Pengembangan Metode Deteksi Kematangan Melon (Cucumis Melo L.) Dengan Respon Impuls Akustik

PENGEMBANGAN METODE DETEKSI KEMATANGAN

MELON (

Cucumis melo

L

.

) DENGAN

RESPON IMPULS AKUSTIK

NARIRATRI KUSUMALISKI

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Metode Deteksi Kematangan Melon (Cucumis melo L.) dengan Respon Impuls Akustik adalah benar karya saya dengan arahan dari Dosen Pembimbing Akademik dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Maret 2015

Nariratri Kusumaliski

ABSTRAK

NARIRATRI KUSUMALISKI. Pengembangan Metode Deteksi Kematangan Melon (Cucumis melo L.) dengan Respon Impuls Akustik. Dibimbing oleh USMAN AHMAD.

Deteksi kematangan buah melon masih dilakukan secara subyektif sehingga kurang akurat dan dapat mempengaruhi mutu fisik. Pengembangan deteksi kematangan melon dapat dilakukan dengan menggunakan gelombang suara. Tujuan dari penelitian ini adalah mempelajari hubungan respon impuls akustik buah melon dengan parameter kematangan buah melon pada umur yang berbeda dan menentukan parameter akustik yang berperan dalam klasifikasi buah melon serta menglasifikasi buah melon berdasarkan umur panen melon. Perekaman suara ketukan dilakukan pada melon dengan umur melon 54 HST dan 60 HST menggunakan bandul. Parameter akustik dihubungkan dengan beberapa parameter kematangan buah melon, antara lain kekerasan dan total padatan terlarut (TPT). Tidak terdapat perbedaan frekuensi resonansi antara umur melon 54 HST dan 60 HST. Hubungan antara frekuensi dan parameter kematangan memiliki nilai korelasi yang sangat rendah (r<0.5). Nilai korelasi yang rendah diperbaiki dengan melakukan analisis diskriminan dan artificial neural network (ANN). Tujuannya untuk dapat mengelompokkan melon berdasarkan umur panen.

Kata kunci : frekuensi, gelombang suara, kematangan, melon

ABSTRACT

NARIRATRI KUSUMALISKI. Development of Detection Methods Melon Ripeness (Cucumis melo L.) with Acoustic Impulse Response Technique. Supervised by USMAN AHMAD.

Detection of melon ripeness is done subjectively thus less accurate and can affect the physical quality. Development of detection melon ripeness can be achieved using acoustic soundwave. The purpose of this research is studying relation between acoustic impulse response with parameters of melon ripeness at different of harvesting age, determining the acoustic parameters of classification melon and classifying melon by harvesting age melon. Recording the sound of melon harvested at 54 DAP and 60 DAP by tapping them with pendulum. Those acoustic parameters that correlates with several parameters of melon ripeness, such as firmness and total dissolved solids (TDS). There is no difference between the resonance frequency of the harvesting age 54 DAP and 60 DAP. The relation between frequency and ripeness parameters has low correlation values (r<0.5). Low correlation values then corrected with discriminant analysis and artificial neural network (ANN). The purpose of analysis is to be able to classify the melon based harvesting.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik

pada

Departemen Teknik Mesin dan Biosistem

PENGEMBANGAN METODE DETEKSI KEMATANGAN

MELON (

Cucumis melo

L

.

) DENGAN

RESPON IMPULS AKUSTIK

NARIRATRI KUSUMALISKI

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

Segala puji hanya bagi Allah SWT yang telah melimpahkan berbagai nikmat dan anugerah kepada makhluk-Nya, sehingga penulis berkesempatan untuk menyelesaikan karya ilmiah berjudul Pengembangan Metode Deteksi Kematangan Melon (Cucumis melo L.) dengan Respon Impuls Akustik ini tepat pada waktunya. Penelitian ini dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian IPB pada bulan Mei hingga Juni 2014.

Dalam penyusunan karya ilmiah ini, tidak sedikit hambatan yang penulis hadapi. Namun penulis menyadari bahwa kelancaran dalam penyusunan laporan ini tidak lain berkat bantuan, dorongan dan bimbingan berbagai pihak, sehingga kendala-kendala yang penulis hadapi dapat teratasi dengan baik. Oleh karena itu penulis mengucapkan terima kasih kepada:

1. Dosen pembimbing akademik, Dr Ir Usman Ahmad, MAgr atas bimbingan dan arahan selama penelitian dan penulisan karya ilmiah ini.

2. Dosen penguji skripsi, Dr Ir I Wayan Astika, MSi dan Dr Ir I Dewa Made Subrata, MAgr atas kritik dan saran yang sangat bermanfaat.

3. Laboran Laboratorium TPPHP, Pak Sulyaden dan Mas Abas atas bantuan selama penelitian berlangsung.

4. Keluarga penulis, Sigit Basuki, SPd, Lilies Istyawati, Hasbi Adimas Liski, Raihania Khansa Liski, dan Radia Ariza Pratama atas doa, dukungan, serta semangat positif yang terus diberikan untuk penulis.

5. Teman-teman satu bimbingan Dita Pratiwi, Wahyu Samsul Arifin, Dwi Pamungkas Bermani, dan Syahrizal Akmal atas dukungan serta bantuan selama penelitian berlangsung.

6. Teman-teman seperjuangan Teknik Mesin dan Biosistem angkatan 47 atas kebersamaan, bantuan, serta semangat bagi penulis.

7. Sahabat-sahabat penulis, Bagus Prakoso dan Rizky Ananda atas bantuan dan semangat bagi penulis.

Akhir kata penulis berharap semoga karya ilmiah ini dapat bermanfaat dan memberikan kontribusi nyata terhadap perkembangan ilmu pengetahuan.

Bogor, Maret 2015

DAFTAR TABEL viii

DAFTAR GAMBAR viii

DAFTAR LAMPIRAN ix

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 3

TINJAUAN PUSTAKA 3

Melon (Cucumis melo L.) 3

Metode Impuls Gelombang Suara Akustik 5

Analisis Diskriminan 7

Artificial Neural Network (ANN) 8

METODOLOGI 9

Waktu dan Tempat Penelitian 9

Bahan dan Alat Penelitian 9

Prosedur Penelitian 10

HASIL DAN PEMBAHASAN 13

Pengujian Respon Impuls Akustik pada Melon 13

Pengujian Destruktif Melon 16

Analisis Diskriminan 21

Artificial Neural Network (ANN) 24

SIMPULAN DAN SARAN 30

Simpulan 30

Saran 31

DAFTAR PUSTAKA 31

LAMPIRAN 34

1 Produksi melon di Indonesia 1

2 Syarat mutu melon 5

3 Syarat khusus 5

4 Hasil klasifikasi umur panen melon 23

5 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan

menggunakan ANN pada proses training 25

6 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan

menggunakan ANN pada proses validasi 26

7 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan

menggunakan ANN pada proses test 27

8 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan

menggunakan ANN secara keseluruhan 27

20 Hasil klasifikasi melon berdasarkan kelompok umur panen pada proses training 26

21 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur pada proses training 26

22 Hasil klasifikasi melon berdasarkan umur panen pada proses validasi 27

23 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur pada proses validasi 27

pendugaan umur pada proses training 29

26 Hasil klasifikasi melon berdasarkan kelompok umur panen secara keseluruhan 30

27 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur secara keseluruhan 30

DAFTAR LAMPIRAN

1 Data frekuensi dan intensitas suara buah melon dengan umur panen 54 HST 34

2 Data frekuensi dan intensitas suara buah melon dengan umur panen 60 HST 35

3 Data kekerasan kulit dan kekerasan daging buah melon dengan umur panen 54 HST 36

4 Data kekerasan kulit dan kekerasan daging buah melon dengan umur panen 60 HST 37

5 Data TPT buah melon dengan umur panen 54 HST 38

6 Data TPT buah melon dengan umur panen 60 HST 39

7 Output dari analisis diskriminan 40

PENDAHULUAN

Latar Belakang

Indonesia sebagai negara dengan iklim tropis mempunyai keunggulan komparatif di bidang pertanian, karena dengan kondisi iklim tersebut memberikan kekayaan yang tidak ternilai bagi sumberdaya alamnya. Salah satunya adalah komoditas hortikultura. Pembangunan hortikultura memegang peranan penting bagi keseimbangan pangan sehingga ketersediaan memadai, mutu yang baik, aman dikonsumsi, bernilai ekonomis serta dapat dikonsumsi oleh seluruh lapisan masyarakat. Hortikultura juga sangat penting bagi perekonomian nasional karena merupakan pasar yang sangat potensial. Melon (Cucumis melo L.) ini merupakan buah yang berasal dari suku labu-labuan atau Cucurbitaceae. Produksi melon meningkat setiap tahunnya, jumlah produksi melon di Indonesia secara lengkap disajikan pada Tabel 1.

