SISTEM
REAL TIME
BERBASIS JARINGAN SYARAF
TIRUAN UNTUK PREDIKSI MASA KADALUARSA BISKUIT
DENGAN SENSOR DIELEKTRIK
ERNA RUSLIANA MUHAMAD SALEH
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI DISERTASI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa disertasi berjudul Sistem Real Time Berbasis Jaringan Syaraf Tiruan untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik adalah benar karya saya dengan arahan dari komisi pembimbing 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 disertasi ini.
Bogor, September 2013
Erna Rusliana Muhamad Saleh
RINGKASAN
ERNA RUSLIANA MUHAMAD SALEH. Sistem Real Time Berbasis Jaringan Syaraf Tiruan untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik. Dibimbing oleh ERLIZA NOOR, TAUFIK DJATNA dan IRZAMAN.
Biskuit adalah jenis makanan kering yang sering ditemukan kadaluarsa. Penentuan masa kadaluarsa dengan observasi laboratorium memiliki beberapa kelemahan, diantaranya memakan waktu, panelis terlatih, suasana yang tepat, biaya yang mahal dan alat uji yang kompleks. Salah satu alternatif penentuan kadaluarsa adalah penggunaan sensor dielektrik yang terintegrasi dengan Jaringan Syaraf Tiruan (JST) dalam sebuah sistem real time cerdas. Tujuan penelitian ini adalah untuk menyeleksi atribut pengukuran dielektrik (parameter dielektrik, kondisi rangkaian alat dan frekuensi), memformulasi desain sensor yang dapat mengukur nilai parameter terseleksi, mendesain model JST, dan mengintegrasikan sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time.
Seleksi parameter dielektrik dan kondisi rangkaian (CC/Constant current
atau CV/Constant Voltage) dilakukan dengan pendekatan Regresi Linier, Feature Selection (Relief) dan Jaringan Syaraf Tiruan. Parameter dielektrik terbaik untuk penentuan masa kadaluarsa biskuit adalah kapasitansi paralel (Cp). Kapasitansi paralel, pada ketiga metode seleksi selalu berada pada rangking lima besar terutama pada JST yang menunjukkan urutan pertama. Sedangkan kondisi rangkaian alat terbaik untuk penentuan masa kadaluarsa biskuit adalah CC, karena selalu berada pada urutan pertama dari ketiga metode seleksi. Seleksi frekuensi dari range 42 Hz – 5 MHz dilakukan secara grafis. Range frekuensi yang mampu membedakan masa kadaluwarsa biskuit dengan baik adalah range frekuensi 42 - 351,65 Hz dan frekuensi 4721,13 – 50054,56 Hz.
Hasil seleksi parameter dielektrik, kondisi rangkaian dan frekuensi pada tahap sebelumnya digunakan untuk dasar formulasi desain sensor. Pendekatan rancangan alat yang dianggap sesuai dengan hasil seleksi tersebut adalah rangkaian RC. Kapasitansi (C) dijadikan parameter sensor dari sensor dielektrik yang didesain. Frekuensi sensor ini diset 5 - 6 kHz, karena hasil range ini lebih sensitive membaca nilai kapasitansi dari biskuit yang berbeda masa kadaluarsa dan jenisnya.
