perlakuan spektra yang digunakan adalah reflektan-normalisasi dan juga untuk memperjelas puncak spectra, perlakuannya dapat ditambahkan derivatif pada reflektan yang sudah dinormalisasi sehingga menjadi reflektan-normalisasi-derivatif.
Kandungan kadar air bahan akan memberikan pengaruh yang sangat signifikan terhadap profil spektra, kelompok OH akan terlihat jelas pada panjang gelombang 970, 1190, 1450 dan 1940 nm mencerminkan kandungan air (Luck 1974, dalam Büning-Pfaue 2003). Kandungan air dalam biji jarak pagar juga memberikan karakteristik tersendiri terhadap bentuk spektranya seperti terlihat pada Gambar 12.
Gambar 12. Normalisasi reflektan pada beberapa tingkat kadar air.
Pada Gambar 12 dapat terlihat perbedaan nilai reflektan yang sudah dinormalisasi pada kisaran panjang gelombang 1450 nm dan 1900 nm, sampel dengan kandungan kadar air lebih tinggi akan memberikan nilai reflektan lebih rendah, karena energi yang diberikan dalam bentuk radiasi elektromagnetik pada kisaran gelombang NIR lebih banyak diserap oleh ikatan O-H yang ada dalam biji jarak, sehingga jumlah yang direfleksikan menjadi sedikit. Hal yang sama juga terjadi pada beberapa tingkat kadar air, namun perbedaan kadar air tidak berbanding lurus dengan perbedaan nilai reflektannya, hal ini menunjukan ketidak linearan hubungan antara nilai reflektan dengan nilai referensinya.
0 0.2 0.4 0.6 0.8 1 1000 1200 1400 1600 1800 2000 2200 2400 wavelength (nm) N o rm a lis a s i-R e fl e k ta n japag 1017 (60%) japag 1016 (53%) japag 2015 (40%) japag 1034 (30%) japag 2037 (20%) japag 1051 (10%) Panjang gelombang (nm)
Perlakuan derivatif akan memperlihatkan perubahan nilai spektra yang terjadi pada setiap titik panjang gelombang dengan persamaan D’= ∆y/∆x. dengan melakukan perlakuan derivatif pada data reflektan-normalisasi, maka aktivitas air pada kisaran panjang gelombang 1180-1190 nm dapat terlihat dengan jelas.
Gambar 13. Spektra reflektan-normalisasi-derivativepertama.
Pada Gambar 13 terlihat bahwa pada kisaran panjang gelombang 1180 nm, dan 1900 nm puncak nilai reflektan terlihat dengan jelas, hal ini menunjukan kandungan kadar air dari biji jarak. Hubungan ketidak linearan data spektra juga terlihat jelas pada Gambar 11 dan 12, dari peningkatan kadar air yang tidak sebanding (proporsional) dengan peningkatan nilai reflektannya.
Sifat Kimia Biji Jarak Pagar
Pengembangan model kalibrasi didasarkan pada nilai reflektan spektra dengan hasil pengukuran kandungan bahan secara destruktif dalam hal ini menggunakan metode kimia. Data pengukuran selengkapnya pada Lampiran 1, dalam pembuatan suatu model kalibrasi dibutuhkan data dengan sebaran yang lebih lebar sehingga dapat mewakili kondisi sebenarnya.
Pengukuran mutu biji jarak pagar secara destruktif digunakan sebagai data referensi dalam pengembangan model kalibrasi, data ini sangat menentukan keberhasilan pendugaan nilai parameter mutu menggunakan NIR. Semua proses pengukuran pasti akan menghasilkan nilai error, termasuk pengukuran nilai
-0.02 -0.015 -0.01 -0.005 0 0.005 1000 1200 1400 1600 1800 2000 2200 2400 wavelength (nm) re fl e k ta n -n o rm a li s a s i-d e ri v a t japag 1017 (60%) japag 1016 (53%) japag 2015 (40%) japag 1034 (30%) japag 2037 (20%) japag 1051 (10%) Panjang gelombang (nm)
37
destruktif terhadap parameter mutu biji jarak pagar. Untuk mengurangi error tersebut maka dilakukan proses pengukuran dengan menggunakan metode pengukuran yang sudah diakui secara umum, dalam hal ini menggunakan metode yang dikembangkan oleh AOAC.
Kesalahan atau error dalam pengukuran dapat disebabkan oleh beberapa hal antara lain metode pengukuran (destruktif dan nondestruktif), kesalahan pada alat ukur yang digunakan, dan kesalahan oleh operator dalam melakukan pengukuran.