Tabel 1 Produksi melon di Indonesia tahun 2008-2013 Tahun

Berbagai varietas dari melon, salah satu varietasnya adalah Cantaloupe. Melon Cantaloupe memiliki ciri-ciri fisik hampir sama dengan melon Action 434

yaitu memiliki kulit yang keras, tebal dan berurat seperti jala (jaring). Perbedaan melon Cantaloupe dengan melon Action 434 hanya pada warna kulitnya. Melon Cantaloupe memiliki warna kulit yang lebih hijau dibanding dengan melon lokal dan warna daging buahnya berwarna jingga. Melon

Cantaloupe juga mengandung betakaroten yang lebih banyak dibandingkan dengan jenis melon yang lain. Melon varietas ini dapat dipanen sekitar umur 60 hari.

yang baik maka dapat diperoleh dengan pembudidayaan yang baik serta penentuan waktu panen yang tepat. Peningkatan permintaan untuk produk hortikultura yang berkualitas tinggi membuat produsen hortikultura perlu mengevaluasi kematangan buah-buahan terutama melon secara non-destruktif. Penentuan buah melon yang matang masih dilakukan secara manual, para petani di Indonesia biasanya menggunakan cara klasik dalam menetukan kematangan melon, yaitu dengan mengetuk menggunakan tangan atau benda lain. Pengetukan melon akan menghasilkan bunyi yang khas, dari bunyi tersebut dapat ditentukan buah melon matang atau tidak. Manusia memiliki perbedaan daya serap pendengaran sehingga cara tersebut kurang akurat. Penentuan tingkat kematangan buah melon harus dilakukan secara obyektif dan tepat. Penelitian ini dikembangkan metode pengukuran gelombang suara dengan menggunakan bandul bola sehingga menghasilkan gelombang suara atau dengan respon impuls akustik.

Perumusan Masalah

Umumnya penentuan kematangan melon masih dilakukan secara subyektif yaitu mengetahui kematangan melon dengan mengetuk buah melon menggunakan tangan dan secara fisik (warna kulit dan aroma buah), sehingga tidak dapat dipastikan akurasi kematangannya. Penentuan yang dilakukan secara subyektif juga dapat menurunkan mutu dari melon itu sendiri. Diperlukan metode lain yang lebih praktis dan lebih akurat dalam pendeteksian tingkat kematangan buah melon sehingga melon yang dipanen sesuai dengan syarat mutu yang ada dan selera pasar. Dalam penelitian ini dikembangkan menggunakan metode respon impuls akustik.

Tujuan Penelitian

Tujuan umum dari penelitian ini adalah untuk mengembangkan metode deteksi kematangan melon dengan gelombang suara yang dihasilkan oleh getaran. Sedangkan secara khusus, penelitian ini bertujuan untuk:

1. Mempelajari hubungan respon impuls akustik buah melon dengan parameter kematangan buah melon pada umur yang berbeda.

2. Menentukan parameter akustik yang berperan dalam klasifikasi buah melon dan menglasifikasi buah melon berdasarkan umur panen melon.

Manfaat Penelitian

Ruang Lingkup Penelitian

Buah melon varietas Cantaloupe dengan dua karakteristik umur panen melon yaitu 54 hari setelah tanam (HST) dan 60 hari setelah tanam (HST) dipelajari tingkat kematangannya dengan merekam suara ketukan yang dihasilkan dari melon tersebut menggunakan bandul. Perekaman suara kemudian dihubungkan dengan beberapa parameter, yaitu total padatan terlarut (TPT) dan kekerasan baik kekerasan kulit buah dan kekerasan daging buah, sehingga diperoleh hubungan respon impuls akustik dan parameter tersebut. Selain itu, buah melon juga diklasifikasi berdasarkan umur panennya.

TINJAUAN PUSTAKA

Melon (Cucumis melo L.)

Melon (Cucumis melo L.) merupakan buah semusim yang berasal dari lembah Persia, Mediternia. Dari daerah asalnya, melon kemudian menyebar ke Eropa dan Timur Tengah. Abad ke 14, Colombus membawa melon ke Amerika, yang kemudian banyak tumbuh di daerah California, Texas, dan Colorado. Selain Colombus, bangsa Moor juga banyak berjasa dalam pengembangan buah melon. Melon kemudian dikembangkan varietasnya di Jepang, Cina, India, Spanyol, dan Iran.

Buah melon masuk ke Indonesia dan mulai dibudidayakan pada tahun 1970. Saat itu, melon menjadi buah yang bergengsi tinggi dan sangat mahal. Konsumen yang mengkonsumsi melon jumlahnya terbatas, hanya kalangan yang tergolong ekonomi tinggi. Namun, buah yang mengandung banyak air ini, kini sudah bisa dinikmati oleh semua kalangan. Melon sudah dibudidayakan secara luas di Indonesia. Kalianda (Lampung) dan Cisarua (Bogor) merupakan daerah pertama yang mengembangbiakkan melon secara serius. Daerah Ngawi dan Madiun (Jawa Timur), serta Boyolali dan Klaten (Jawa Tengah) juga menjadi sentra penghasil melon yang cukup dominan. Adapun klasifikasi ilmiah buah melon adalah sebagai berikut:

Kingdom : Plantarum

Divisi : Spermatophyta

Sub-divis : Angiospermae

Kelas : Dikotil

Sub-kelas : Sympetalae

Ordo : Cucurbitales

Famili : Cucurbitaceae

Genus : Cucumis

Syarat Tumbuh Melon

Melon merupakan buah dengan akar menyebar namun dangkal. Melon membutuhkan tanah yang subur dan kaya akan unsur hara tanah. Pertumbuhan melon akan optimal apabila dibudidayakan pada tanah dengan kisaran pH 6.0-6.8. Tanaman melon tidak akan bereproduksi optimal apabila ditanam di daerah yang bertanah masam dengan pH <5.6 (Prajnanta 2004). Keadaan iklim seperti suhu, curah hujan, sinar matahari, kelembaban, dan ketinggian tempat juga mempengaruhi pertumbuhan melon. Ketinggian tempat yang optimal untuk pertumbuhan melon adalah 200-900 mdpl. Di daerah rendah, umur tanaman lebih singkat sehingga pembentukan gula belum maksimal. Di daerah tinggi buah lebih manis, tapi ukuran kecil. Melon menghendaki sinar matahari yang lama, yaitu berkisar antara 10–12 jam per hari. Lokasi penanaman melon diusahakan di daerah terbuka dan sedikit penguapan. Sinar matahari membantu proses pembentukan zat gula (pati) yang menyebabkan ukuran melon menjadi besar dan manis (Prajnanta 2004). Kelembaban udara yang diperlukan untuk pertumbuhan adalah sekitar 70–80 % (Nurjehan 2003)

Buah melon memiliki manfaat yang beragam, antara lain sebagai pangan dan bahan baku makanan dan minuman. Kandungan vitaminnya bermanfaat bagi tubuh untuk mencegah berbagai macam penyakit, seperti beri-beri, sariawan, luka pada tepi mulut, penyakit mata, radang syaraf, pelagra, dan lain-lain. Mineralnya juga bermanfaat bagi pembentukan tulang, gigi, dan sel darah merah. Serat yang terkandung dalam buah melon dapat mempelancar pencernaan. Melon mengandung zat adenosine atau zat anti-koagulan yang dapat mencegah atau mengobati penyakit hati, tekanan darah tinggi, dan kanker (Samadi 2007). Kandungan protein dan karbohidrat dalam buah melon sangat penting bagi tubuh manusia untuk pembentukan jaringan sel.

Gambar 1 Melon varietas Cantaloupe Syarat Mutu Melon

Mutu suatu komoditas pertanian harus dapat dikontrol agar komoditas pertanian yang ada di pasaran dapat berkualitas dan aman dikonsumsi. Syarat mutu melon mengacu pada standar yang sudah ada. Adapun syarat mutu melon secara umum antara lain, utuh, kompak (firm), penampilan segar, bentuk dan warna sesuai dengan karakteristik varietas, layak dikonsumsi, bersih, bebas dari kerusakan mekanis, dan bebas hama penyakit (BSN 2013).