Pendesainan Model JST menjadi tahapan berikutnya. Model ini didesain dengan menggunakan input data berupa kapasitansi (C), frekuensi (f) dan konstanta dielektrik (k) dari hasil pembacaan sensor. Selain itu, input data yang dimasukkan pada JST adalah jenis kemasan, jenis biskuit dan masa kadaluwarsa aktual (di kemasan). Algoritma pembelajaran JST yang digunakan adalah
Backpropagation dengan trial and error fungsi aktivasi, fungsi pembelajaran, variasi jumlah node per hidden layer, dan jumlah hidden layer. Arsitektur yang menghasilkan kinerja pelatihan terbaik (MSE terendah dan R tertinggi) adalah JST dengan 5 hiden layer, 10 node per hidden layer, fungsi aktivasi hidden layer
Model JST diintegrasikan dengan sensor dielektrik menggunakan mikrokontroler AVR ATMega 8535. Pengintegrasian ini dimaksudkan agar pengukuran nilai dielektrik (variable input) dari produk yang belum diketahui masa kadaluarsa dapat secara real time dilakukan dan langsung terbaca di komputer. Untuk memudahkan interaksi dengan pengguna, dibangun interface
dengan Toolbox GUI MATLAB. Pengintegrasian JST dan sensor dielektrik telah mampu memprediksi masa kadaluarsa biskuit secara real time. Kinerja sistem
real time cerdas yang didesain dalam memprediksi masa kadaluarsa biskuit cukup akurat. Berdasarkan verifikasi, diperoleh wafer, cookies, crackers dan biskuit keras secara berturut-turut memiliki masa kadaluarsa prediksi 517, 488, 338 dan 377 hari. Sedangkan, masa kadaluarsa aktual keempat biskuit tersebut secara berturut-turut adalah 486 hari.
Untuk penelitian berikutnya, proses pembelajaran secara paralel dari semua parameter desain arsitektur JST dapat dicoba untuk mendapatkan kinerja yang lebih akurat (MSE < 0,0001dan R > 99%) dengan waktu lebih singkat. Perbaikan kinerja JST dapat dicobakan juga untuk jumlah node dan hidden layer yang lebih banyak dengan goal yang lebih kecil (<10-4). Alternatif lain untuk meningkatkan kinerja JST adalah menambah data (minimal 10) pada frekuensi yang bervariasi untuk setiap sampel dan masa kadaluwarsa. Frekuensi sensor yang diset pada satu nilai juga dapat dicoba untuk mengurangi fluktuasi nilai kapasitansi yang diukur dan meningkatkan kinerja pengujian JST. Untuk data input masa kadaluarsa pada JST, perlu dicoba dengan menggunakan nilai kadaluarsa versi laboratorium dan tidak dengan versi produsen agar nilai prediksi lebih valid. Perlu juga dikaji korelasi sifat dielektrik dengan AW (aktifitas air) agar aplikasi sistem ini dapat lebih luas. Parameter dielektrik phase dapat dicoba sebagai alternatif dasar pengukuran sensor, sehingga lebih meningkatkan akurasi.
Kata kunci: Jaringan Syaraf Tiruan, biskuit, sensor dielektrik, sistem real time
SUMMARY
ERNA RUSLIANA MUHAMAD SALEH. Real Time System Based Artificial Neural Network for Prediction Shelf-life of Biscuit with Dielectric Sensor. Supervised by ERLIZA NOOR, TAUFIK DJATNA and IRZAMAN.
Biscuit is type of dried food which found frequently on expired condition in market, therefore prediction method should be implemented in avoidance of this condition. Recently, prediction of shelf-life of biscuit has been done by laboratory test, but this test has some disadvantages, i.e.: time-consuming, expensive, also required trained panelists, complex equipment and suitable ambience. One alternative method is the dielectric sensor integrated with Artificial Neural Networks (ANN) in an intelligent real-time system. The aim of this research is to select the measurement attribute dielectric (dielectric parameters, the condition of the circuit and frequency), to formulate design of sensors can measure the value of selected parameters, to design an ANN model, and to integrate sensor and ANN dielectric to predict the shelf-life of biscuits in real time.
Selection dielectric parameters and conditions of the circuit (CC/Constant current or CV/Constant Voltage) performed with Linear Regression, Feature Selection (Relief) and Artificial Neural Networks. Dielectric parameters for determining the best shelf life of biscuits are parallel capacitance (Cp). Cp constantly in the top five at three selection method, especially in ANN. Whereas the best condition of the circuit's for determining the shelf life of biscuits are CC, because always at the first sequence of three methods of selection. Selection of the frequency range 42 Hz - 5 MHz done graphically. Frequency range is able to differentiate a good shelf-life is a biscuit with a low frequency range from 42 to 351.65 Hz and the high frequency of 4721.13 to 50054.56 Hz.
