Penentuan komposisi kimia jagung secara nondestruktif dengan metode near infrared reflectance (NIR) dan jaringan saraf tiruan

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA

NONDESTRUKTIF DENGAN METODE

NEAR INFRARED

REFLECTANCE

(NIR) DAN JARINGAN SARAF TIRUAN

OLEH :

HARMI ANDRIANYTA

F051020131

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI TESIS

DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan adalah karya saya sendiri dengan komisi pembimbing Dr. Ir I Wayan Budiatra, M.Agr dan Dr. Ir Suroso, M.Agr dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal dari atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Agustus 2006

Harmi Andrianyta

ABSTRAK

HARMI ANDRIANYTA. Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan. Dibimbing oleh I WAYAN BUDIASTRA sebagai Ketua, SUROSO sebagai Anggota.

Penelitian ini bertujuan untuk mengkaji penerapan teknologi Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan (JST) untuk menentukan kadar proksimat dan asam amino jagung. Pada penelitian ini spektrum NIR yang digunakan adalah panjang gelombang 900 – 2000 nm dengan interval 5 nm. Hasil pengukuran adalah data reflektan dari 50 sampel jagung masing-masing 220 titik pengukuran. Data reflektan ini selanjutnya ditransformasi menjadi nilai absorban dengan Log (1/R). Analisis komponen utama digunakan untuk mengekstrak seluruh data absorban dan reflektan menjadi beberapa komponen utama (PC) yang bersifat tidak menghilangkan variasi data asal dan tidak saling berkorelasi.

Jaringan saraf tiruan (JST) digunakan untuk kalibrasi penentuan kadar proksimat dan asam amino jagung dengan spektrum NIR. Struktur JST yang dikembangkan terdiri atas tiga lapisan (lapisan input, lapisan terselubung dan lapisan output). Sebagai input digunakan 5, 10 dan 15 komponen utama dari data absorban dan data reflektan dikombinasikan dengan 4, 6, 8, 10 dan 12 noda lapisan terselubung. Output dari JST ini adalah pendugaan komposisi kimia jagung secara simultan dan terpisah. Metode pelatihan JST yang digunakan adalah backpropagation dengan laju pelatihan dan momentum adalah 0.4 dan 0.8 menggunakan fungsi transfer sigmoid.

Pada pelatihan JST digunakan 35 sampel dan 15 sampel lainnya digunakan untuk validasi. Untuk mengevaluasi kinerja JST digunakan parameter Standar error validasi (SEv) dan koefisien keragaman (CV) dari hasil pendugaan secara simultan dan terpisah.

Hasil pendugaan JST terbaik untuk proksimat diperoleh dengan menggunakan model output komposisi kimia secara terpisah. Protein dapat diduga dengan baik menggunakan input data absorban 10 PC dan 6 noda lapisan terselubung (CV= 0.118%, SEv=0.001%), lemak menggunakan data absorban dengan 10 PC dan 4 noda lapisan terselubung (CV=0.054%, SEv=0.222%), kadar air dengan input data absorban 15 PC dan 6 noda lapisan terselubung (CV=0.047%, SEv=0.004%) dan karbohidrat menggunakan input input data reflektan 15 PC dan 6 noda lapisan terselubung (CV=0.002%, SEv=0.001%). Pendugaan asam amino terbaik JST juga diperoleh dengan output secara terpisah. Tyrosin dan threonin dengan menggunakan input data reflektan, CV dan SEv masing-masing adalah (2.101% dan 0.006%) dan (0.119% dan 0.0003%). Methionin, lysin, arginin dan leusin dengan menggunakan data absorban masing-masing CV dan SEv adalah (0.076% dan 0.0%), ( 0.597% dan 0.001%), (6.633% dan 0.036%) dan (0.340% dan 0.002%).

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA

NONDESTRUKTIF DENGAN METODE

NEAR INFRARED

REFLECTANCE

(NIR) DAN JARINGAN SARAF TIRUAN

HARMI ANDRIANYTA

Tesis

sebagai salah satu syarat untuk memperoleh gelar

Magister Sains pada

Program Studi Teknologi Pasca Panen

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

Judul Tesis : Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan

Nama : Harmi Andrianyta NRP : F051020131

Program Studi : Teknologi Pasca Panen

Disetujui,

1. Komisi Pembimbing

Dr. Ir. I Wayan Budistra, M.Agr. Dr. Ir. Suroso, M.Agr. Ketua Anggota

Diketahui,

2. Ketua Program Studi 3. Direktur Sekolah Pascasarjana Teknologi Pasca Panen

Dr. Ir. I Wayan Budiastra, M.Agr. Dr. Ir. Khairil Anwar Notodiputro, MS.

RIWAYAT HIDUP

Penulis dilahirkan di Sicincin (Sumatera Barat) pada tanggal 8 Maret 1979

sebagai anak tunggal pasangan Ibu Zuhaimi dan Bapak Baharuddin. Jenjang pendidikan

sejak dari SD sampai SMU diselesaikan di kota asal penulis. Pada tahun 1997 penulis

diterima pada Program Studi Pemuliaan Tanaman Jurusan Budidaya Pertanian IPB

melalui jalur USMI (Undangan Seleksi Masuk IPB). Gelar Sarjana Pertanian diperoleh

pada tahun 2002. Pada tahun yang sama penulis melanjutkan pendidikan S2 di IPB

Program Studi Teknologi Pasca Panen atas biaya sendiri.

Selama mengikuti perkuliahan S1 penulis menjadi asisten praktikum mata kuliah

Botani Umum dan Taksonomi Tumbuhan Tingkat Tinggi pada tahun 2000. Karya Tulis

Penulis dengan judul ”Uji Ketahanan 12 Genotipe Padi Gogo Terhadap Penyakit Blas

Daun dengan Metode Inokulasi Semprot dan Metode SCAR (Sequence Characterized

Amplified Region)” pernah dimuat di Bulletin Agronomi pada Tahun 2002.

Pada tahun 2004, penulis diterima sebagai Pegawai Negeri Departemen

Pertanian di Lingkup Badan Penelitian dan Pengembangan Pertanian. Unit kerja Balai

Besar Pengkajian dan Pengembangan Teknologi Pertanian sebagai Calon Peneliti.

PRAKATA

Puji syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan

karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih adalah

metode nondestruktif dalam penentuan komposisi kimia dengan judul “ Penentuan

Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance

(NIR) dan Jaringan Saraf Tiruan.

Terimakasih penulis ucapkan kepada Dr. Ir. I Wayan Budiastra, M.Agr,

Dr. Ir. Suroso, M.Agr sebagai Ketua dan Anggota Komisi Pembimbing, Dr. Ir. I Wayan

Astika, MSi sebagai dosen penguji yang telah banyak memberi masukan dan perbaikan

tesis ini. Di samping itu penghargaan penulis sampaikan Kepada Bapak Sulyaden,

Asisten Laboratorium TPPHP Departemen Teknik Pertanian, yang telah banyak

membantu selama penulis melakukan penelitian. Penulis juga menyampaikan

terimakasih kepada laboran di laboratorium Kimia Pangan, Departemen Ilmu dan

Teknologi Pangan IPB dan Laboratorium Analisis Kimia Balai Litbang Pasca Panen. Tak

lupa penulis juga mengucapkan terimakasih kepada rekan-rekan seangkatan TPP 2002

atas bantuan dan dukungannya. Ungkapan terimakasih yang mendalam penulis

persembahkan untuk Ibunda Zuhaimi dan keluarga atas dukungan doa, biaya dan kasih

sayangnya. Semoga Allah SWT membalas semua kebaikan dengan sesuatu yang jauh

lebih baik.

Akhir kata penulis berharap semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2006

Karya ini kupersembahkan untuk Suamiku tercinta,

DAFTAR ISI

Halaman

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

DAFTAR LAMPIRAN ... x

PENDAHULUAN Latar Belakang...1

Tujuan ...3

TINJAUAN PUSTAKA Jagung ... 4

Teknologi Near Infrared ... 7

Jaringan Saraf Tiruan ...10

Principal Component Analysis (Analisis Komponen Utama)...14

METODOLOGI PENELITIAN Tempat dan Waktu Penelitian... 18

Bahan dan Alat... 18

Diagram Alir Penelitian... 21

Pengukuran Spektrum Pantulan (Reflektan) ... 22

Pengukuran Kadar Air ... 23

Penentuan Kadar Karbohidrat... 23

Penentuan Kadar Protein ... 24

Penentuan Asam Amino ... 24

Penentuan Kadar lemak ... 25

Pengembangan Model Jaringan Saraf Tiruan ... 25

Analisis Data ... 26

HASIL DAN PEMBAHASAN Data Absorban dan Reflektan NIR Jagung... 28

Data Kimia Proksimat dan Asam Amino Jagung ... 30

Pendugaan Proksimat Jagung dengan JST Output Terpisah... 31

Data Absorban ... 31

Data Reflektan ... 32

Pendugaan Proksimat Jagung dengan JST Output Secara Simultan ... 36

Data Absorban ... 36

Data Reflektan ... 37

Pendugaan Asam Amino Jagung dengan JST Output Secara Terpisah.. 39

Data Absorban ... 39

Pendugaan Asam Amino Jagung dengan JST Output Secara Simultan.. 44

Data Absorban ... 44

Data Reflektan ... 45

SIMPULAN DAN SARAN Simpulan ... 49

Saran ... 49

DAFTAR PUSTAKA ... 50

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA

NONDESTRUKTIF DENGAN METODE

NEAR INFRARED

REFLECTANCE

(NIR) DAN JARINGAN SARAF TIRUAN

OLEH :

HARMI ANDRIANYTA

F051020131

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI TESIS

DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan adalah karya saya sendiri dengan komisi pembimbing Dr. Ir I Wayan Budiatra, M.Agr dan Dr. Ir Suroso, M.Agr dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal dari atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Agustus 2006

Harmi Andrianyta

ABSTRAK

HARMI ANDRIANYTA. Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan. Dibimbing oleh I WAYAN BUDIASTRA sebagai Ketua, SUROSO sebagai Anggota.