Buah melon yang digemari oleh masyarakat atau konsumen adalah buah melon yang memiliki kemanisan yang tepat. Tingkat kemanisan buah melon di Indonesia bervariasi mulai dari 8-15 %brix (Purnama 2006). Buah melon varietas

%brix (ECFR 2012). Buah melon di pasaran dikelompokkan berdasarkan kelas-kelas mutu, sehingga dapat diketahui maing-masing persyaratan dari kelas-kelas mutu tersebut. Syarat mutu melon seperti yang disajikan pada Tabel 2.

Tabel 2 Syarat mutu melon

Kelas mutu Persyaratan

Kelas super Bebas dari kerusakan

Kelas 1 Kerusakan maksimum 10% dari total permukaan dan tidak mempengaruhi isi buah

Kelas 2 Kerusakan maksimum 15% dari total permukaan dan tidak mempengaruhi isi buah

Sumber : BSN : SNI 7783 (2013)

Penentuan atau pengelompokan kualitas buah melon tidak hanya berdasarkan dari kelas mutu yang dilihat dari kerusakan buah saja, pengelompokan buah melon juga berdasarkan karakteristik dari buah tersebut. Terdapat syarat khusus standar kualitas buah melon di pasaran, yang disajikan pada Tabel 3.

Tabel 3 Syarat khusus standar kualitas buah melon di pasar lokal

Karakteristik Kelas

Seragam Seragam Seragam atau

terdapat 10% tidak seragam Sumber : Prajnanta (2004)

Metode Impuls Gelombang Suara Akustik

kematangan beberapa buah dan sayuran. Buah-buahan banyak mengandung air dan air memiliki sifat merambatkan suara. Jumlah air yang dilalui gelombang suara akan mempengaruhi waktu dan bunyi yang dihasilkan. Gelombang suara, air merupakan resistan yang akan mempengaruhi kecepatan gelombang suara yang melaluinya sehingga waktu dan bunyi yang dihasilkan berbeda. Metode respon getaran suara ini merupakan salah satu cara memperkirakan mutu tekstur dari produk-produk pertanian yang tidak merusak produknya (Utomo 2000).

Dalam penanganan pascapanen melon, petani telah memiliki pengalaman dalam mengevaluasi kualitas melon secara fisik, namun dengan metode tersebut kurang diperoleh tingkat akurasi yang tinggi. Penyortiran secara manual membutuhkan biaya yang tinggi dan waktu yang relatif lama. Beberapa peneliti telah memperhatikan permasalahan tersebut dan telah melakukan banyak riset pada pengukuran kualitas internal melon tanpa merusak buah dan dengan waktu yang lebih cepat. Metode pengukuran kualitas melon tersebut terdiri dari beberapa metode, antara lain teknologi akustik, teknologi dinamis, teknologi listrik dan magnetik, x-ray and computed tomography, dan near infrared (NIR)

spectroscopy. Perbedaan metode ini didasarkan atas tingkat akurasi yang digunakan, objek yang diamati, pertimbangan ekonomis dan efek yang ditimbulkan pada objek (Fauzan 2012). Metode-metode tersebut jika dibandingkan dengan metode manual dapat mengurangi biaya produksi, mempersingkat waktu dan menghasilkan akurasi yang tinggi (Sun et al. 2010).

Metode pengukuran akustik pertama kali dilakukan oleh Drake (1963) sedangkan untuk pengukuran akustik mekanik dilakukan oleh Duizer (2001) dan Roudaut et al. (2002). Sugiyama et al. (1994), menemukan bahwa dampak gelombang dari sinyal akustik yang disebabkan oleh pendulum pada melon yang ditransmisikan sepanjang ekuator dari melon dengan kecepatan yang seragam dan menghasilkan indeks kematangan buah. Kecepatan ini akan menurun apabila melon telah matang. Penurunan kecepatan transmisi tingkat kematangan buah juga dapat ditunjukkan dengan penurunan puncak gelombang signal akustik. Melon yang matang ditunjukan dengan menurunnya kecepatan transmisi. Saat gelombang akustik mengenai produk pertanian, gelombang yang ditransmisikan tergantung pada karakteristik akustik dari produk pertanian. Karakteristik akustik antara lain koefisien atenuasi, kecepatan transmisi, impedansi akustik, dan frekuensi yang diperoleh dari transmisi gelombang akustik tersebut (Sun et al. 2010).

Menurut Taniwaki et al. (2010), kecepatan pemasakan buah melon jenis

Miyabi-Haruaki dengan metode getaran akustik non-destruktif didasarkan atas indeks elastisitas (IE), dirumuskan dengan f 2 m2/3, f adalah frekuensi kedua dari sampel dan m adalah massa sampel. Kecepatan pemasakan didefinisikan sebagai ∆EI/HST dengan nilai 0.36x104 kg2/3 Hz2 d-1. Hasil ini lebih kecil dari melon jenis

tingkat kematangan tomat saat penyimpanan, pengemasan, dan metode produksi penanganan tomat yang menyebabkan perubahan fisik.

Analisis Diskriminan

Analisis diskriminan merupakan salah satu teknik analisa statistika dependensi yang memiliki kegunaan untuk mengklasifikasikan objek beberapa kelompok. Pengelompokan dengan analisis diskriminan ini terjadi karena ada pengaruh satu atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi diskriminan (Hair et al. 1998). Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas dan menyeluruh berdasarkan sejumlah variabel penjelas. Persamaan fungsi diskriminan yang dihasilkan untuk memberikan pendugaan yang paling tepat untuk mengklasifikasi individu kedalam kelompok berdasarkan nilai variabel bebas. Ada dua asumsi utama yang harus dipenuhi pada analisis diskriminan ini, yaitu:

1. Sejumlah p variabel penjelas harus berdistribusi normal.

2. Matriks varians-covarians variabel penjelas berukuran p x _{p pada kedua}

kelompok harus sama.

Model dasar analisis diskriminan dilambangkan dengan Y. Model analisis diskriminan merupakan sebuah persamaan yang menunjukkan suatu kombinasi linier dari berbagai variabel independen yaitu :

Y = b + bX1 + bX2 + bX3+ …… + bXn

dimana : Y = skor diskriminan

b = koefisien diskriminasi

X = prediktor atau variabel independen (1, 2, 3, …. ,n)

Analisis diskriminan untuk dua kelompok, misalnya jika dalam suatu kasus terdapat dua kelompok populasi yang bebas. Dari populasi pertama diambil secara acak contoh berukuran n dan mempelajari p buah sifat dari contoh tersebut. Demikian pula ditarik contoh acak berukuran 2n dari populasi 2 serta mempelajari

p buah sifat dari contoh tersebut, sehingga ukuran contoh secara keseluruhan dari populasi pertama dan populasi kedua adalah n = n + 2n. Proses yang terjadi dalam melakukan analisis diskriminan, yaitu :

· Memisah variabel-variabel menjadi variabel dependen dan variabel independen.

· Menentukan metode untuk membuat fungsi diskriminan. Prinsipnya antara lain :

1. Simultaneous estimation, dimana semua variabel dimasukkan secara bersama-sama kemudian dilakukan proses diskriminan.

· Menguji signifikansi dari fungsi diskriminan yang telah terbentuk dengan menggunakan Wilk’s Lambda, nilai F test dan lainnya.

· Menguji ketepatan klasifikasi dari fungsi diskriminan, termasuk mengetahui ketepatan klasifikasi secara individual dengan casewise diagnostics.

· Melakukan interpretasi terhadap fungsi diskriminan tersebut. · Melakukan uji validasi fungsi diskriminan.

Validasi pada analisis diskriminan dilakukan dengan menghitung nilai

cutting score. Nilai cutting score ini yang nantinya akan menjadi acuan dalam mengelompokkan data. Apabila dua kelompok sama ukurannya, rumus cutting score yang digunakan adalah :

dimana : Zcu = cutting score untuk kelompok yang sama ukuran

Z1 = centroid kelompok 1

Z2 = centroid kelompok 2

Artificial Neural Network (ANN)

Artificial neural network atau yang sering disebut dengan jaringan syaraf tiruan adalah jaringan dari sekelompok unit pembuat proses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. Artificial neural network

merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Artificial neural network dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data

.