Pada penelitian ini, metode yang digunakan untuk melakukan pengukuran destruktif berdasarkan AOAC, sedangkan alat ukur yang digunakan dalam penelitian ini merupakan alat ukur yang sudah terstandarisasi dan terkalibrasi. Namun pengukuran destruktif dilakukan sendiri, hal ini dilakukan karena dari beberapa laboratorium yang dapat melakukan pengukuran parameter mutu dari biji jarak pagar yang ada dan yang sudah terakreditasi tidak menyanggupi melakukan pengukuran dengan jumlah sampel yang diminta dalam waktu yang singkat (paling cepat 4 hari untuk satu sampel). Jarak pagar merupakan bahan pertanian yang masih belum banyak diteliti, sehingga sifat dan karakteristiknya pun masih belum banyak diketahui. Kekawatiran terjadinya perubahan karakteristik biji jarak pagar dalam waktu cepat selepas panen, mengharus pengukuran karakteristik biji jarak pagar dengan lebih cepat.
Pengukuran parameter mutu biji jarak pagar dilakukan dalam waktu 42 jam untuk 7 kali ulangan tiap jenis pelakuan, waktunya terhitung setelah proses pengambilan data spektranya, dan selama menunggu untuk dilakukan analisa kadar minyaknya, sampel disimpan dalam desikator. Sehingga diharapkan tidak terjadi perbedaan yang nyata antara data pengukuran secara destruktif dengan nilai reflektan NIR dan akan mempengaruhi tingkat keberhasilan model kalibrasi. Dalam rangka mengurangi tingkat kemungkinan nilaierrorpengukuran dari aspek human error, maka sebelum dilakukan pengambilan data dilakukan latihan selama satu bulan.
Pembandingan nilai pengukuran sendiri dengan pengukuran pada laboratorium tidak dilakukan karena perbedaan pendekatan waktu pengukuran, pengukuran didasarkan pada metode pengukuran dan peralatan yang digunakan
serta pengamatan dan pengawasan yang maksimal selama proses pengambilan data. Walau sebaik apa pun metode, peralatan dan operator pengukuran, kesalahan dalam pengukuran pasti saja terjadi. Sehingga nilai pendugaan parameter mutu biji jarak pagar dengan menggunakan NIR disertakan dengan nilaierrornya,error yang dimaksud adalah nilai error dari NIR dan model penduganya, belum termasuk error yang terjadi selama pengukuran secara destruktif. Error yang terjadi selama proses pengukuran secara destruktif tidak dapat dinyatakan dalam penelitian ini, karena tidak ada pembanding yang tingkat keakuratannya mencapai 100%. Sedangkan jika dilakukan pembandingan terhadap laboratorium yang terakreditasi, mempunyai perbedaan pendekatan waktu pengukuran dengan pendekatan waktu pengukuran yang digunakan dalam penelitian ini, mengingat masih banyak hal-hal yang belum terungkap tentang karakteristik biji jarak pagar tersebut sehingga pengukurannya pun tidak bisa diperlakukan dengan prosedur yang umum diterapkan laboratorium, apalagi dengan prosedur antrian dalam proses pengukuran datanya.
Model PCA-BPNN
Principle Component Analysis (PCA)
Data spektra reflektan biji jarak digunakan sebagai input untuk analisa komponen utama, karena menggunakan panjang gelombang pada rentang 1000-2500 nm (10000-4000 cm-1) sehingga menghasilkan 1500 data spektra tiap sampel. Program MINITAB R-14 hanya dapat melakukan analisa komponen utama dengan matrik input 1000 kolom data, sehingga dalam penelitian ini hanya menggunakan 1000 data spektra. Agar tidak menghilangkan informasi yang dibawa oleh spektra, maka teknik pengurangan didasarkan pada karakteristik spektra. Karakteristik spektra dapat dilihat pada data spektra yang telah diturunkan, baik turunan pertama maupun turunan kedua. Seperti yang dapat dilihat pada Gambar 14 yang merupakan turunan kedua dari data spektra, pada jumlah gelombang 10000-1000 cm-1 (1000-1250 nm) tidak menunjukan puncak reflektan yang jelas sehingga dapat tidak digunakan dalam perhitungan komponen utama karena tidak membawa informasi yang berarti.
41
node yang digunakan adalah varibel model dan lapisan output merupakan nilai target.