Penelitian ini bertujuan untuk mengkaji penerapan teknologi Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan (JST) untuk menentukan kadar proksimat dan asam amino jagung. Pada penelitian ini spektrum NIR yang digunakan adalah panjang gelombang 900 – 2000 nm dengan interval 5 nm. Hasil pengukuran adalah data reflektan dari 50 sampel jagung masing-masing 220 titik pengukuran. Data reflektan ini selanjutnya ditransformasi menjadi nilai absorban dengan Log (1/R). Analisis komponen utama digunakan untuk mengekstrak seluruh data absorban dan reflektan menjadi beberapa komponen utama (PC) yang bersifat tidak menghilangkan variasi data asal dan tidak saling berkorelasi.

Jaringan saraf tiruan (JST) digunakan untuk kalibrasi penentuan kadar proksimat dan asam amino jagung dengan spektrum NIR. Struktur JST yang dikembangkan terdiri atas tiga lapisan (lapisan input, lapisan terselubung dan lapisan output). Sebagai input digunakan 5, 10 dan 15 komponen utama dari data absorban dan data reflektan dikombinasikan dengan 4, 6, 8, 10 dan 12 noda lapisan terselubung. Output dari JST ini adalah pendugaan komposisi kimia jagung secara simultan dan terpisah. Metode pelatihan JST yang digunakan adalah backpropagation dengan laju pelatihan dan momentum adalah 0.4 dan 0.8 menggunakan fungsi transfer sigmoid.

Pada pelatihan JST digunakan 35 sampel dan 15 sampel lainnya digunakan untuk validasi. Untuk mengevaluasi kinerja JST digunakan parameter Standar error validasi (SEv) dan koefisien keragaman (CV) dari hasil pendugaan secara simultan dan terpisah.

Hasil pendugaan JST terbaik untuk proksimat diperoleh dengan menggunakan model output komposisi kimia secara terpisah. Protein dapat diduga dengan baik menggunakan input data absorban 10 PC dan 6 noda lapisan terselubung (CV= 0.118%, SEv=0.001%), lemak menggunakan data absorban dengan 10 PC dan 4 noda lapisan terselubung (CV=0.054%, SEv=0.222%), kadar air dengan input data absorban 15 PC dan 6 noda lapisan terselubung (CV=0.047%, SEv=0.004%) dan karbohidrat menggunakan input input data reflektan 15 PC dan 6 noda lapisan terselubung (CV=0.002%, SEv=0.001%). Pendugaan asam amino terbaik JST juga diperoleh dengan output secara terpisah. Tyrosin dan threonin dengan menggunakan input data reflektan, CV dan SEv masing-masing adalah (2.101% dan 0.006%) dan (0.119% dan 0.0003%). Methionin, lysin, arginin dan leusin dengan menggunakan data absorban masing-masing CV dan SEv adalah (0.076% dan 0.0%), ( 0.597% dan 0.001%), (6.633% dan 0.036%) dan (0.340% dan 0.002%).

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA

NONDESTRUKTIF DENGAN METODE

NEAR INFRARED

REFLECTANCE

(NIR) DAN JARINGAN SARAF TIRUAN

HARMI ANDRIANYTA

Tesis

sebagai salah satu syarat untuk memperoleh gelar

Magister Sains pada

Program Studi Teknologi Pasca Panen

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

Judul Tesis : Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan

Nama : Harmi Andrianyta NRP : F051020131

Program Studi : Teknologi Pasca Panen

Disetujui,

1. Komisi Pembimbing

Dr. Ir. I Wayan Budistra, M.Agr. Dr. Ir. Suroso, M.Agr. Ketua Anggota

Diketahui,

2. Ketua Program Studi 3. Direktur Sekolah Pascasarjana Teknologi Pasca Panen

Dr. Ir. I Wayan Budiastra, M.Agr. Dr. Ir. Khairil Anwar Notodiputro, MS.

RIWAYAT HIDUP

Penulis dilahirkan di Sicincin (Sumatera Barat) pada tanggal 8 Maret 1979

sebagai anak tunggal pasangan Ibu Zuhaimi dan Bapak Baharuddin. Jenjang pendidikan

sejak dari SD sampai SMU diselesaikan di kota asal penulis. Pada tahun 1997 penulis

diterima pada Program Studi Pemuliaan Tanaman Jurusan Budidaya Pertanian IPB

melalui jalur USMI (Undangan Seleksi Masuk IPB). Gelar Sarjana Pertanian diperoleh

pada tahun 2002. Pada tahun yang sama penulis melanjutkan pendidikan S2 di IPB

Program Studi Teknologi Pasca Panen atas biaya sendiri.

Selama mengikuti perkuliahan S1 penulis menjadi asisten praktikum mata kuliah

Botani Umum dan Taksonomi Tumbuhan Tingkat Tinggi pada tahun 2000. Karya Tulis

Penulis dengan judul ”Uji Ketahanan 12 Genotipe Padi Gogo Terhadap Penyakit Blas

Daun dengan Metode Inokulasi Semprot dan Metode SCAR (Sequence Characterized

Amplified Region)” pernah dimuat di Bulletin Agronomi pada Tahun 2002.

Pada tahun 2004, penulis diterima sebagai Pegawai Negeri Departemen

Pertanian di Lingkup Badan Penelitian dan Pengembangan Pertanian. Unit kerja Balai

Besar Pengkajian dan Pengembangan Teknologi Pertanian sebagai Calon Peneliti.

PRAKATA

Puji syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan

karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih adalah

metode nondestruktif dalam penentuan komposisi kimia dengan judul “ Penentuan

Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance

(NIR) dan Jaringan Saraf Tiruan.

Terimakasih penulis ucapkan kepada Dr. Ir. I Wayan Budiastra, M.Agr,

Dr. Ir. Suroso, M.Agr sebagai Ketua dan Anggota Komisi Pembimbing, Dr. Ir. I Wayan

Astika, MSi sebagai dosen penguji yang telah banyak memberi masukan dan perbaikan

tesis ini. Di samping itu penghargaan penulis sampaikan Kepada Bapak Sulyaden,

Asisten Laboratorium TPPHP Departemen Teknik Pertanian, yang telah banyak

membantu selama penulis melakukan penelitian. Penulis juga menyampaikan

terimakasih kepada laboran di laboratorium Kimia Pangan, Departemen Ilmu dan

Teknologi Pangan IPB dan Laboratorium Analisis Kimia Balai Litbang Pasca Panen. Tak

lupa penulis juga mengucapkan terimakasih kepada rekan-rekan seangkatan TPP 2002

atas bantuan dan dukungannya. Ungkapan terimakasih yang mendalam penulis

persembahkan untuk Ibunda Zuhaimi dan keluarga atas dukungan doa, biaya dan kasih

sayangnya. Semoga Allah SWT membalas semua kebaikan dengan sesuatu yang jauh

lebih baik.

Akhir kata penulis berharap semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2006