Selection results of the previous stage for dielectric parameter, the condition of the circuit and frequency is used for sensor design formulation basic. Approach the design tools in accordance with the results of the selection is a RC circuit. Capacitance (C) be the parameters of the sensor dielectric designed. The frequency of this sensor set 5-6 kHz, because the results are more sensitive reading capacitance values of different shelf-life and type biscuits.
Designing neural network model is the next stage. This model is designed by using a data input capacitance (C), frequency (f) and Dielectric Constanta (k) from the sensor readings. Moreover, the input data on ANN is a type of packaging, type of biscuit and actual shelf-life (in packaging). ANN learning algorithm is Back propagation. For training process, trial and error is processed in the activation function, learning function, amount of nodes per hidden layer variation, and number of hidden layer. The best training architecture (lowest MSE and highest R) is ANN with the 5 hidden layer, 10 nodes per hidden layer, the hidden layer activation function tansig, the output layer activation function purelin, learning function trainlm and 86 epoch. ANN combined with dielectric parameters has lowest MSE (9,8648 x 10-5) and R highest (99.80%) in the training performance.
(variable input) of an unknown product shelf life and readable on computer. To facilitate interaction with the user, an interface is built with MATLAB GUI toolbox. So, integration of ANN and capacitance sensor has the ability to predict the shelf-life of biscuit in real time. The performance of intelligent real-time system in predict the shelf-life of biscuit is enough accurate. Verification get wafers, cookies, crackers and hard biscuits have consecutive a shelf life prediction of 517, 488, 338 and 377 days. The actual expiration biscuits fourth are 486 days.
For the next research, the learning process of all parameters in parallel ANN architecture design can be tried to get a more accurate performance (MSE <0.0001 and R> 99%) with a shorter time. ANN performance improvement can be tried also for more number of hidden layer and nodes with a smaller goal (<10-4). Another alternative to increase the performance of ANN is add data (at least 10) at varying frequencies for each sample and shelf-life date. Sensor frequency be set at one value can also be tried to reduce the fluctuations in the measured capacitance value and improve the performance of ANN testing and shelf-life prediction. Input data shelf-life at ANN, can be tried with value from laboratory version and not from manufacture version. It is for predictive value more valid. Correlation dielectric properties with AW (water activity) can be studied so that the application of this system can be more extensive. Dielectric parameter phase can be tried as an alternative basis of measurement sensors, so that increasing accuracy in the future.
© Hak Cipta Milik IPB, Tahun 2013
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
SISTEM
REAL TIME
BERBASIS JARINGAN SYARAF
TIRUAN UNTUK PREDIKSI MASA KADALUARSA BISKUIT
DENGAN SENSOR DIELEKTRIK
ERNA RUSLIANA MUHAMAD SALEH
Disertasi
sebagai salah satu syarat untuk memperoleh gelar Doktor
pada
Program Studi Teknologi Industri Pertanian
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
Penguji pada Ujian Tertutup: Prof Dr Ir Kudang Boro Seminar, MSc Dr Ir Agus Buono, MSi, MKom
Judul Disertasi : Sistem Real Time Berbasis Jaringan Syaraf Tiruan Untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik Nama : Erna Rusliana Muhamad Saleh
NIM : F361100121
Disetujui oleh Komisi Pembimbing
Prof Dr Ir Erliza Noor Ketua
Dr Eng Taufik Djatna, STP, MSi Anggota
Ketua Program Studi
Teknologi Industri Pertanian
Dr Ir Machfud, MS
Dr Ir Irzaman, MSi. Anggota
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah SWTatas segala rahmat-Nya sehingga disertasi ini berhasil diselesaikan. Penelitian yang dilaksanakan sejak bulan Mei 2012 hingga Maret 2013 ini berjudul Sistem Real Time Berbasis Jaringan Syaraf Tiruan untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik.