Salah satu model yang sering digunakan dalam paradigma jaringan syaraf tiruan adalah perambatan galat mundur atau backpropagation (Hermawan 2006).

Backpropagation merupakan algoritma pembelajaran yang terwarisi yang bertujuan untuk mengubah parameter yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Proses pelatihan atau training, ANN

backpropagation melewati tiga tahap, yaitu tahap panjar maju (feedforward) dari pola pelatihan masukan, komputasi dan propagasi balik dari galat (error) yang bersesuaian, dan penyesuaian bobot (Fauset 1994). Setelah melewati proses pelatihan, aplikasi dari jaringan hanya melibatkan komputasi pada tahap panjar maju.

Artificial neural network propagasi balik adalah ANN dengan topologi multi-lapis (multilayer) dengan satu lapis masukan (input layer), satu atau lebih lapis hidden atau tersembunyi (hidden layer) dan satu lapis keluaran (output layer). Setiap lapis memiliki neuron-neuron (unit-unit) yang dimodelkan dengan lingkaran (Gambar 2). Di antara neuron pada satu lapis dengan neuron pada lapis berikutnya dihubungkan dengan model koneksi yang memiliki massa-massa, w

Gambar 2 Artificial neural network dengan metode backpropagation

Penelitian terdahulu yang dilakukan oleh Purnama (2006) yaitu mengenai evaluasi mutu buah melon menggunakan image processing dan ANN. Penelitian ini menggunakan melon dengan varietas Glamour, dilakukan pendugaan buah melon berdasarkan umur. Hasil yang diperoleh dapat mencapai tingkat akurasi rata-rata dari ketiga umur melon (30 hari, 35 hari, dan 40 hari) sebesar 100% pada proses training, sedangkan pada proses validasi rata-rata tingkat akurasi dari ketiga umur melon sebesar 86%.

METODOLOGI

Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor, pada bulan Mei hingga Agustus 2014.

Bahan dan Alat Penelitian

Bahan utama yang digunakan pada penelitian ini adalah melon varietas

Gambar 3 Sampel buah melon

Peralatan yang digunakan untuk penelitian ini adalah mikrofon, bandul,

notebook, rheometer, refractometer, timbangan digital, penggaris, wadah plastik,

pita ukur, dan tali pengikat. Mikrofon 0.14” Hands Free Clip On Mini Lapel untuk

merekam suara. Bandul yang berfungsi sebagai alat pengetuk berbentuk bola yang terbuat dari bahan plastik acrylic berdiameter 4 cm dengan bobot 18 g. Sebuah

notebook dengan prosesor Intel Core i3 2.2 GHz, rheometer tipe CR-300 untuk mengukur kekerasan. Refractometer merk Atago tipe PR-210 untuk mengukur TPT. Timbangan digital merek Mettler untuk mengukur berat. Penggaris ukuran 60 cm dan ukuran 20 cm sebagai alat ukur panjang buah. Wadah plastik ukuran 6 L digunakan dalam penentuan volume buah. Gelas ukur digunakan sebagai pengukur volume buah. Pita ukur sebagai alat ukur diameter buah. Tali pengikat digunakan sebagai pengikat mikrofon, bandul dan buah melon.

Prosedur Penelitian

Gambar 4 Diagram alir deteksi kematangan buah melon

25 Mikrofon cm

50 cm Melon

Bandul 40 cm

Notebook Pembatas

Gambar 5 Konfigurasi sistem pengetukan pada buah melon Selesai

Perekaman suara Sortasi

Pengukuran : Kekerasan

TPT Melon

Analisis data : Regresi linear sederhana

Analisis diskriminan

Pengujian yang dilakukan setelah perekaman suara dengan pengetukan pada buah melon, yaitu :

Pengukuran Kekerasan

Pengukuran kekerasan dilakukan dengan menggunakan rheometer merk Sun tipe CR-300. Alat ini diset dengan mode 20, beban maksimal 10 kg, kedalaman penekanan 10 mm, kecepatan penurunan beban 60 mm/m, dan diameter probe (jarum) 5 mm. Bahan ditusuk pada bagian kulit buah melon dan diulang pada bagian kulit yang lain sebanyak 3 kali, yaitu pada bagian ujung, tengah, dan pangkal (Hubies 1985). Kekerasan kulit buah langsung dapat dibaca pada skala penunjuk yang terdapat pada rheometer dalam satuan kgf (Gambar 6 (a)). Kekerasan juga dilakukan pada daging buah, sebelumnya buah melon dipotong kemudian diuji kekerasannya (Gambar 6 (b)). Pengujiannya sama dengan pengujian kekerasan pada kulit buah.

Pengukuran TPT

Pengukuran TPT dilakukan dengan menggunakan refractometer merk Atago tipe PR-210 (Gambar 6 (c)). Gambar 6 (d) menunjukkan bahwa daging buah melon dihaluskan terlebih dahulu, kemudian diperas untuk didapatkan substratnya. Substrat daging buah tersebut diletakkan di atas lensa refractometer

untuk dilakukan pembacaan hasil (Hubies 1985). Lensa dibersihkan menggunakan aquades dan dikalibrasi setiap kali dilakukan pembacaan hasil. Total padatan terlarut dinyatakan dalam satuan %brix. Pengujian ini dilakukan sebanyak tiga kali yaitu pada pangkal, tengah, dan ujung buah melon.

(a) Pengukuran kekerasan kulit buah menggunakan rheometer

(b) Pengukuran kekerasan daging buah menggunakan rheometer

(c) Refractometer (d) Pengukuran TPT

Analisis Data

Signal analog akan diubah dalam bentuk signal digital oleh analog digital converter (ADC) dan disimpan dalam recorder. Signal digital ditampilkan dalam bentuk grafik antara intensitas suara (dB) dan frekuensi (Hz) dengan menggunakan program Audacity. Intensitas suara pada umur panen melon 54 HST dan 60 HST akan berbeda. Setelah ditetapkan frekuensi sebagai acuan penentuan, maka akan diketahui pada frekuensi dan intensitas berapa buah melon dengan umur panen 54 HST dan 60 HST. Penganalisaan data juga berdasarkan ketukan yang berbeda-beda pada setiap sampel melon yang digunakan, yaitu sebanyak tiga kali ulangan atau tiga ketukan kemudian data yang akan dianalisis adalah data rataan.

Analisis yang digunakan pada penelitian ini terdiri dari 3 macam analisis, yaitu analisis regresi linear sederhana, analisis diskriminan, dan ANN. Analisis regresi linear sederhana menggunakan Microsoft Excel 2010. Analisis regresi linear sederhana ini, data yang telah terkumpul, baik data frekuensi, intensitas suara, kekerasan kulit buah, kekerasan daging buah, dan TPT dianalisis sehingga diperoleh hubungan antar parameter kematangan buah melalui nilai regresi. Analisis diskriminan yang dilakukan pada penelitian ini untuk dua kelompok atau untuk mengelompokkan umur panen melon. Analisis diskriminan dilakukan dengan menggunakan program SPSS versi 20.0. Artificial neural network

dilakukan sama seperti analisis diskriminan untuk mengklasifikasikan melon berdasarkan umur panen menggunakan program MATLAB R2013a.

HASIL DAN PEMBAHASAN

Pengujian Respon Impuls Akustik pada Melon

(a) (b)

Gambar 7 Rangkaian perekaman suara (a) rangkaian pengetukan (b) rangkaian terhubung dengan notebook

Program Audacity memiliki prinsip kerja, yaitu pantulan gelombang suara akan direkam melalui mikrofon. Signal analog akan diubah menjadi signal digital, signal digital tersebut akan ditampilkan dalam bentuk grafik yang menghubungkan amplitudo dan waktu. Sampel buah melon masing-masing dilakukan perekaman suara ketukan sebanyak tiga kali ulangan setiap 2 detik. Suara yang telah direkam dilakukan analisis dengan spectrum plot menggunakan program Audacity, sehingga diperoleh grafik frekuensi dengan intensitas suara pada masing-masing rekaman suara. Frekuensi karakteristik setiap suara ketukan merupakan frekuensi dengan intensitas suara yang maksimum. Data frekuensi yang digunakan pada penelitian ini berasal dari nilai puncak (Gambar 9 dengan tanda merah).