Karya ini kupersembahkan untuk Suamiku tercinta,

DAFTAR ISI

Halaman

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

DAFTAR LAMPIRAN ... x

PENDAHULUAN Latar Belakang...1

Tujuan ...3

TINJAUAN PUSTAKA Jagung ... 4

Teknologi Near Infrared ... 7

Jaringan Saraf Tiruan ...10

Principal Component Analysis (Analisis Komponen Utama)...14

METODOLOGI PENELITIAN Tempat dan Waktu Penelitian... 18

Bahan dan Alat... 18

Diagram Alir Penelitian... 21

Pengukuran Spektrum Pantulan (Reflektan) ... 22

Pengukuran Kadar Air ... 23

Penentuan Kadar Karbohidrat... 23

Penentuan Kadar Protein ... 24

Penentuan Asam Amino ... 24

Penentuan Kadar lemak ... 25

Pengembangan Model Jaringan Saraf Tiruan ... 25

Analisis Data ... 26

HASIL DAN PEMBAHASAN Data Absorban dan Reflektan NIR Jagung... 28

Data Kimia Proksimat dan Asam Amino Jagung ... 30

Pendugaan Proksimat Jagung dengan JST Output Terpisah... 31

Data Absorban ... 31

Data Reflektan ... 32

Pendugaan Proksimat Jagung dengan JST Output Secara Simultan ... 36

Data Absorban ... 36

Data Reflektan ... 37

Pendugaan Asam Amino Jagung dengan JST Output Secara Terpisah.. 39

Data Absorban ... 39

Pendugaan Asam Amino Jagung dengan JST Output Secara Simultan.. 44

Data Absorban ... 44

Data Reflektan ... 45

SIMPULAN DAN SARAN Simpulan ... 49

Saran ... 49

DAFTAR PUSTAKA ... 50

DAFTAR TABEL

Halaman

1 Komposisi Kimia Jagung (% Bobot Kering) ... 5

2 Persyaratan Mutu Jagung Untuk Perdagangan ... 6

3 Persyaratan Mutu Jagung Sebagai Bahan Pakan ... 7

4 Hasil Analisis Proksimat dan Asam Amino Jagung... 31

5 Rekapitulasi Nilai CV Validasi Proksimat Output Terpisah Data Absorban dan Data Reflektan ... 34

6 Hasil Prediksi Terbaik JST Output Proksimat Secara Terpisah ... 35

7 Rekapitulasi Nilai CV Validasi Proksimat Output Simultan Data Absorban dan Data Reflektan ... 39

8 Rekapitulasi Nilai CV Validasi Asam Amino Output Terpisah Data Absorban dan Data Reflektan ... 42

9 Hasil Prediksi Terbaik JST Output Asam Amino Output Secara Terpisah... 43

DAFTAR GAMBAR

Halaman

1 Jagung ... 5

2 Sel Saraf (neuron) dengan Akson dan Dendrit(www.praweda.co.id)... 10

3 Model Jaringan Saraf Tiruan (Takagi, 1997)... 10

4 Vektor Principal Component Analysis (www.optimaldesign.com) ... 15

5 Sistem Deteksi NIR Hasil Modifikasi (Budiastra dan Ahmad, 2005) ... 19

6 Sampel Jagung Utuh Untuk Scanning NIR... 19

7 Sistem Pengukuran NIR (Budiastra dan Ahmad, 2005)... 20

8 Diagram Alir Penelitian... 21

9 Model Jaringan Saraf Tiruan ... 26

10 Spektrum Reflectan NIR Pada Beberapa Sampel Jagung ... 28

11 Spektrum Absorban NIR Pada Beberapa Sampel Jagung ... 29

12 Kumulatif variasi dari 15 komponen utama A) Absorban B) Reflektan... 30

13 CV Validasi Proksimat Output Terpisah Menggunakan Data Absorban... 32

14 CV Validasi Proksimat Output Terpisah Menggunakan Data Reflektan... 33

15 Perbandingan Nilai Dugaan JST Dengan Nilai Kimia Proksimat ... 35

16 CV Validasi Proksimat Output Simultan Menggunakan Data Absorban ... 36

17 CV Validasi Proksimat Output Simultan Menggunakan Data Reflektan ... 37

18 CV Validasi Asam Amino Output Terpisah Menggunakan Data Absorban... 40

19 CV Validasi Asam Amino Output Terpisah Menggunakan Data Reflektan... 41

20 Perbandingan Nilai Dugaan JST Dengan Nilai Kimia Asam Amino ... 43

21 CV Validasi Asam Amino Output Simultan Menggunakan Data Absorban... 44

DAFTAR LAMPIRAN

Halaman

1 Nilai CV JST Proksimat Output Terpisah Menggunakan

Data Absorban ... 53

2 Nilai CV JST Proksimat Output Simultan Menggunakan

Data Absorban ... 54

3 Nilai CV JST Proksimat Output Terpisah Menggunakan

Data Reflektan ... 55

4 Nilai CV JST Proksimat Output Simultan Menggunakan

Data Reflektan ... 56

5 Nilai CV JST Asam Amino Output Terpisah Menggunakan Data Absorban... 57

6 Nilai CV JST Asam Amino Output Simultan Menggunakan Data Absorban ... 58

7 Nilai CV JST Asam Amino Output Simultan Menggunakan Data Reflektan ... 59

8 Nilai CV JST Asam Amino Output Simultan Menggunakan Data Reflektan ... 60

9 Analisis Kimia 50 Sampel Jagung... 61

10 Nilai 15 Komponen Utama Hasil Ekstrak Dari Data Absorban NIR Jagung... 63

11 Nilai 15 Komponen Utama Hasil Ekstrak Dari Data Reflektan NIR Jagung... 66

12 Deskripsi Varietas Jagung ... 69

PENDAHULUAN Latar Belakang

Jagung merupakan tanaman pangan yang banyak dibudidayakan di Indonesia

selain padi. Tanaman jagung telah diperkenalkan di Indonesia sejak awal abad ke 16

oleh bangsa Portugis dan Spanyol dari daerah tropis Amerika melalui Eropa, India dan

Cina. Dalam tiga dasawarsa terakhir telah berkembang secara luas plasmanutfah dan

varietas baru jagung di Indonesia. Produksi jagung tahun 2005 (Ramalan II)

diperkirakan sebesar 11,74 juta ton pipilan kering atau naik sebesar 4,56 persen

dibandingkan produksi tahun 2004 (11,23 juta ton). Kenaikan produksi jagung terutama

disebabkan oleh kenaikan produktivitas dengan adanya perubahan varietas yang ditanam

petani dari varietas lokal ke varietas komposit atau hibrida (BPS, 2005).

Jagung di Indonesia pada umumnya diusahakan pada lahan-lahan marginal,

yang rawan kekeringan dan tanah yang kurang subur. Faktor lainnya seperti keasaman

tanah, masalah gulma yang bersifat persisten dan terbatasnya modal serta kurangnya

infestasi alat menjadi faktor penyebab tidak optimalnya produksi jagung di Indonesia.

Oleh karena itu untuk memenuhi kebutuhan jagung dalam negeri kita masih mengimpor

jagung setiap tahunnya yaitu sebesar US$125.5 juta. Kegunaan jagung di Indonesia

sebagian besar adalah untuk pakan ternak dan industri (sekitar 70%) sedangkan sisanya

adalah untuk konsumsi manusia dalam bentuk olahan jagung. Permintaan jagung untuk

bahan baku pakan ini terus meningkat seiring dengan berkembangnya sektor

peternakan.

Pengendalian mutu merupakan usaha mempertahankan mutu selama proses

produksi sampai produk berada di tangan konsumen pada batas yang dapat diterima

dengan biaya seminimal mungkin. Pengendalian mutu jagung pada saat pasca panen

dilakukan mulai pemanenan, pengeringan awal, pemipilan, pengeringan akhir,

pengemasan dan penyimpanan.

Pemanenan dilakukan pada saat jagung telah mencapai masak fisiologis yaitu

umur demikian biasanya daun jagung/klobot telah kering dan berwarna

kekuning-kuningan. Selanjutnya dipisahkan antara jagung yang layak jual dengan jagung yang

busuk, muda dan berjamur untuk dilakukan proses pengeringan. Penanganan

pascapanen ini memegang peranan penting dalam kualitas dan pengolahan jagung

selanjutnya baik sebagai bahan baku pakan atau bahan makanan manusia.

Keberhasilan pengembangan jagung tidak hanya ditentukan oleh tingginya

produktivitas saja tetapi juga oleh mutu produk, agar komoditas tersebut mampu

bersaing, dan memiliki keunggulan kompetitif. Dengan demikian pengendalian mutu

memegang peranan yang penting dalam menjamin mutu jagung. Karena produksi jagung

cukup besar, maka diperlukan teknik/metode yang dapat menentukan mutu jagung

dengan cepat dan akurat.

Teknologi Near infrared dikembangkan sebagai salah satu metode yang

nondestruktif, dapat menganalisa dengan kecepatan tinggi, tidak menimbulkan polusi,

penggunaan preparat contoh yang sederhana dan tidak memerlukan bahan kimia.

Aplikasi teknologi NIR diawali Norris dan Hart (1965) yang mengukur kadar air yang

terkandung dalam biji dengan menggunakan transmitance spectroscopy. Hasil temuan

mereka adalah kadar air dalam biji-bijian (bahan) dapat diukur pada panjang gelombang

1940 nm. Kays et al. (1997, 2002) memprediksi kandungan serat makanan yang dapat

larut dan tidak dapat larut pada biji-bijian dengan near infrared reflectance spectroscopy,

pengukuran kekerasan biji gandum (Delwiche, 1993). Cravener et al. (2001) memprediksi

kandungan asam amino pada pakan ternak dengan metode kalibrasi genetika

algoritma-jaringan saraf tiruan. Teknologi NIR dapat memprediksi secara akurat asam amino

esensial pada gandum, barley, sorgum, jagung dan beras pada panjang gelombang 1100

– 2500 nm menggunakan data absorban (Fontaine et al. 2002).

Untuk mendapatkan informasi yang diinginkan dari spektrum infra merah dekat

banyak ditentukan oleh kualitas spektrum yang dihasilkan dan metode kalibrasi yang

digunakan untuk menganalisa spektrum. Terdapat beberapa metode kalibrasi yang

(1/R) yang sering disebut delta optical data, metode linier regresi berganda (MLR),

regresi komponen utama (PCA), regresi parsial kuadrat terkecil (PLS) dan jaringan saraf

tiruan (JST) (Osborne et al. 1993).

Jaringan saraf tiruan adalah salah satu metode yang dikembangkan untuk

kalibrasi spektrum infra merah dekat (Osborne et al., 1993). Paterson (1995)

menyatakan bahwa JST merupakan suatu model sederhana dari sistem saraf biologis

yang meniru cara kerja otak manusia dalam memecahkan masalah yang dihadapi.

Keuntungan dari metode JST adalah dapat membentuk fungsi nonlinier dan hanya

memerlukan data masukan dan keluaran tanpa mengetahui dengan jelas proses dalam

JST. Selain itu JST memiliki kemampuan generalisasi dan adaptive learning.

Analisis komponen utama (PCA) telah digunakan oleh Siska & Hurburgh., (1996)

untuk menyeleksi 410 sampel jagung yang akan digunakan pada pengukuran berat jenis

jagung dengan Near Infrared Transmittance. Di bidang peternakan Hsieh et al. (2002)

menggunakan analisis PCA berdasarkan skor untuk mereduksi dimensi data spektrum

NIR. Hasil analisis PCA ini akan dijadikan noda input dalam membangun jaringan saraf

tiruan algoritma penjalaran balik (backpropagation). Senduk (2002) juga telah

menggunakan analisis PCA untuk mereduksi dimensi data pantulan infara merah pada

penentuan tingkat ketuaan dan kematangan sawo. Tingkat keakuratan 100% dicapai

pada 10 dan 15 komponen utama pada berbagai jumlah lapisan terselubung.