Penulis menyampaikan penghargaan dan ucapan terimakasih kepada : 1. Prof Dr Ir Erliza Noor selaku ketua komisi pembimbing yang telah banyak
memberikan motivasi, bimbingan dan arahan sehingga penelitian dan disertasi ini dapat diselesaikan dengan baik.
2. Dr Eng Taufik Djatna, STP, MSi selaku anggota komisi pembimbing yang telah banyak memberikan koreksian, bimbingan dan masukan terhadap penelitian dan penulisan disertasi ini.
3. Dr Ir Irzaman, MSi selaku anggota komisi pembimbing yang telah memberikan inspirasi dan bimbingan terhadap penelitian dan penyelesaian disertasi ini.
4. Prof Dr Ir Kudang Boro Seminar, MSc dan Dr Ir Agus Buono, MSi, MKom selaku penguji luar komisi dalam sidang tertutup yang telah banyak memberikan masukan dan koreksian dalam penulisan disertasi ini.
5. Prof Dr Ir Rizal Syarief, DESS dan Dr Ir Roy A. Sparringa, MAppSc selaku penguji luar komisi dalam sidang terbuka yang telah banyak memberikan masukan dan koreksian dalam penulisan disertasi ini.
6. Dr Ir Akhiruddin Maddu, MSi dan Dr Ir Jajang Juansah, MSi dari Departemen Fisika FMIPA IPB atas fasilitas laboratorium Biofisika Material yang telah diberikan.
7. Heriyanto Syafutra, SSi, MSi dari Departemen Fisika FMIPA IPB atas bantuannya selama penelitian.
8. Kedua orang tua, suami (Andrias Koto), anak-anak tersayang (Dzaki Nur Fatih (Alm), Haidar Rizqullah dan Hanifah Aulia) serta seluruh keluarga atas limpahan do’a, kasih sayang, pengertian dan dukungannya.
9. Teman-teman di S3-TIP-IPB khususnya angkatan 2010 atas motivasi, persahabatan, dan kebersamaannya.
Akhirnya, semoga disertasi ini bermanfaat.
Bogor, September 2013
DAFTAR ISI
Kebaruan Topik Penelitian 4
Kerangka Umum Penelitian 5
2 SELEKSI ATRIBUT PENGUKURAN DIELEKTRIK PENENTUAN MASA KADALUARSA BISKUIT DAN FORMULASI DESAIN
SENSOR DIELEKTRIK 5
3 MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA
BISKUIT 20
4 PREDIKSI MASA KADALUARSA BISKUIT SECARA REAL TIME DENGAN INTEGRASI SENSOR DIELEKTRIK DAN JARINGAN
SYARAF TIRUAN SERTA DESAIN INTERFACE-NYA 33
DAFTAR TABEL
2.1 Nilai atribut evaluator pada WEKA 10
2.2 Parameter pembelajaran pada JST 11
2.3 Korelasi parameter dielektrik dengan masa kadaluarsa wafer dengan regresi linier berganda, feature selection (Relief) dan
Jaringan Syaraf Tiruan (JST) 13
2.4 Korelasi CC dan CV dengan masa kadaluarsa wafer dengan regresi
linier sederhana 14
3.1 Modifikasi arsitektur JST yang dilakukan 25
3.2 Variasi fungsi aktivasi 28
3.3 Variasi fungsi pembelajaran (train) 28
3.4 Variasi jumlah node dan hidden layer 29
3.5 Prediksi masa kadaluarsa biskuit dalam setiap kemasan 32 4.1 Hasil verifikasi sistem real time cerdas predik masa kadaluarsa biskuit 38
DAFTAR GAMBAR
1.1 Kerangka umum penelitian 4
2.1 Rangkaian alat pengukuran nilai dielektrik 8
2.2 Pseudocode algoritma ReliefF secara umum (Robnik-Sikonja
dan Kononenko, 2003) 9
2.3 Rangkaian RC (Lee, 2007) 11
2.4 Kapasitansi paralel pada masa kadaluarsa yang berbeda-beda 13 2.5 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi
42 - 4721,13 Hz 15