Gambar 9 Grafik yang dihasilkan oleh program Audacity

Buah melon merupakan jenis buah non-klimakterik dimana buah tersebut tidak mengalami lonjakan respirasi maupun etilen. Proses pemasakan buah nonklimakterik terjadi sebelum buah dipanen atau masih berada pada tanaman. Hal ini menunjukkan bahwa buah melon tidak akan matang dengan proses pemeraman, maka dari itu buah melon harus dipanen dalam kondisi benar-benar matang. Umur panen buah melon berdaging sekitar 35 hari setelah pembungaan. Gambar 10 menunjukkan bahwa adanya grafik hubungan antara umur panen melon (HST) dengan frekuensi suara (Hz). Grafik tersebut dapat dilihat bahwa umur buah berbanding terbalik dengan frekuensi. Semakin besar umur panen melon maka akan semakin kecil frekuensinya. Umur panen melon 54 HST diperoleh frekuensi rata-rata sebesar 279 Hz sedangkan umur panen melon 60 HST memiliki frekuensi rata-rata sebesar 256 Hz.

Gambar 10 Hubungan umur panen melon (HST) dan frekuensi (Hz)

Masing-masing umur memiliki perbedaan bunyi ketukan dimana perbedaan tersebut ditentukan oleh frekuensi alaminya. Frekuensi alami yang dimiliki oleh

200 250 300 350 400

48 54 60 66

Fre

k

u

en

si

(Hz)

Umur Panen Melon (HST)

buah melon tidak akan berubah. Menurut Sri et al. (2007), buah yang matang mempunyai frekuensi tertentu yang berbeda dengan buah yang mentah walaupun jenis buahnya sama, ketukan atau pukulan yang diberikan kepadanya hanya akan mengubah amplitudo bunyi yang terdengar. Berdasarkan penelitian sebelumnya yang dilakukan oleh Sri et al. (2007) mengenai pendeteksian kemasakan semangka merah mentah, setengah matang dan matang menggunakan spectrum bunyi. Hasil penelitian tersebut menunjukkan bahwa semakin matang daging buah semangka maka semakin rendah frekuensi dominannya. Penelitian tersebut masih memiliki kekurangan, antara lain semangka yang diuji harus dirusak, tidak dalam keadaan utuh, sehingga kurang praktis dan tidak bisa diterapkan untuk skala besar. Dari data hasil pengambilan suara melalui ketukan bandul selain diperoleh frekuensi juga diperoleh intensitas suara. Intensitas suara merupakan daya per satuan luas yang tegak lurus terhadap arah rambatan gelombang bunyi. Grafik hubungan umur panen melon (dB) dengan intensitas suara (Hz) (Gambar 11). Umur panen melon 54 HST diperoleh rata-rata intensitas suara sebesar -21.3 dB dan pada umur panen melon 60 HST diperoleh rata-rata intensitas suara sebesar -22.9 dB. Semakin besar umur panen melon maka intensitas suara semakin kecil, terjadi hubungan berbanding terbalik antara umur panen dengan intensitas suara.

Gambar 11 Hubungan umur panen melon (HST) dan intensitas suara (dB)

Pengujian Destruktif Melon

Kekerasan Buah

Proses pematangan buah dapat merubah beberapa ciri fisik dan tekstur dari buah tersebut, salah satunya perubahan kekerasan buah. Menurut Ahmad (2013), pemecahan asam organik dan polimerisasi tannin, penurunan jumlah pektin serta hidrolisis pati yang mengakibatkan buah menjadi lunak. Buah melon yang telah diuji secara non-destruktif kemudian dilakukan uji destruktif, salah satunya dengan pengujian kekerasan buah. Menurut Hubies (1985), bahan ditusuk pada bagian kulit buah melon dan diulang pada bagian kulit yang lain sebanyak 3 kali,

yaitu pada bagian ujung, tengah, dan pangkal. Kekerasan buah Pengujian kekerasan dilakukan dengan mengukur kekerasan kulit dan kekerasan daging buah menggunakan rheometer. Prinsip kerja dari rheometer adalah mengukur kekerasan dari probe (jarum) terhadap buah. Rheometer tersebut disetting terlebih dahulu dengan mode 20, beban maksimal 10 kg, kedalaman penekanan 10 mm, kecepatan penurunan beban 60 mm/m, dan diameter probe (jarum) 5 mm.

Setelah kekerasan kulit buah melon dihasilkan maka dibuat grafik hubungan antara umur panen melon (HST) dan kekerasan pada kulit buah (kgf). Berdasarkan grafik tersebut, nilai rata-rata kekerasan pada kulit buah pada umur panen melon 54 HST adalah sebesar 6.86 kgf. Umur panen melon 60 HST mengalami penurunan rata-rata kekerasan (Gambar 12) yaitu sebesar 0.13 kgf menjadi 6.73 kgf. Semakin besar gaya yang dibutuhkan probe untuk menembus kulit buah maka semakin keras buahnya. Hal ini terjadi dikarenakan buah dengan umur panen melon 54 HST belum cukup matang, dimana kekerasan akan menurun sejalan dengan tingkat kematangannya. Buah dengan tingkat kematangan yang rendah memiliki kekerasan yang tinggi. Umumnya, konsumen atau masyarakat lebih menyukai buah dengan tekstur yang renyah. Hal ini diperoleh jika pemanenan dilakukan dengan umur panen yang tepat.

Gambar 12 Hubungan umur panen melon (HST) dan kekerasan kulit buah (kgf)

Gambar 13 menunjukkan grafik hubungan antar frekuensi (Hz) dengan kekerasan pada kulit buah (kgf) yang bertujuan untuk mengetahui ada atau tidaknya korelasi diantara keduanya dengan menggunakan analisis regresi linear sederhana. Grafik diperoleh nilai R sebesar 0.0357 dan korelasi yang dihasilkan positif. Nilai r yang dihasilkan sangat kecil sehingga tidak ada hubungan yang nyata antara frekuensi (Hz) dengan kekerasan pada kulit buah (kgf).

Gambar 13 Hubungan frekuensi (Hz) dan kekerasan kulit buah (kgf)

Pengujian kekerasan daging dilakukan sama halnya seperti pada pengujian kekerasan kulit buah, bedanya probe ditusukkan pada daging buahnya. Data hasil penelitian diperoleh grafik yang menghubungkan antara umur panen melon (HST) dengan kekerasan pada daging buah (kgf), kekerasan buah menurun seiring bertambahnya umur dari buah tersebut. Rata-rata kekerasan pada buah dengan umur panen 54 HST adalah sebesar 1.08, sedangkan pada umur panen 60 HST berkisar 1.02. Berbeda dengan kekerasan kulit yang memiliki perbedaan kekerasan yang cukup besar, pada kekerasan daging buah diperoleh perbedaan rata-rata kekerasan yang kecil pada umur panen 54 HST dan 60 HST.

Gambar 14 Hubungan umur panen melon (HST) dan kekerasan daging buah (kgf)

Gambar 15 Hubungan frekuensi (Hz) dan kekerasan

daging buah (kgf) antara kekerasan daging dengan frekuensi.

Total Padatan Terlarut Buah

Secara umum, buah yang matang akan diiringi dengan adanya peningkatan beberapa jumlah zat gula. Peningkatan gula terjadi akibat dari proses hidrolisa pati menjadi zat gula, baik dalam bentuk sukrosa, fruktosa, dan glukosa (Pantastico 1986). Peneliti lain menyatakan bahwa peningkatan %brix pada TPT seiring dengan meningkatnya kandungan gula pada buah tersebut sejalan dengan proses pematangan. Salah satu parameter proses pematangan buah berlangsung, ditandai dengan meningkatnya hidrolisis pati menjadi gula-gula sederhana (Goukh et al. 2010).

Pengukuran TPT dilakukan dengan merusak buah, yaitu dengan menghaluskan substrat yang berasal dari daging buah melon. Pengukuran TPT ini menggunakan alat ukur yang bernama refractometer, substrat yang telah halus diletakkan pada lensa ukur yang terdapat pada refractometer. Setelah menekan

tombol “Start” pada alat ukur tersebut maka akan muncul nilai TPT dengan satuan

%brix. Zat gula-gula sederhana tersebut yang dapat memberikan rasa manis pada buah, semakin tinggi TPT maka semakin manis. Pantastico (1986) menyatakan bahwa rasa manis pada buah disebabkan adanya peningkatan jumlah gula-gula sederhana dan berkurangnya senyawa fenolik serta kenaikan zat-zat atsiri yang memberi aroma khas pada buah.