Tujuan

Penelitian ini bertujuan untuk mengkaji penerapan teknologi NIR dan JST dalam

TINJAUAN PUSTAKA Jagung

Jagung adalah anggota famili Graminae, siklus hidup tanaman jagung adalah

tanaman semusim, berpenampilan tegak, termasuk tumbuhan semak, menghasilkan biji

pada tongkol. Klasifikasi jagung berdasarkan taksonomi adalah sebagai berikut

(Rukmana, 1997) :

Kingdom : Plantae

Divisio : Spermatophyta

Subdivisio : Angiospermae

Kelas : Monocotyledoneae

Ordo : Poales

Famili : Graminae (Poaceae)

Genus : Zea

Spesies : Zea mays

Para ahli botani dan pertanian mengidentifikasi bentuk asli tanaman jagung ke

dalam tujuh jenis yaitu sebagai berikut. 1) jagung gigi kuda / dent corn (Zea mays

identata ) 2) jagung mutiara / flint corn (Z.mays indurata) 3) jagung manis / sweet corn

(Z.mays saccharata) 4) jagung berondong / pop corn (Z. mays everta) 5) jagung pod /

pod corn (Z. mays tunicata) 6) jagung ketan / waxy corn (Z. mays ceratina) 7) jagung

tepung / flour corn (Z. mays amylacea).

Produksi utama usaha tani tanaman jagung adalah biji. Biji jagung merupakan

sumber karbohidrat yang potensial untuk bahan pangan ataupun nonpangan. Produksi

sampingan berupa batang, daun, dan kelobot dapat dimanfaatkan sebagai bahan pakan

ternak ataupun pupuk kompos.

Kandungan kimia jagung terdiri atas air 13.5%, protein 10%, lemak 4%,

karbohidrat 61 % gula 1.4%, pentosan 6%, serat kasar 2.3%, abu 1.4% dan zat lain-lain

Tabel 1 Komposisi Kimia Bagian-Bagian Jagung (% Bobot Kering)

No. Komponen Lapisan luar Lembaga Endosperm

1 Protein 6.2 21.0 11.0

2 Minyak 1.5 32.0 1.5

3 Karbohidrat (bebas N) 74.1 34.0 86.5

4 Serat kasar 17 2.9 0.0

5 Mineral 1.2 10.1 0.5

Sumber : Kent-Jones dan Amos (1967) dalam Rukmana (1997).

Jagung merupakan salah satu komoditas palawija utama di Indonesia dengan

luas panen 42-46% dari luas panen palawija. Sejak tahun 1990 total produksi jagung di

Indonesia meningkat sehingga memungkinkan untuk memenuhi kebutuhan jagung dalam

negeri. Tahun 1990 dan 1992 lebih 137 ton jagung diekspor ke pasar internasional.

Permintaan jagung untuk pemenuhan kebutuhan makanan ternak meningkat hingga

11% di tahun 1995 (Sarono et al. 2001). Tongkol jagung dengan baris biji yang

sempurna seperti terlihat pada Gambar 1.

Gambar 1 Jagung.

Varietas jagung yang ditanam di Indonesia terdiri dari 23% jagung hibrid, 37%

varietas baru open pollinated berdaya hasil tinggi (contoh Arjuna, Kalingga, Rama), 2.5

% varietas open pollinated berdaya hasil tinggi yang lama (contoh Genjah, Metro,

Harapan Baru) dan varietas lokal 37%. Varietas hibrid yang masih digunakan di

menghasilkan varietas hibrid dan benih open pollinated yaitu PT. Pioneer Hibrida

Indonesia, PT. BISI, PT. Sang Hyang Sri/Cargill Indonesia.

Jagung hibrid dibuat dengan cara mempersilangkan dua buah galur bersaudara

(inbreed line) yang unggul. Oleh karena itu perlu dipilih populasi sumber galur, membuat

galur dari sumber galur kemudian menguji daya gabung umum dan daya gabung khusus

(combining abality) galur-galur tersebut (Welsh & Mogea, 1991). Jagung manis

merupakan jagung biasa yang mengalami mutasi pada lokus Su yang terletak pada

kromosom ke-4. Endosperm jagung manis mempunyai kadar gula tinggi dibandingkan

kadar pati serta transparan dan keriput saat kering.

Penanganan pasca panen jagung dapat meningkatkan daya gunanya, sehingga

lebih bermanfaat bagi kesejahteraan manusia. Hal ini dapat ditempuh dengan cara

mempertahankan kesegaran atau mengawetkannya dalam bentuk asli maupun olahan

sehingga dapat tersedia sepanjang waktu sampai ke tangan konsumen dalam kondisi

yang dikehendaki konsumen. Persyaratan mutu jagung untuk perdagangan menurut SNI

dikelompokkan menjadi dua bagian yaitu persyaratan kualitatif dan persyaratan

kuantitatif. Persyaratan kualitatif meliputi : 1) Produk harus terbebas dari hama dan

penyakit 2) Produk terbebas dari bau busuk maupun zat kimia lainnya (berupa asam)

3) Produk harus terbebas dari bahan dan sisa-sisa pupuk maupun pestisida 4) Memiliki

suhu normal. Sedangkan persyaratan kuantitatif dapat dilihat pada Tabel 2.

Tabel 2 Persyaratan Mutu Jagung Untuk Perdagangan

Persyaratan Mutu (% maks)

No. Komponen Utama _{I II III IV}

1. Kadar Air 14.0 14.0 15.0 17.0

2. Butir Rusak 2.0 4.0 6.0 8.0

3. Butir Warna Lain 1.0 3.0 7.0 10.0

4. Butir Pecah 1.0 4.0 3.0 5.0

5. Kotoran 1.0 1.0 2.0 2.0

Sumber : SNI dalam Kristanto (2006).

Sedangkan persyaratan mutu jagung sebagai bahan pakan harus memenuhi

standar zat anti nutrisi/racun pada batas tertentu sehingga tidak membahayakan ternak

Berdasarkan SNI 01-4483-1998 jagung sebagai bahan pakan ternak dikelompokkan

dalam satu tingkatan mutu. Persyaratan mutu jagung sebagai bahan baku pakan yang

harus dipenuhi adalah seperti pada Tabel 3.

Tabel 3 Persyaratan Mutu Jagung Sebagai Bahan Pakan

Persyaratan mutu Nilai

Kadar air (maksimum) % 14.0

Kadar protein kasar (minimum) % 7.5

Kadar serat kasar (maksimum) % 3.0

Kadar abu (maksimum) % 2.0

Kadar lemak (minimum) % 3.0

Mikotoksin :

1). Aflatoksin (maksimum) ppb 2). Okratoksin (maksimum) ppb

50 5.0

Butir pecah (maksimum) % 5.0

Warna lain (maksimum) % 5.0

Benda asing (maksimum) % 2.0

Kerapatan (minimum) kg/cm3 ₇₀₀

Sumber : SNI 01-4483-1998.

Kualitas biji jagung ditentukan oleh banyak faktor diantaranya adalah waktu

pemanenan yang tepat dan layak. Banyak petani memanen jagung lebih cepat dari

waktu yang seharusnya (kadar air tinggi) dengan berbagai alasan. Di Thailand, alasan

petani memanen jagung lebih awal adalah karena hujan (> 25% petani), tidak tersedia

tenaga kerja (>15% petani), ketidak seragaman kadar air (8-50% petani). Panen pada

kadar air tinggi dan penanganan pascapanen kurang baik mendorong tingginya susut.

Susut dapat berupa susut kuantitas seperti dimakan hama (tikus, serangga dan burung)

atau susut kualitas misalnya butir terserang cendawan dan terdapat aflatoksin sebagai

akibat sampingan dari cendawan.

Teknologi Near Infra Red

Infrared merupakan gelombang elektromagnetik dengan kisaran panjang

gelombang lebih panjang dari spektrum cahaya tampak yaitu berkisar antara

700 – 3000 nm atau 0.7-3 µm (Mohsenin, 1984). Ahli spektroscopy membagi infrared

atas tiga bagian yaitu near, middle, dan far infrared. Untuk berbagai tujuan penelitian,

terpenting dari aplikasi near infrared (NIR) reflektan dan absorban elektromagnetik ini

adalah untuk menganalisis komponen, deteksi kualitas dan pemasakan (Mohsenin, 1984),

teknologi NIR juga sangat sederhana dan bersifat nondestruktif bila diaplikasikan dalam

pengukuran bahan-bahan kimia komplek seperti bahan pakan ternak, persiapan

pembuatan ramsum dan komposisi ramsum ternak (Dyer & Feng, 1997).

Murray dan Williams (1987) menerangkan bahwa radiasi elektromagnetik dapat

diekspresikan dalam batasan-batasan seperti frekuensi (v), panjang gelombang (λ),

jumlah gelombang (v ). Frekuensi dinyatakan dalam satuan seperdetik (sec-1_{) yang}

menunjukkan jumlah gelombang secara lengkap yang terjadi dalam satu unit waktu.