Jumlah PC yang digunakan adalah bervariasi (maksimal 20 PC), karena dengan 20 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Untuk mengoptimasi kinerja jaringan maka dilakukan kombinasi jumlahnodeinput,nodepada lapisan terselubung dan target. Variasi node input dilakukan adalah 5, 10, 15, dan 20 PC sedangkan node pada lapisan terselubung dengan variasi 5, 10, 15, dan 20 node. Pada node output dilakukan 4 kombinasi yaitu tiga output secara bersamaan dan satu output untuk tiap parameter, dengan set data pelatihan dan kalibrasi dapat dilihat pada Lampiran 2 hingga Lampiran 3.
Parameter pelatihan yang digunakan antara lain laju pembelajaran (etha) dengan rentang nilai 0-0.9, konstanta momentum (alpha) dengan rentang nilai 0-0.9 dan konstanta persamaan sigmoid (temp) dengan rentang nilai 0-1. Pada penelitian ini menggunakan nilai etha 0.9, alpha 0.6 dan temp 1, proses iterasi dilakukan sebanyak 200 000 iterasi, pada iterasi ini nilai pengurangan error pelatihan sangat kecil sehingga model jaringan saraf dikatakan jenuh dan iterasi selesai. Pemilihan nilai parameter pelatihan JST dihasilkan dari proses trail and error sehingga didapatkan kombinasi yang optimal seperti di atas, settingan pelatihan JST pada program JST yang dikembangkan Rudyanto dkk. (2003) dapat dilihat pada Lampiran 5.
Proses pelatihan dan pendugaan menggunakan arsitektur 20 variabel input, 10 simpul pada lapisan terselubung dan tiga output parameter (20-10-3) memberikan nilai RMSEC, RMSEP dan koefisien korelasi lebih baik. Kombinasi arsitektur jaringan ini menghasilkan 230 nilai penimbang. Nilai RMSEP yang dihasilkan adalah 3.718%, 1.314% dan 1.989% untuk kadar minyak, FFA dan kadar air sedangkan koefisien korelasi 0.848, 0.872 dan 0.993 untuk kadar minyak, FFA dan kadar air. Selain nilai RMSEC, RMSEP dan koefisien korelasi juga mempertimbangkan tingkat kestabilan sistem jaringan yang ditandai dengan selisih nilai RMSEC dengan nilai RMSEP. Semakin tinggi selisih kedua nilai parameter error tersebut maka semakin kurang akurat dalam melakukan pendugaan, hal ini karena sistem jaringan mengalami over fitting dalam proses
Gambar 18. Grafik perba FFA biji jara
Hasil Kalibrasi dan Va Hasil kalibrasi d hingga Gambar 21. Pad (r2) kalibrasi untuk ke determinasi (r2) validasi 0.719 dan 0.761 secara dengan lebih baik yang d tinggi yaitu 0.986, kon menggambarkan kandun pendugaan kandungan FF
Gambar 19. Hasil kali
rbandingan nilaierrorkalibrasi dan pendugaan kan arak pagar.
Validasi Model JST
si dan validasi model JST dapat dilihat pada Ga ada grafik di bawah terlihat bahwa nilai derajat d
ketiga parameter cukup baik, sedangkan nil asi untuk kandungan minyak dan kandungan FF ara berurutan. Pendugaan kandungan air dapat
g dicerminkan dari nilai derajat determinasi (r2) y ondisi ini menyatakan bahwa nilai reflektan NI ungan air dalam biji jarak lebih baik dibandingk FFA dan kadar minyak.
alibrasi dan validasi model JST untuk kandungan m
43 kandungan Gambar 19 t determinasi nilai derajat FFA adalah at dilakukan ) yang cukup NIR dapat gkan dengan n minyak.
Gambar 20. Hasil ka
Gambar 21. Hasil kalib
Pada Tabel 3 hin skenario jaringan JST y tersebut menyatakan sim sampel A dengan X% minyak, demikian juga d Permasalahan pa menentukan parameter m tersebut berpengaruh ter untuk tiap nilai paramete
kalibrasi dan validasi model JST untuk kandungan
alibrasi dan validasi model JST untuk kandungan k
hingga Tabel 5 dapat dilihat nilai RMSEC dan RM yang optimal yaitu 20-10-3, nilai RMSEC dan impangan dari nilai referensinya. Kandungan min X% minyak, akan diduga sebesar X% minyak ±
a dengan pendugaan nilai FFA dan kadar air. pada perdagangan biji jarak pagar saat ini adala r mutu biji jarak pagar dengan cepat, nilai param terhadap harga jual biji jarak pagar, namun perbed eter mutu jarak pagar tersebut belum ada standarny
gan FFA. n kadar air RMSEP dari dan RMSEP inyak untuk k ± 3.710% alah sulitnya ameter mutu bedaan harga rnya.
45
Tabel 3. Analisa kandungan minyak