Gambar 16 Hubungan umur panen melon melon (HST) dan TPT (%brix)

Gambar 16 menunjukkan hubungan antara umur panen melon (HST) dengan TPT dimana hubungan yang terjadi adalah berbanding lurus antara umur (HST) dan TPT (%brix). Pada umur 54 HST, rata-rata TPT sebesar 5.3 %brix sedangkan rata-rata TPT pada umur panen melon 60 HST sebesar 6.7 %brix, seperti ditunjukkan pada Gambar 16 bahwa korelasi yang dihasilkan positif. Semakin lama umur panen melon maka akan semakin besar tingkat kemanisan buah sampai mencapai batas jenuh. Jika melewati kejenuhan, maka gula akan mengalami fermentasi alkohol.

2 C6H12O6 + 3 O2 3 C2H5(OH) + 6 CO2 + 3 H2O

Berdasarkan data yang telah diplotkan ke dalam grafik, dapat dilihat bahwa tidak ada kecenderungan hubungan yang nyata antara frekuensi (Hz) dengan sebaran TPT (%brix). Hal ini ditunjukkan dengan nilai r yang sangat kecil yaitu sebesar 0.0367 dengan korelasi yang negatif, dimana kenaikan frekuensi akan diikuti dengan penurunan TPT. Faktor lingkungan sangat mempengaruhi besarnya nilai TPT dalam buah, cuaca yang tidak menentu akan mempengaruhi zat-zat gula yang terkandung. Tingkat kemanisan buah melon dapat dikontrol melalui suhu dari lingkungan. Buah melon yang manis berasal dari lingkungan yang memiliki selisih suhu yang tinggi antara siang dan malam (Prajnanta 2004).

4.0 5.0 6.0 7.0 8.0 9.0

48 54 60 66

TP

T

(%

b

rix

)

Umur Panen Melon (HST)

Gambar 17 Hubungan frekuensi (Hz) dan total padatan terlarut (%brix)

Analisis Diskriminan

Analisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada hubungan dependensi (hubungan antar variabel dimana sudah dapat dibedakan variabel respon dan variabel penjelas). Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas dan menyeluruh berdasarkan jumlah variabel penjelas. Terdapat beberapa asumsi yang harus dilakukan sebagai syarat dari analisis diskriminan. Asumsi tersebut antara lain, uji normal multivariat dan uji kovarian. Analisis diskriminan ini dilakukan dengan menggunakan program SPSS versi 20.0. Dalam analisis ini, parameter yang digunakan adalah frekuensi dan intensitas suara, TPT dan kekerasan tidak dianalisis. Hal ini dikarenakan parameter TPT dan kekerasan merupakan parameter dengan pengujian destruktif atau dengan merusak buah sehingga pengukurannya tidak efisien pada saat dilakukan pengukuran di lapang.

Uji normal multivariat dilakukan untuk menormalkan variabel-variabel yang digunakan. Lampiran 7 dijelaskan pada tabel bahwa uji normalitas yang digunakan adalah Komolgorov-Smirnov dikarenakan data yang digunakan jumlahnya >20 data. Tabel tersebut uji normalitas dapat dilihat pada nilai Sig. dimana jika nilai Sig. > 0.05 artinya data dari setiap variabel berdistribusi normal. Variabel atau parameter yang digunakan antara lain, frekuensi dan intensitas suara. Frekuensi dan intensitas suara memiliki nilai Sig. >0.050 yaitu 0.200 maka dapat diakatan kedua variabel tersebut dapat lolos uji normalitas.

Log determinant dilakukan untuk mengetahui bahwa kelompok umur panen melon 54 HST dan kelompok umur panen melon 60 HST memiliki varian yang sama atau berbeda. Log determinant untuk umur panen 54 HST adalah 9.488 dan log determinant untuk 60 HST adalah 9.521 (Lampiran 7). Artinya, nilai log determinant tidak beberbeda jauh, sehingga matriks kovarian relatif sama untuk dua kelompok. Asumsi semua kelompok memiliki matrik ragam-peragam yang

sama terpenuhi. Setelah dilakukan pengujian atas variabel yang akan dianalisis, selanjutnya adalah melakukan proses pembentukan fungsi diskriminan. Penelitian ini digunakan model diskriminan, yaitu two group discriminant yang hanya melibatkan dua kategori pada variabel.

Berdasarkan hasil pengujian dari analisis sebelumnya pada program SPSS versi 20.0 parameter frekuensi dan intensitas suara terseleksi masuk dalam analisis. Setelah diperoleh variabel-variabel tersebut kemudian dilakukan pengujian berdasarkan tiga variabel tersebut. Uji signifikan dari fungsi diskriminan yang terbentuk dilakukan dengan pengujian Wilk’s Lambda. Prinsip dari uji Wilk’s Lambda adalah varians total dalam discriminant scores yang tidak bisa dijelaskan oleh perbedaan di antara kelompok-kelompok yang ada. Hasil uji

Wilk’s Lambda diperoleh nilai Chi-Square sebesar 30.635. Asumsi bahwa H0

adalah variabel sama dan H1 adalah variabel memiliki perbedaan. Taraf nyata

yang digunakan adalah 5%. Jika nilai Sig. > 0.050 maka H0 diterima, sedangkan

jika nilai Sig. < 0.050 maka H0 ditolak. Lampiran 7 dapat dilihat bahwa nilai Sig.

0.000 < 0.050, maka H0 ditolak. Uji ini dapat disimpulkan bahwa

variabel-variabel yang diteliti memiliki perbedaan antar kelompok.

Uji kekuatan hubungan diskriminan dilakukan dengan uji nilai Eigen. Uji nilai Eigen terdapat canonical correlation. Canonical correlation bertujuan untuk mengukur keeratan hubungan antara discriminant score dengan kelompok (dalam penelitian ini terdapat dua kelompok). Penelitian ini, diperoleh canonical correlation sebesar 0.480 dari ukuran skala antara 0-1. Nilai canonical correlation

tersebut rendah yaitu tidak mendekati 1, artinya hubungan antara discriminant score dengan kelompok tidak erat (Lampiran 7).

Setelah dilakukan analisis sebelumnya maka diperoleh fungsi diskriminan. Fungsi tersebut yang nantinya sebagai acuan dalam pengklasifikasian buah melon yang belum diketahui umur panen melonnya. Adapun fungsi diskriminan, seperti di bawah ini :

dimana : Y = fungsi diskriminan

X1= frekuensi

X2= intensitas suara

Kelompok centroid merupakan rata-rata nilai diskriminan dari tiap-tiap observasi di dalam masing-masing kelompok. Kelompok centroid untuk kelompok umur panen melon 54 HST adalah sebesar 0.543, sedangkan untuk kelompok umur panen melon 60 HST adalah -0.543. Hal ini menyatakan bahwa secara rata-rata skor diskriminan kedua kelompok berbeda cukup besar. Sehingga fungsi diskriminan yang diperoleh dapat membedakan secara baik kelompok yang ada.

dimana : Zcu = cutting score untuk kelompok yang sama ukuran

Z1 = centroid kelompok 1

Z2 = centroid kelompok 2

Fungsi diskriminan digunakan untuk melakukan klasifikasi buah melon berdasarkan umur panennya. Nilai dari masing-masing parameter disubstitusikan kedalam fungsi yang ada sehingga diperoleh hasil seperti yang disajikan pada Gambar 18. Grafik tersebut menunjukkan bahwa kedua umur panen melon mengelompok berdasarkan masing-masing klasifikasinya. Jika nilai fungsi diskriminan lebih besar dari nilai Zcu (> 0.000) maka buah melon tersebut

tergolong pada umur panen melon 54 HST. Jika nilai fungsi diskriminan lebih kecil dari nilai Zcu (< 0.000) maka buah melon tersebut tergolong pada umur

panen melon 60 HST.

Gambar 18 Klasifikasi umur panen melon Tabel 4 Hasil klasifikasi umur panen melon Umur panen

panen melon 60 HST dan sisanya sebanyak 10 buah menjadi kelompok umur panen melon 54 HST. Jika nilai ketepatan >50%, ketepatan model dianggap tinggi (Santoso 2002). Berdasarkan klasifikasi tersebut diperoleh ketepatan prediksi sebesar 73.33%. Hal ini menunjukkan bahwa analisis diskriminan untuk umur panen melon 54 HST dan 60 HST memiliki ketepatan klasifikasi atau pengelompokan yang tinggi (73.33% > 50%).