Panjang gelombang adalah jarak dalam mikrometer atau nanometer antara titik yang

ekivalen pada gelombang secara berturut-turut dan jumlah gelombang adalah banyaknya

gelombang dalam tiap satu cm rentetan gelombang yang ditulis sebagai resiprokal

sentimeter (cm-1_{). Ketiga parameter ini mempunyai hubungan sebagai berikut :}

NJv = c (1)

v = 1/NJ (2)

Dimana v adalah frekuensi dalam siklus per detik (Hertz, HZ), λ adalah panjang

gelombang (nanometer atau mikrometer) dan c adalah kecepatan cahaya 2.998X1010

cm/sec. Keunggulan dari gelombang infra merah menurut Osborne et al. (1993) dalam

analisa bahan makanan adalah merupakan gabungan antara tingkat ketepatan,

kecepatan, dan kemudahan dalam melakukan percobaan (prosedur tidak rumit).

Spektrum pantulan infra merah dekat dihasilkan karena ada korespondensi dengan

frekuensi vibrasi dari molekul-molekul yang ada dalam bahan organik yang bersifat

spesifik, sedangkan yang tidak berkoresponsensi tidak memantulkan infra merah.

Jordon, (1996) menyatakan bahwa NIR diaplikasikan untuk bahan-bahan organik

yang kaya dengan ikatan O–H (seperti kadar air, karbohidrat, lemak), ikatan C–H

(seperti bahan–bahan organik turunan minyak bumi) dan ikatan N–H (seperti protein dan

statistik sinyal NIR pada beberapa panjang gelombang tertentu dengan karakteristik atau

kandungan bahan yang diukur.

Spektrum pantulan dan serapan infra merah dekat membawa banyak sekali

informasi karena setiap molekul terdiri dari banyak ikatan-ikatan kimia. Keragaman

spektrum pantulan itu merupakan hasil pengukuran parameter-parameter yang

digambarkan dalam bentuk panjang gelombang, amplitudo, dengan tinggi dan puncak

gelombang serta lebar gelombang yang beragam menjelaskan intensitasnya. Keragaman

informasi ini menyulitkan dalam hal menginterpretasikan spektrum.

Untuk menganalisa spektrum pantulan inframerah dekat maka nilai hasil

pengukuran laboratorium diperlukan untuk mengetahui hubungan antara spektrum

pantulan dengan nilai referensi hasil pengukuran di laboratorium menggunakan metode

matematika dengan cara mengkalibrasinya. Kesulitan dalam kalibrasi menurut Osborne

et al. (1993) adalah masalah informasi alam yang kompleks dalam spektrum infra merah

sehingga setiap puncak gelombang hampir selalu tumpang tindih (overlapping) dengan

puncak-puncak yang lain.

Beberapa metode kalibrasi yang berbeda telah dikembangkan dalam membuat

persamaan kalibrasi yang dapat mendeskripsikan informasi dari spektrum NIR. Budiastra

et al. (1998) menggunakan metode stepwise multiple linear regression dalam

membangun persamaan kalibrasi untuk menduga kadar gula bebas dan asam malat pada

mangga dan apel. Lammertyn et al. (1998) menganalisis data NIR spectroscopy

menggunakan multivariate kalibrasi seperti Principal Component analysis (PCA), Principal

Component Regression (PCR) dan Partial Least Square Analysis (PLS) dalam memprediksi

sifat-sifat fisik apel. Fontaine et al. (2002) mengaplikasikan algoritma Modified Partial

Least-Square regression (MPLS) dalam membangun persamaan kalibrasi pada prediksi

asam amino untuk meningkatkan keakuratan formulasi pakan ternak. Schmilovitch et al.

(2000) membandingkan tiga metode kalibrasi (PCA, PLS dan MLR) dan menyimpulkan

bahwa untuk parameter pariode penyimpanan, ketegaran (kekerasan), kandungan gula

Jaringan Saraf Tiruan

Jaringan saraf tiruan adalah suatu bentuk sederhana dari sistem saraf pusat pada

saraf biologis. Jaringan saraf yang saling berhubungan ini memilki kemampuan untuk

merespon setiap masukan yang diberikan dan dapat mempelajari (to learn),

mengadaptasi (to adapt) setiap kondisi lingkungan (environment) yang diberikan

[image:33.595.258.421.603.722.2]

(Paterson, 1995). Gambar sel saraf biologi dan bagian-bagiannya seperti pada Gambar 2.

Gambar 2 Sel saraf (neuron) dengan akson dan dendrit (www.praweda.co.id).

Fungsi utama dari jaringan saraf biologi adalah menghasilkan output berdasarkan

jumlah dari perkalian sinyal dari neuron lain dengan karakteristik fungsi pseudo-step.

Fungsi kedua neuron adalah untuk mengubah laju transmisi pada sinapsis untuk optimasi

jaringan secara keseluruhan. Model jaringan saraf tiruan menirukan perkalian input-input

dan satu output, penggantian fungsi hubungan input-output dan pembobot sinapsis yang

adaptif (Takagi, 1997). Model Jaringan Saraf Tiruan seperti pada Gambar 3.

1

x1 W0

w1

X2 W2

W3

xn

Seperti halnya manusia, jaringan saraf tiruan juga memiliki neuron atau biasa

disebut noda (node) dan merupakan unit komputasi yang paling sederhana pada setiap

lapisan JST. Jaringan Saraf Tiruan belajar dari pengalaman melalui pelatihan dengan

memberikan contoh yang berulang-ulang ke dalam jaringan (memberikan pengalaman).

Cara kerja dari JST adalah dengan menjumlahkan seluruh masukan setelah diberi

suatu pembobot dan memasukkan hasil penjumlahan ini dalam suatu fungsi aktivasi yang

berfungsi untuk mengubah suatu nilai yang tidak terbatas menjadi nilai yang terbatas

atau dikenal sebagai fungsi pemampat. Untuk mendapatkan kemampuan noda yang

lebih tinggi maka dirangkaikan beberapa buah noda mengikuti konfigurasi seri-paralel

membentuk JST. Noda-noda pada lapisan input tidak melakukan perhitungan tapi hanya

mendistribusikan masukan.

Aturan belajar dalam JST adalah untuk mengubah-ubah faktor bobot yang

terdapat dalam JST tersebut dan merupakan serangkaian algoritma yang dapat

mengadaptasi/mengubah-ubah faktor bobotnya sehingga diperoleh bobot yang

diinginkan (sesuai target yang ditentukan). Kemampuan jaringan saraf tiruan terletak

pada nilai-nilai bobot interkoneksinya. Untuk memperoleh nilai bobot yang benar

jaringan saraf tiruan dilatih berdasarkan suatu prosedur yang disebut training set

(pelatihan). Paterson (1995), mengklasifikasikan Jaringan Saraf Tiruan berdasarkan

strategi pelatihan atas tiga kelas yaitu : 1). Pelatihan terawasi (setiap contoh diberi nilai

input dan terget, nilai output hasil perhitungan selama proses pelatihan dibendingkan

dengan nilai target untuk menentukan besarnya galat. 2) Pelatihan reinforcement (nilai

target tidak diberikan, hanya diberikan indikasi apakah nilai output JST sudah benar atau

salah dan tugas JST adalah memperbaiki kinerja jaringan. 3) Pelatihan tak terawasi

(sampel hanya diberi nilai input tanpa nilai target, sistem harus menemukan dan

beradaptasi terhadap perbedaan dan persamaan dalam nilai input yang diberikan.

Dalam penelitian ini digunakan metode pelatihan terawasi (supervised learning)

dengan (Backpropagation). Algoritma penjalaran balik dapat diaplikasikan untuk jaringan

dan metode pelatihan terawasi. Kelebihan algoritma penjalaran balik ini dipilih karena

dapat mempelajari contoh dan memproses data input non linier dan merupakan

algoritma jaringan saraf tiruan yang paling umum digunakan. Terdapat tiga tahap

pelatihan dalam backpropagation yaitu : 1) penghitungan ke depan dengan input data

dari data training, 2) penghitungan dan penjalaran balik error dan 3) perbaikan

pembobot.

Algoritma pelatihan penjalaran balik (backpropagation) dapat dijelaskan sebagai

berikut (Paterson., 1995) :

1. Inisialisasi pembobot (W)

Pembobot dipilih secara acak dalam kisaran nilai yang kecil [-n,n] kemudian

setiap sinyal input diberikan kedalam noda input jaringan saraf untuk diproses

dan dikirim ke noda didepannya.

2. Tentukan secara acak pasangan input dan target {xp,tp} dan hitung kearah depan nilai net input untuk masing-masing unit j dari lapis q. Sehingga

Oq

j = f (∑iOiq-1wqji (3)

Input pada lapisan satu diberi indeks dengan superscript 0 sehingga

O0

j = xj (4)

Jika telah diperoleh nilai net input untuk masing-masing unit pada lapisan

sebelumnya langkah selanjutnya adalah memasukkan nilai net input setiap noda

input ke dalam fungsi aktivasi. Fungsi aktivasi yang digunakan adalah binari

sigmoid sebagai berikut

f(x)=

)

exp(

1

1

x

−

+

(5)

Gunakan nilai OQ

j computed oleh unit lapisan terakhir dan nilai target yang

berhubungan (tp

j) untuk menghitung nilai delta

δQ

j = (OQj - tpj )f’ (H Qj) (6)

3. Hitung delta dari masing-masing lapisan di depan dengan penjalaran balik error

δq-1

j =

f’

(

H

q-1j) ∑iδqj

w

qji (7)

untuk semua j dari lapisan q = Q, Q-1, ..., 2.

4. Langkah selanjutnya adalah memperbarui semua pembobot menggunakan

persamaan

W

new

ji =

w

oldji + ∆

w

qji (8)

Untuk tiap lapisan q, maka

∆wq

ji = ηδqi Oq-1j (9)

5. Kembali ke langkah 2 dan ulangi hingga mencapai total error pada tingkat yang

dapat diterima.

Dalam aplikasi jaringan saraf tiruan jumlah iterasi pelatihan merupakan faktor

penting yang mempengaruhi kekuatan model (model robustness). Overtraining dan

undertraining dapat terjadi apabila iterasi training terlalu sedikit atau terlalu banyak.

Hsieh et al. (2002) menyatakan bahwa jumlah iterasi yang kurang dari 40.000

menghasilkan akurasi yang lebih rendah sedangkan jumlah iterasi yang lebih dari 90.000

juga dapat menurunkan keakuratan.

Laju pelatihan (learning rate) dan momentum diperlukan dalam jaringan saraf

tiruan untuk mencapai kondisi optimal. Kondisi yang diinginkan dari suatu sistem jaringan

saraf tiruan adalah galat yang kecil hingga mencapai minimum global bukan minimum

lokal. Paterson (1995) menyatakan bahwa koefisien laju pelatihan (η)dalam delta rule

secara umum menentukan ukuran penyesuain pembobot yang dibuat pada tiap-tiap

iterasi dan karena itu mempengaruhi laju konvergensi. Apabila pemilihan laju pelatihan

terlalu besar maka untuk mencapai konvergensi akan lebih lambat daripada penurunan

error langsung. Sebaliknya laju pelatihan terlalu kecil penurunan error akan maju sangat

kecil sehingga butuh waktu yang lama untuk mencapai konvergensi.

Untuk memperbaiki laju konvergensi dapat juga dilakukan dengan cara

menambahkan momentum. Penambahan momentum dapat membantu menghaluskan

lokal (Paterson, 1995). Burks et al. (2000) dan Hong et al. (2000) melaporkan bahwa

nilai koefisien laju pelatihan dan momentum mempengaruhi akurasi backpropagation

training. Kisaran nilai momentum yang digunakan adalah 0.8 – 0.95 sedangkan nilai laju

pelatihan berkisar antara 0.001 – 0.200.

Principal Component Analysis (Analisis Komponen Utama)

Principal Component Analysis (PCA) dan Principal Component Regression (PCR)

serta Partial Least Square (PLS) adalah suatu analisis statistik dengan teknik kalibrasi

multivariate untuk membangun suatu model prediksi. Siska dan Hurburgh (1996),

menggunakan analisis PCA untuk mengidentifikasi variasi-variasi utama pada spektrum

absorban sampel jagung. Prosedur PCA mengelompokkan data dengan satu set faktor

yang tidak berkorelasi satu sama lain. Lammertyn et al. (1998) menggunakan analisis

PCA sebelum melakukan kalibrasi yaitu untuk menganalisis variasi spektrum dan

spektrum yang dihilangkan tidak sempurna.

Analisis PCA adalah suatu teknik reduksi data yang digunakan untuk

mengekstrak beberapa peubah dari sejumlah besar peubah berguna untuk menghindari

masalah overfitting (peubah baru itu disebut komponen utama) dan merupakan

kombinasi linier pengukuran asli oleh karena itu memuat informasi dari seluruh spektrum

(Osborne et al. 1993). Peubah-peubah baru diturunkan dalam arah menurun sehingga

beberapa komponen pertama berisi sebanyak mungkin variasi data semula. Karena

beberapa komponen pertama sudah berisi hampir seluruh variasi data asli, maka

beberapa komponen utama pertama dapat digunakan untuk merepresentasikan data asli

tanpa kehilangan informasi yang sangat berguna. Dasar dari analisis PCA ini adalah

mendeskripsikan variasi sebuah set data dengan sebuah set data baru dimana

peubah-peubah baru tidak berkorelasi satu sama lain. Gambar vektor dari analisis PCA seperti

Gambar 4 Vektor Principal Component Analysis (www.optimaldesign.com).

Misalkan terdapat p data (sampel) yang ditulis dalam bentuk matrik X (sampel adalah baris p)

x11 x12 ... x1n

x21 x22 ... x2n

X = . . . . . . . .

xp1 xp2 ... xpn

dimana p adalah sampel ke-p dan n adalah parameter ke-n yang diukur. Analisis PCA

bertujuan untuk mendapatkan sebuah vektor berdimensi m, dimana m < n. Sehingga

ruang vektor berdimensi m mencakup hampir seluruh variasi data. Untuk

mendapatkannya, ruang vektor berdimensi n diproyeksikan ke ruang vektor berdimensi

m dengan memilih setiap arah variasi data maksimum tetapi setiap variasi tersebut saling

tegak lurus/ortogonal. Variasi-variasi inilah yang disebut komponen utama (Paterson,

1995).

Metode PCA menurut Paterson (1995) dapat disimpulkan menurut algoritma

berikut :

1. Tentukan komponen utama pertama mendekati arah variasi maksimum

yi= Xwi (10)

Dengan catatan bahwa nilai ini harus dibatasi karena variasi dapat dibuat lebih besar

dan semakin besar hanya dengan meningkatkan nilai wi. Hal ini dapat dilakukan

dengan mengambil semua vektor bobot menjadi unit panjang melalui persamaan

wT1w1 = ∑i wi12 (11)

dimana WT _{adalah vektor transpose w} 1

2. Maksimumkan jumlah kuadrat dengan persamaan berikut :

yT_y

1 = wTiXTXw1 (12)

Masalah maksimalisasi tipe ini dengan suatu persamaan yang terbatas dapat

diselesaikan dengan mudah menggukan metode Lagrange. Suatu fungsi

komposit baru L dibuat menggunakan kedua persamaan (10) dan (11) sebagai

berikut :

L = wT

1XTXw1 – λ(wT1w1 – 1) (13)

Dimana λ adalah faktor pengali Lagrangian. Pada bagian kedua nilai w1 akan

menjadi nol sesuai dengan persamaan (11). Sehingga pada saat ini (w1 = 0),

L kembali ke bentuk asal (persamaan 12). Untuk menyelesaikan permasalahan

maka dicari turunan parsial dari nilai maksimum L terhadap w1, hasil persamaan

dinolkan maka akan diperoleh :

δL / δw1= 2XTXw1 – 2 λ1w1 = 0 (14)

XTXw1 = λ1w1 (15)

Dari persamaan (15) dan persamaan (12) dapat ditulis persamaan berikut :

Y1Ty1 = w1Tλ1w1 = λ1 wT1c w1 = λ1 (16)

Solusi y1adalah komponen utama pertama dengan variasi λ1 maksimum, dengan

3. Untuk mendapatkan komponen utama kedua y2 , digunakan prosedur yang sama

seperti pada y1. Tetapi y2 tegak lurus terhadap y1. Dengan demikian harus

dimaksimumkan

Y2Ty2 = w2T XTXw2 (17)

Perlu diperhatikan dua batasan

w2Tw2 = 1 dan w1Tw2 = 0 (18)

Setelah itu dihitung batasan ortogonalitas yang baru sebagai berikut :

L

= w2T XTXw2 – λ2(w2Tw2 – 1) – Nj w1Tw2 (19)

Dimana λ2 dan Nj adalah faktor pengali Lagrangian. Seperti pada persamaan

sebelumnya yaitu dengan mengambil turunan parsial terhadap w2, hasil persamaan

dijadikan 0 maka akan diperoleh :

Nj = 2 w1T XTXw2 = 2 * 0 = 0 dan XTXw2 = NJ2w2 (20)

sekarang NJ2 menjadi eigenvalue terbesar kedua dari XTX

4. Proses selanjutnya diperoleh sebanyak p eigenvalue NJ1, NJ2, ..., NJp dan terhubung

dengan matriks ortogonal W = [ w1 w2 ... wp] dimana sekarang p komponen

utama dari X berasal dari matriks Y = XC, dimana :

NJ1 0 ... 0

YTY = WT

XTXW = Λ= 0 NJ2 ... 0

. .

0 0 NJp

Merupakan matriks ortogonal. Karena Λ merupakan matriks diagonal dengan

elemen 0 maka dapat dilihat bahwa komponen utama Y adalah tidak berkorelasi (saling

METODOLOGI PENELITIAN

Tempat dan waktu penelitian

Penelitian dilaksanakan di laboratorium Teknik Pengolahan Pangan dan Hasil

Pertanian (TPPHP) Departemen Teknik Pertanian, dan Laboratorium Kimia Pangan

Departemen Ilmu dan Teknologi Pangan, Fakultas Teknologi Pertanian.

Bahan dan alat

Bahan yang digunakan adalah jagung yang diperoleh dari Balai

Penelitian Tanaman Pangan Cimanggu Bogor. Jagung yang digunakan terdiri dari tiga

varietas yaitu CPI2, C7 dan Arjuna. Deskripsi dari masing-masing varietas jagung dapat

dilihat pada Lampiran 12. Masing-masing varietas bervariasi komposisi kimianya, kadar

air berkisar antara 3.9-12.6%, protein 7.2-10.3%, lemak 2.7-8.2% dan karbohidrat

72.6-82.4%.

Bahan-bahan kimia yang digunakan untuk menganalisa komposisi kimia sampel

dengan uji kimiawi antara lain : Asam perklorat, HCl 0.02 N, 1.9 mg K2SO4, 40 mg HgO,

2 ml H2SO4, H3BO3, NaOH-Na2S2O3.

Pada penelitian ini dikembangkan sistem pengukuran NIR dengan melakukan

modifikasi pada sistem deteksi pantulan NIR. Sistem deteksi yang dikembangkan akan

dirancang sedemikian rupa dengan tujuan supaya pantulan dari sampel biji yang bentuk

dan permukaannya tidak merata dapat dikumpulkan semua dalam integrating sphere.