Artificial Neural Network (ANN)

Artificial neural network merupakan sistem komputasi yang arsitektur dan sistem pengoperasiannya mengacu pada pengetahuan tentang sel syaraf di dalam otak. Penggambaran ANN adalah sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data kluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan syaraf biologi.

Kemampuan yang dimiliki ANN dapat digunakan untuk mempelajari dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan. Selain itu juga dapat membuat prediksi tentang kemungkinan output

yang akan muncul atau menyimpan karakteristik input yang diberikan kepada jaringan syaraf tiruan. Artificial neural network pada penelitian ini menggunakan program Matlab, pada program ini proses normalisasi matriks secara langsung telah dilakukan dengan range -1 sampai 1 . Penelitian ini menggunakan 2 fitur sebagai input ANN diantaranya adalah frekuensi dan intensitas suara. Data 2 fitur tersebut dilakukan pelatihan (training). Tahap training, data input berupa kumpulan hasil perekaman suara sebanyak 120 buah melon yaitu 60 buah untuk masing-masing kelompok umur panen melon 54 HST dan 60 HST (kelompok 1 dan kelompok 2). Jumlah neuron tersembunyi (hidden layer) yang digunakan sebanyak 2 set dengan satu set output, yaitu kelompok umur panen melon. Jumlah

hidden layer yang digunakan merupakan jumlah yang optimum. Semakin kecil jumlah hidden layer yang digunakan maka hasil yang diperoleh akan semakin sederhana dan baik. Training dilakukan dengan metode backpropagation.

Gambar 19 Tampilan neural network yang digunakan

ini berupa input weight dan layer weight (Lampiran 8), sedangkan untuk nilai bias sebesar 0.1485.

Nilai MSE hasil training diperoleh sebesar 0.528 dengan R sebesar 0.642. Setelah model ANN selesai dibuat maka dari hasil training, validasi dan test dapat diprediksi atau dilakukan pendugaan klasifikasi melon berdasarkan masing-masing kelompok umur panen melon. Ketepatan klasifikasi secara generalisasi sebesar 82.14% dapat dikatakan bahwa dari 41 melon yang terklasifikasi pada umur panen melon 54 HST sebanyak 35 buah dan yang masuk pada kelompok 60 HST sebanyak 6 buah dengan nilai akurasi sebesar 85.37%. Sedangkan prediksi klasifikasi melon pada umur panen melon 60 HST dari 43 buah yang tepat terklasifikasi sebanyak 34 buah dan salah klasifikasi (masuk pada kelompok 60 HST) sebanyak 9 buah dengan nilai akurasi 79.07% (Tabel 5). Proses ini menunjukkan bahwa dari 84 set data buah melon hanya 69 buah yang tepat terklasifikasi.

Tabel 5 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan menggunakan ANN pada proses training

Umur panen

Gambar 20 Hasil klasifikasi melon berdasarkan kelompok umur panen pada proses training

Gambar 21 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur pada proses training

Tabel 6 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan menggunakan ANN pada proses validasi

Umur panen

Gambar 22 Hasil klasifikasi melon berdasarkan kelompok umur panen pada proses validasi

Gambar 23 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur pada proses validasi

Gambar 22 menunjukkan bahwa melon terklasifikasi dengan baik atau tidak ada umur melon yang melewati nilai batas. Gambar 23 menunjukkan bahwa melon mengelompok berdasarkan kelompok umur dugaan dan hasil umur dugaan tersebut dihubungkan dengan intensitas suara (dB) dan frekuensi (Hz) sehingga dapat terlihat jelas klasifikasinya. Hubungan tersebut dapat dilihat bahwa beberapa umur melon berada tidak sesuai dengan kelompok umurnya.

Data yang telah dilakukan pelatihan (training) dan telah diuji validasi-nya kemudian data buah melon dilakukan test dan proses ini merupakan tahap akhir dari analisis menggunakan ANN. Proses test diperoleh nilai MSE sebesar 1.262 dengan nilai R adalah 0.102. Proses ini dari 18 buah melon dengan umur panen melon 54 HST yang tepat terklasifikasi sebanyak 4 buah dan untuk buah melon yang salah pendugaan sebanyak 7 buah sehingga diperoleh akurasi sebesar 36.36%. Sedangkan pendugaan pada klasifikasi umur panen melon 60 HST sebanyak 2 buah yang tepat terklasifikasi dan 5 buah yang masuk pada klasifikasi umur panen melon 54 HST. Nilai akurasi pada klasifikasi melon dengan umur panen melon 60 HST adalah 28.57%. Tabel 7 menunjukkan bahwa dari 18 set data hanya 6 data yang diduga tepat terklasifikasi. Generalisasi ketepatan klasifikasi sebesar 33.33%.

Tabel 7 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan menggunakan ANN pada proses test

Umur panen

Gambar 24 Hasil klasifikasi melon berdasarkan kelompok umur panen pada proses test

(Gambar 24). Berdasarkan hasil pendugaan klasifikasi melon tersebut dihubungkan dengan intensitas suara (dB) dan frekuensi (Hz) sehingga dapat terlihat jelas klasifikasinya. Gambar 25 menunjukkan bahwa melon mengelompok berdasarkan masing-masing kelompoknya walaupun jarak antar kelompok tidak terpisah jauh.

Gambar 25 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur pada proses test

Berdasarkan tiga proses yang telah dilakukan, diperoleh hasil secara keseluruhan, yaitu dari 120 buah melon sebanyak 43 buah tepat terklasifikasi pada umur panen melon 54 HST dan yang salah duga sebanyak 17 buah sehingga diperoleh nilai akurasi sebesar 71.67%. Sedangkan buah melon yang tepat terklasifikasi pada umur panen melon 60 HST sebanyak 46 buah dan buah melon yang masuk pada umur panen melon 54 HST sebanyak 14 buah, tingkat akurasi diperoleh sebesar 76.67%. Generalisasi tingkat akurasi ini sebesar 74.17%, dari hasil ini digambarkan pada sebuah grafik sehingga dapat terlihat pengelompokkannya (Gambar 26). Sama halnya seperti pada proses training, validasi, dan test, dilakukan pula hubungan antara intensitas suara (dB) dan frekuensi (Hz) berdasarkan hasil pendugaan tersebut. Gambar 27 merupakan gabungan dari ketiga proses tersebut.

Tabel 8 Hasil pendugaan klasifikasi melon berdasarkan umur panen dengan menggunakan ANN secara keseluruhan

Gambar 26 Hasil klasifikasi melon berdasarkan kelompok umur panen secara keseluruhan

Gambar 27 Hubungan intensitas suara (dB) dan frekuensi (Hz) berdasarkan pendugaan umur secara keseluruhan

SIMPULAN DAN SARAN

Simpulan

1. Tidak terdapat perbedaan parameter kematangan buah melon pada umur panen melon 54 HST dengan umur panen melon 60 HST, terlihat pada semua parameter yang diteliti, yaitu frekuensi, kekerasan, dan TPT. Deteksi kematangan menggunakan analisis regresi linear sederhana pada respon impuls akustik rata-rata menghasilkan nilai korelasi yang sangat rendah yaitu r<0.5 sehingga tidak ada hubungan yang nyata.

2. Buah melon dapat dikelompokkan berdasarkan umur panennya. Parameter akustik melon yang berperan dalam pengelompokan umur panen adalah frekuensi dan intensitas suara.

3. Analisis diskriminan dilakukan dan menghasilkan ketepatan klasifikasi sebesar 73.33%, maka model diskriminan dalam penelitian ini dapat digunakan untuk mengklasifikasikan umur panen melon. Selain itu, klasifikasi menggunakan ANN memiliki akurasi lebih baik, yaitu sebesar 74.17%.

Saran

Umur panen melon lebih baik dengan interval yang lebih panjang agar terlihat jelas perubahannya serta lebih baik menggunakan 3-4 kelompok umur panen melon yang berbeda agar perbedaan yang terjadi semakin terlihat.

DAFTAR PUSTAKA

Ahmad U. 2013. Teknologi Penanganan Pascapanen Buahan dan Sayuran. Yogyakarta (ID): Graha Ilmu.

[BPS] Badan Pusat Statistik. 2012. Produksi Sayuran di Indonesia 1997-2013. [internet]. [diunduh: 2014 April 19]. Jakarta (ID). Tersedia pada: http://www.bps.go.id/.