Pengukuran pantulan pada sampel tepung jagung, sampel holder diletakkan diluar

integrating sphere, sedangkan pengukuran sampel dalam bentuk biji utuh sampel holder

diletakkan dalam integrating sphere.

Alat-alat yang digunakan diantaranya adalah Near Infra Red Spektrofotometer.

Peralatan ini terdiri dari 2 unit yaitu unit optik dan unit elektronik. Unit optik terdiri dari

lampu halogen 150 watt (AT-100HG), pemutus cahaya (chopper,AT-100CH), penyaring

cahaya (integrating sphere, ISR-260), cermin optik dan sensor optik (terdiri dari sensor

lensa optik dan sensor PbS). Sedangkan unit elektronik terdiri dari penguat (Lock in

Amplifier, Shimazu, AT-100AM), pengkonversi sinyal analog ke digital dan pembangkit

sinyal (A/D Converter and Digital Output, PCL 812PG, PC Lab Card Inc), serta komputer

(PC, pentium). Sistem deteksi terdiri dari cermin, integrating sphere, tempat sampel dan

standar serta sensor PbS dirancang dan dibuat dari bahan aluminium seperti pada

Gambar 5.

Cahaya dari monokromator Cermin

Integrating sphere Sensor

Sampel holder

Gambar 5 Sistem Deteksi NIR Hasil Modifikasi (Budiastra dan Ahmad, 2005).

Sampel jagung yang dideteksi dalam sampel holder adalah jagung utuh pipilan

kering pada kadar air simpan (kadar air ± 14%) seperti pada Gambar 6.

Secara keseluruhan sistem pengukuran NIR dan modifikasi sampel holder terlihat seperti

pada Gambar 7.

Lampu halogen chopper

Gambar 7 Sistem Pengukuran NIR (Budiastra dan Ahmad, 2005).

Sistem NIR ini dihubungkan dengan komputer yang menjalankan 3 program

yaitu : program untuk menjalankan motor, program pengkonversi data dari analog ke

digital dan program yang menampilkan data sebagai tampilan grafik hasil pengukuran.

Untuk analisis jaringan saraf tiruan digunakan komputer dekstop dengan

program Backpropagation Neural Network Learning (Courtesy Dr. Suroso) dengan

program Visual Basic dan program MINITAB Release 14 for windows untuk analisis PCA.

Filter Monokromator

Amplifier

A/D Converter Komputer

DO

CONT

Motor

Cermin

Integrating Sphere

Sensor

Diagram Alir Penelitian

Langkah-langkah yang dilakukan dalam tahapan

penelitian ini disederhanakan dalam bentuk diagram seperti pada Gambar 8.

`

Gambar 8 Diagram Alir Metodologi Penelitian. Analisis komponen

utama

50 Sampel jagung

35 Sampel untuk kalibrasi 15 Sampel untuk validasi

Scanning NIR jagung dengan berbagai panjang gelombang Reflektan (R) Analisis berbagai komposisi kimia jagung dengan metode kimia Scanning NIR jagung dengan berbagai panjang gelombang Reflektan (R) Analisis berbagai komposisi kimia jagung dengan metode kimia Transformasi data reflektan (R) menjadi data absorban Log (1/R) Penentuan komposisi Kimia (Referensi)

Pelatihan Jaringan saraf tiruan

Penentuan komposisi

Kimia (Referensi)

Validasi

Standar error validasi

Pengukuran Spektrum Pantulan (Reflektan)

Sebelum dilakukan pengukuran, alat NIR dinyalakan terlebih dahulu kurang lebih

30 menit untuk mendapatkan sinyal analog yang stabil. Celah masuk pada monokromator

diatur sebesar 500 µm, gain sebesar 200, chopper dan sensor PbS dalam keadaan aktif,

waktu tanggap (respons) adalah smooth (1 ms). Filter yang digunakan untuk menyaring

cahaya masuk dalam chopper yaitu filter dengan kode 046 untuk panjang gelombang 900

nm - 1400 nm dan untuk panjang gelombang 1400 nm – 2000 nm digunakan filter

dengan kode 048.

Pengukuran pantulan dilakukan dengan cara mengukur standar putih terlebih

dahulu kemudian dilanjutkan dengan pengukuran sampel dengan cara menempatkannya

butiran jagung pada unit deteksi. Cahaya dari lampu halogen pertama dipotong pada laju

sebesar 270 Hz oleh pemutus cahaya (chopper) dan cahaya disaring oleh penyaring

gangguan (inference) sebelum masuk ke dalam monochromator dan mengenai jagung.

Pantulan cahaya dari jagung akan dikumpulkan oleh integrating sphere, ditangkap oleh

sensor yang kemudian dikonversi dari data analog ke data digital oleh A/D Converter.

Selanjutnya komputer mengirim sinyal digital ke motor untuk melakukan pemindaian

gelombang NIR dan pengukuran pantulan dilakukan lagi dan seterusnya sampai

pemindaian gelombang NIR selesai. Kemudian sifat pantulan dihitung, grafik spektrum

diperagakan dan data direkam.

Reflektan (pemantulan) dihitung dengan menggunakan persamaan sebagai

berikut :

R =

Standar

V

Sampel

V

(21)

Dimana, V Sampel adalah tegangan pantulan sampel (volt)

V Standar adalah tegangan pantulan standar putih (volt)

Pantulan (R) didapatkan dari perbandingan intensitas pantulan dari jagung dengan

intensitas pantulan standar putih. Sedangkan data absorbansi diperoleh dengan cara

Pengukuran Kadar Air (Thermogravimetri)

Cawan kosong dan tutupnya dikeringkan dalam oven selama 15 menit dan

didinginkan dalam desikator selama 10 menit. Kemudian ditimbang ± 5 g butiran jagung

sampel dan dimasukkan ke dalam cawan dan ditimbang dengan cawannya. Cawan

beserta isi diletakkan di dalam oven selama 36 jam pada suhu 65 o_{C. Setelah 36 jam atau}

berat akhir stabil, cawan dimasukkan ke dalam desikator, ditutup dengan penutup cawan

lalu didinginkan. Setelah dingin ditimbang kembali. Cawan dikeringkan kembali di dalam

oven sampai memperoleh berat yang tetap.

Kadar Air (%) (basis basah) dihitung dengan cara

Kadar Air =

x100%

W

W

1 3

(22)

W1= berat sampel (g)

W3= kehilangan berat (g)

Penentuan Kadar Karbohidrat (Cleg-Anthrone)

Satu garam sampel kering dimasukkan ke dalam gelas ukur 100 ml bertutup.

Kemudian ditambahkan 10 ml air dan diaduk menggunakan gelas pengaduk untuk

mendispersi sampel seluruhnya. Ditambahkan 13 ml asam perklorat 52% dan diaduk

selama 20 menit. Larutan diencerkan menjadi 100 ml dan dimasukkan ke dalam labu

takar 250 ml. Selanjutnya diambil 10 ml dari ekstrak sampel diencerkan menjadi 100 ml

dengan air. Satu ml sampel dipipet dan dimasukkan ke dalam tabung reaksi. Blanko

dibuat dengan memasukkan 1 ml air ke dalam tabung reaksi. Lima ml pereaksi Anthorne

dimaukkan ke dalam masing-masing tabung reaksi dan ditutup. Kemudian tabung reaksi

dipanaskan pada suhu 100 oC selama 12 menit. Kemudian larutan dipindahkan ke dalam

kuvet berdiameter 1 cm dan diukur absorbansi dengan spektrofotometer pada panjang

gelombang 630 nm.

Total karbohidrat =

A x W

B

x

25

(23)

Penentuan Kadar Protein (metode Kjeldahl)

Lima sampai 10 mg sampel (kira-kira akan membutuhkan 3 – 10 ml HCl 0.02 N)

ditimbang, kemudian dimasukkan ke dalam labu Kjeldahl 30 ml. Ditambahkan 1.9 mg

K2SO4, 40 mg HgO dan 2 ml H2SO4. Beberapa butir batu didih ditambahkan ke dalam

labu dan dididihkan selama 1 – 1,5 jam sampai cairan menjadi jernih. Selanjutnya cairan

didinginkan dan ditambahkan sedikit air secara perlahan-lahan. Isi labu dipindahkan ke

dalam alat destilasi Erlenmeyer 125 ml berisi 5 ml larutan H2BO3 dan 4 tetes indikator

(campuran 2 bagian metil merah 0.2% dalam alkohol) diletakkan di bawah kondensor.

Kemudian ditambahkan 8-10 ml ml larutan NaOH-Na2S2O3 dan didestilasi dampai

tertampung 15 ml destilat dalam Erlenmeyer. Tabung kondensor dibilas dengan air dan

air bilasan dimasukkan ke dalam Erlenmeyer yang sama. Isi Erlenmeyer diencerkan

sampai kira-kira 50 ml kemudian dititrasi dengan HCl 0.02 N sampai terjadi warna

abu-abu.