[BSN] Badan Standarisasi Nasional. 2013. SNI.7783: Melon. [Internet]. [diunduh: 2014 Apr 20]. Jakarta (ID). Tersedia pada: http://sisni.bsn.go.id/.

Dhaneswara G, Moertini VS. 2004. Jaringan syaraf tiruan propagasi balik untuk klasifikasi data. Integral. 9: 117-131.

Drake BK. 1963. Food crusshing sounds : an introductory study. JFS. 28: 233-241.

Duizer L. 2001. A review of acoustic research for studying the sensory perception of crisp, crunchy, and crackly textures. J Trends Food Sci Tech. 12: 17-24. [ECFR] Electronic Code of Federal Regulation. 2012. Single strength brix values

[internet]. [diunduh: 2015 Maret 25]. Amerika (US). Tersedia pada: http://www.jblfoods.com/.

Fauset L. 1994. Fundamental Of Neural Network Architectures, Algorithms, and Aplications. New Jersey (US): Prentice-Hall.

Fauzan. 2012. Pengaruh kombinasi media pembelajaran berbasis komputer dan permainan berbasis alam dalam meningkatkan pemahaman siswa sekolah dasr terhadap materi kesebangunan. [skripsi]. Sumedang (ID): Universitas Pendidikan Indonesia.

Gaspersz V. 2001. Metode Analisis untuk Peningkatan Kualitas. Jakarta (ID): Gramedia Pustaka Utama.

Goukh ABA, Shattir AET, Mahdi EFM. 2010. Physico-chemical changes during growth and development of papaya fruit. ABJNA. 1:871-877. doi: 10.5251. Hair JF Jr, Anderson RE, Tatham RL. 1998. Multivariate Data Analysis. New

Hermawan A. 2006. Penelitian Bisnis Paradigm Kuantitatif. Jakarta (ID): Gramedia Widiasarana Indonesia.

Hubies M. 1985. Penuntun Praktikum Pengawasan Mutu Pangan. Bogor (ID): Institut Pertanian Bogor.

Mizrach. A, Galili N, Rosenhouse G. 1989. Determination of fruit and vegetable properties by ultrasonic excitation. T ASAE. 32: 178-189.

Nurjehan. 2003. Pengaruh perlakuan cahaya pada saat perkecambahan terhadap petumbuhan dan perkembangan eksplan pada tiga varietas melon (cucumis melo L.) secara in vitro. [skripsi]. Bogor (ID): Institut Pertanian Bogor. Pantastico EB. 1986. Fisiologi Pascapanen, Penanganan dan Pemanfaatan

Buah-Buahan Tropika dan Subtropika. Kamariyani, penerjemah; Gembong T, editor. Yogyakarta (ID): Gadjah Mada University Press. Terjemahan dari:

Postharvest Physiology, Handling and Utilization of Tropical and Subtropical Fruits and Vegetables.

Prajnanta F. 2004. Melon Pemeliharaan Secara Intensif dan Kiat Sukses Beragribisnis. Jakarta (ID): Swadaya.

Purnama ET. 2006. Evaluasi mutu buah melon (Cucumis melo L.) varietas glamour dengan image processing dan artificial neural network. [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Roudaut G, Dacremont, Pamies BV, Colas, Le Meste M. 2002. Cripness : a critical review and sensory and material science approaches. Trends Food Sci Tech. 13: 217-227.

Samadi B. 2007. Melon: Usahatani dan Penanganan Pascapanen. Yogyakarta (ID): Kanisius.

Santoso S. 2002. Buku Latihan SPSS Statistik Multivariat. Jakarta (ID): Elex Media Komputindo.

Schotte S, De Belie N, De Baerdermarker J. 1999. Acoustic impulse respone technique for evaluation and modelling of tomato fruit. Postharvest Biol Tec. 17: 105-115.

Sri WS, Surtono, Arif, Hafidz, M. Fahmi. 2007. Analisis spektrum frekuensi bunyi dari beragam daging buah dengan berbagai tingkat kematangan berbasis komputer. J FMIPA Unila. 13: 261-266.

Setiadi, Primin SP. 2002. Bertanam Melon (edisi revisi). Depok (ID): Penebar Swadaya.

Setiawan B. 1983. Content Analysis: Diklat Seri Metodologi Penelitian. Yogyakarta (ID): Gadjah Mada University Press.

Sugiyama J, Otobe K, Hayashi S, Usui S. 1994. Firmness measurement of muskmelons by acoustic impulse transmittion. T ASAE 32:2053-2058

Sugiyama J, Al-Haq MI, Tsuta M. 2005. Application of portable acoustic firmness tester for fruits. Di dalam: Information and Technology for Sustainable Fruit and Vegetable Production; 2005 Sept 12-16; Montpellier, France. Montpellier (FR): Frutic. hlm. 439-443.

Sun T, Huang K, Xu H, Yin Y. 2010. Research advances in nondestructive determination of internal quality in watermelon/melon: a review. Food Eng. 100: 569-577.

Utomo. 2000. Penentuan tingkat kematangan buah durian (Durio zibethinus Murray) dengan metode getaran suara. [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Lampiran 5 Data TPT buah melon dengan umur panen 54 HST Sampel TPT (%brix) Sampel TPT (%brix)

1 5.2 31 5.3

2 4.5 32 5.3

3 4.9 33 6.3

4 4.7 34 5.6

5 4.8 35 5.4

6 4.5 36 5.4

7 7.9 37 5.7

8 6.9 38 5.1

9 4.9 39 6.4

10 5.1 40 4.6

11 5.3 41 5.5

12 4.8 42 4.7

13 5.5 43 4.3

14 5.3 44 5.1

15 5.4 45 5.8

16 4.5 46 5.8

17 5.3 47 5.4

18 4.6 48 5.7

19 4.5 49 4.9

20 4.3 50 4.5

21 4.5 51 4.7

22 6.0 52 5.1

23 4.5 53 5.5

24 5.6 54 5.3

25 6.5 55 5.5

26 6.1 56 5.2

27 4.7 57 5.5

28 6.3 58 5.6

29 5.2 59 5.4

30 4.9 60 4.9

Lampiran 6 Data TPT buah melon dengan umur panen 60 HST Sampel TPT (%brix) Sampel TPT (%brix)

1 5.9 31 6.2

2 6.0 32 7.5

3 6.9 33 6.2

4 6.3 34 8.1

5 6.8 35 6.2

6 7.1 36 6.0

7 7.9 37 6.6

8 7.5 38 7.1

9 6.6 39 6.9

10 8.2 40 7.7

11 7.3 41 6.7

12 6.3 42 6.1

13 6.8 43 6.8

14 6.5 44 7.1

15 6.1 45 5.6

16 6.8 46 6.9

17 6.6 47 6.6

18 7.3 48 5.9

19 5.6 49 7.1

20 7.3 50 8.6

21 6.0 51 7.5

22 6.7 52 5.9

23 4.9 53 6.7

24 7.8 54 7.3

25 5.3 55 5.4

26 6.8 56 5.7

27 7.6 57 7.7

28 7.0 58 5.9

29 6.7 59 6.9

30 7.9 60 5.8

Lampiran 7 Output dari analisis diskriminan Uji normalitas

Kolmogorov-Smirnov Shapiro-Wilk

Statistik df Sig. Statistik df Sig. Frekuensi 0.050 120 0.200 0.981 120 0.084 Intensitas 0.057 120 0.200 0.993 120 0.852

Log determinant

Umur panen melon Rank Log determinant

54 HST 2 9.488

60 HST 2 9.521

Pooled within-groups 2 9.556

Wilk’s Lambda

Fungsi Wilks'

Lambda Chi-square df Sig.

1 0.770 30.635 2 0.000

Nilai Eigen

Fungsi Eigenvalue % of

Variance Cumulative %

Canonical correlation

1 0.299 100.000 100.000 0.480

Canonical coeficient

Parameter Fungsi

1

Frekuensi 0.015

Intensitas suara 0.273

(Constant) 2.009

Fungsi pada kelompok centroid Umur panen

melon

Fungsi 1

54 HST 0.543

Lampiran 8 Input weight dan layer weight pada ANN

Input weight

Pembobot Nilai

w1 -5.2370

w2 -6.9190

w3 -0.6831

w4 -7.3133

Layer weight

Pembobot Nilai

w1 0.6143

w2 0.1959

RIWAYAT HIDUP