Persentase N =

sampel

mg

100

x

14.007

x

normalitas

x

blanko)

ml

-HCl

(ml

(24)

Persentase Protein = %N X 6.25 (25)

Penentuan Asam Amino (AOAC, 2000)

Penentuan asam amino dilakukan dengan menggunakan HPLC dan

cation-exchange resin dan post coulumn derivatization dengan ninhydrin atau optheldialdehide

(OPA). Sampel dihidrolisis dengan menggunakan HCl 6N selama 18 – 24 jam dalam

vacuum gauge. Untuk menghilangkan zat-zat yang dapat mengganggu reaksi

pengkompleks-an antara PITC dengan asam-asam amino, maka ditambahkan metanol

dan trietilamin (TEA) sebagai larutan pengering. Hasil reaksi yang terbentuk antara PITC

dengan asam-asam amino merupakan senyawaan kompleks yang dapat dideteksi pada

Penentuan kadar Lemak (metoda Soxhlet)

Lima gram sampel tepung ditempatkan dalam jaringan timbel dan ditutup

dengan kapas wool yang bebas lemak. Timbel yang berisi sampel diletakkan dalam alat

ekstraksi Soxhlet. Pelarut dietil eter dituang ke dalam labu lemak secukupnya. Direfluks

selama 5 jam sampai pelarut yang turun kembali ke labu lemak menjadi jernih.

Kemudian didestilasi pelarut yang ada dalam labu lemak dan ditampung pelarutnya.

Selanjutnya labu lemak yang berisi lemak hasil ekstraksi dipanaskan dalam oven pada

suhu 105 o_{C. Setelah mencapai berat yang tetap, sampel didinginkan dalam desikator,}

labu dan lemaknya ditimbang.

% lemak =

(g)

sampel

Berat

100

x

(g)

lemak

Berat

(26)

Pengembangan Model Jaringan Saraf Tiruan (JST)

Data hasil pengukuran adalah berupa data reflektan selanjutnya ditransformasi

menjadi nilai absorban menurut persamaan Absorban = Log (1/Reflektan). Semua data

dianalisis dengan metode Principal Component Analysis untuk memperoleh beberapa

komponen utama. Komponen utama (PC) adalah hasil pemampatan data yang berisi

informasi tentang nilai reflektan dan absorban NIR untuk menghindari masalah overfitting

dan mendapatkan variabel baru tanpa kehilangan informasi awalnya (Osborne et al.,

1993) diperlukan sebagai nilai masukan (input) pada jaringan saraf tiruan.

Jaringan saraf tiruan dilatih dengan menggunakan algoritma

backpropagation (penjalaran balik). Fungsi transfer yang dipilih adalah fungsi sigmoid.

Dalam pembelajaran backpropagation semua data input sudah dinormalisasi. Sampel

yang digunakan sebagai pembelajaran (training) dalam jaringan saraf tiruan berjumlah

35 sampel sedangkan 15 sampel sisanya digunakan sebagai validasi untuk memperoleh

nilai prediksi.

Arsitektur JST yang dibuat terdiri dari tiga lapisan yaitu : lapisan input, lapisan

reflektan dan absorban NIR 3 varietas jagung. Jumlah iterasi disesuaikan dengan jumlah

total pembobot dengan cara trial by error. Untuk memperoleh nilai bobot yang benar

jaringan saraf tiruan dilatih berdasarkan suatu data yang disebut training set (pelatihan).

Laju pelatihan dan momentum yang digunakan adalah 0.4 dan 0.8. Lapisan terselubung

digunakan variasi noda 4, 6, 8, 10, dan 12 noda. Output JST adalah berupa kandungan

proksimat dan asam amino dengan JST secara terpisah (output berupa nilai kandungan

masing-masing komponen) dan secara simultan (output berupa nilai proksimat dan asam

amino secara simultan). Pelatihan berakhir pada jumlah iterasi yang telah ditetapkan

[image:49.595.167.479.328.535.2]

sehingga diperoleh nilai error yang kecil. Model Jaringan Saraf Tiruan seperti pada

Gambar 9.

Gambar 9 Model Jaringan Saraf Tiruan Tiga Lapis.

Analisis Data

Nilai prediksi proksimat dan asam amino hasil JST akan divalidasi dengan nilai

proksimat dan asam amino yang dilakukan secara kimia (nilai referensi). Untuk

menentukan hubungan antara keduanya maka dihitung beberapa paramater yang dapat

menjelaskan sejauh mana hasil prediksi itu baik atau kurang memuaskan. Paramater

yang digunakan adalah Standard Error Validation (SEv), dan Coefficient of Variability

(CV).

Lapisan Terselubung

PC1

PC2

PC3

PCn

….

Bias

….

Input _Output

A. SEv = n

Ya Yp

2

) (

∑

− ₍₂₇₎

B. CV =

x100%

y

SEv

(Williams in William and Norris, 1987) (28)

Dimana : SEv = Standar Error Validasi (%)

Yp = Nilai hasil dugaan JST (%)

Ya = Nilai komposisi kimia dengan uji kimia (%)

y = Nilai rataan komposisi kimia sampel (%)

n = Jumlah sampel yang digunakan dalam validasi

CV = Koefisien Keragaman (%)

Validasi dilakukan untuk menguji ketepatan prediksi JST terhadap contoh yang

diberikan selama proses pelatihan. Proses validasi dilakukan dengan memberikan sampel

data yang berbeda dengan data yang digunakan saat pelatihan sekaligus untuk melihat

kemampuan JST dalam memberikan jawaban yang benar.

Walpole (1995) menyatakan bahwa dengan simpangan baku (standar deviasi)

saja kita tidak dapat mengatakan banyak mengenai keragaman satu kumpulan data.

Ukuran lain yang mungkin lebih layak adalah koefisien keragaman (CV) yang didefinisikan

sebagai V = _{x 100%} μ

σ _{menyatakan simpangan baku sebagai persentase dari nilai}

tengahnya. Koefisien keragaman dapat digunakan untuk membandingkan dua

keragaman kelompok data yang selang nilainya jauh berbeda satu sama lain bahkan

dapat digunakan untuk membandingkan keragaman dua atau lebih kelompok data

meskipun satuan pengukurannya tidak sama. Fontaine et al. (2002) mendefinisikan CV

(coefficient of variation) sebagai relatif standar deviasi (RSD) =

100

%

x

s

x

untuk

membandingkan keragaman crude protein dengan asam amino hasil kalibrasi NIRS.

Fang et al., (2000) mengevaluasi performance JST dengan parameter RMS (root mean

square error (√Σ(Yp-Ya)2_{/n), koefisien determinasi (R}2_{) dan relatif error (RE =}

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4

900 1050 1200 1350 1500 1650 1800 1950

Panjang Gelombang (nm)

R

ef

lekt

an

HASIL DAN PEMBAHASAN

Data Absorban dan Reflektan NIR Jagung

Hasl pengukuran dengan menggunakan alat Near Infrared Reflektan (NIR)

Spectroscopy adalah berupa data pantulan (reflektan) jagung. Data reflektan NIR ini

terlebih dahulu diubah kedalam data serapan (absorban) dengan melakukan trasformasi

Log (1/R). Perubahan ini dilakukan karena kandungan kimia bahan mempunyai

hubungan yang linier dengan data absorban NIR (Mohsenin, 1984). Menurut Ruiz (2001)

setiap substansi bahan (material biologi) mempunyai spektrum NIR yang spesisifik.

Apabila diuji dua sampel bahan yang mempunyai komposisi kimia dan komposisi fisik

berbeda, maka akan terlihat perbedaan spektrum NIR. Perbedaan komposisi bahan

dapat dilihat dari perbedaan puncak – puncak gelombang pada spektrum absorban.

Spektrum reflektan NIR pada beberapa sampel jagung dapat dilihat pada Gambar 10.

Gambar 10 Spektrum Reflectan NIR Pada Beberapa Sampel Jagung.

Dengan menggunakan transformasi Log (1/R) data reflektan NIR yang diubah

0 0.2 0.4 0.6 0.8 1 1.2 1.4

900 1050 1200 1350 1500 1650 1800 1950

Panjang Gelombang (nm)

A

b

s

o

rb

a

n

=

Lo

g

(

1

/R

[image:52.595.119.507.84.331.2]

)

Gambar 11 Spektrum Absorban NIR Pada Beberapa Sampel Jagung.

Perbedaan nilai absorban pada tiap panjang gelombang menunjukkan bahwa

terdapat perbedaan komposisi kimia jagung. Semakin besar kandungan suatu bahan

maka penyerapan semakin besar. Pada kurva spektrum absorban NIR jagung terlihat

bahwa puncak gelombang terjadi pada 1430 dan 1930 nm yaitu penyerapan oleh

karbohidrat, pada panjang gelombang 1200 nm penyerapan oleh protein, antara 1700 –

1800 nm terjadi penyerapan oleh lemak dimana penyerapan panjang gelombang standar

untuk lemak pada 1722 nm, penyerapan oleh air pada panjang gelombang 970 dan 1190

nm (Osborne et al. 1993).

Spektrum absorban dan reflektan sebelum dijadikan masukan (input) jaringan

saraf tiruan dilakukan reduksi data untuk menghindari masalah overfitting dan juga untuk

menghilangkan interkorelasi data sebagai syarat dalam input jaringan saraf tiruan.

Metode yang digunakan untuk mereduksi data adalah analisis komponen utama. Pada

penelitian ini (kisaran panjang gelombang 900 – 2000 nm dengan interval 5 nm) jumlah

data yang diperoleh dari hasil pengukuran adalah 220 titik dengan jumlah sampel 50

buah. Semua data ini dijadikan masukan pada perhitungan analisis komponen utama.

selanjutnya dijadikan sebagai input pada jaringan saraf tiruan. Nilai komponen utama

dari data absorban dan reflektan dapat dilihat pada Lampiran 10 dan Lampiran 11.

Sedangkan kurva kumulatif variasi komponen utama data absorban dan reflektan dapat

dilihat pada Gambar 12.

98.6 98.8 99 99.2 99.4 99.6 99.8 100 100.2

1 3 5 7 9 11 13 15

Komponen Utama (PC)

Ku m u la ti f V a ri asi<