2.6 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi
4721,13 Hz - 5 MHz 15
2.7 Rangkaian fungsional sensor untuk unit pengatur tegangan dan buffer 16 2.8 Rangkaian fungsional sensor untuk unit pengubah sinyal dan
penguat non inverting 16
2.9 Rangkaian fungsional sensor untuk unit sensor, high pass filter,
low pass filter dan peak detector 17
3.1 Pengukuran nilai dielektrik biskuit dengan sensor dielektrik 22
3.2 Kerangka kerja keseluruhan dari desain JST 23
3.3 Mekanisme analisa neural network untuk memprediksi masa
kadaluarsa biscuit 24
3.4 Arsitektur JST yang dibangun 24
3.5 Nilai kapasitansi biskuit dengan kemasan kaleng pada frekuensi
5–6 KHz 27
3.6 Nilai kapasitansi biskuit dengan kemasan alumunium foil pada
frekuensi 5–6 KHz 27
3.7 Nilai kapasitansi biskuit dengan kemasan plastik pada frekuensi
5–6 KHz 27
3.8 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil
prediksi JST 29
3.10 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi
model JST alternatif 31
3.11 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi
model JST alternatif 31
3.12 Prediksi masa kadaluarsa biskuit dari model JST uji 31
4.1 Blok diagram integrasi 36
4.2 Gambar mikrokontroler dan rangkaian sensor 37
4.3 Rangkaian sistem real time cerdas prediksi masa kadaluarsa
biskuit secara lengkap 38
4.4 Interface software prediksi masa kadaluarsa biscuit 38 5.1 Nilai dielektrik tepung dan beras dengan frekuensi yang berbeda
pada suhu 250C 40
5.2 Rata-rata error prediksi model uji JST pada kemasan yang berbeda 42 5.3 Rata-rata error prediksi model uji JST pada kemasan kaleng 42 5.4 Rata-rata error prediksi model uji JST pada kemasan alumunium foil 43 5.5 Rata-rata error prediksi model uji JST pada kemasan plastik 43
DAFTAR LAMPIRAN
1 Coding program MATLAB lengkap desain model JST 49 2 Coding program MATLAB lengkap integrasi JST dengan sensor
Dielektrik dan desain GUI 51
3 Petunjuk penggunaan sistem real time cerdas prediksi masa kadaluarsa
1 PENDAHULUAN
Latar Belakang
Metode penentuan masa kadaluarsa yang digunakan saat ini adalah
Extended Storage Studies (ESS) dan Accelerated Self-Life Testing (ASLT) (Floros dan Gnanasekharan 1993). Kedua metode ini memiliki beberapa kelemahan, diantaranya adalah membutuhkan waktu cukup lama (minimal 1-4 bulan), panelis terlatih, suasana yang tepat, biaya dan alat uji yang kompleks. Untuk itu diperlukan alternatif metode yang mampu mereduksi kelemahan tersebut, sehingga penentuannya menjadi mudah, murah dan real time.
Beberapa peneliti menggunakan pendekatan sistem cerdas untuk menyelesaikan berbagai permasalahan di bidang pangan, diantaranya dengan pendekatan Jaringan Syaraf Tiruan (JST). Kemampuan JST untuk menangani data non linier, lebih toleran terhadap noise dari sistem dan cenderung menghasilkan kesalahan prediksi yang rendah (Coulibaly et al. 2001, Terra dan Tino's 2001, Siripatrawan dan Harte 2007, Siripatrawan et al. 2004) menjadi kelebihan dalam penyelesaian berbagai permasalahan yang ada. Menurut Bhothmange dan Shastri (2011) kemampuan JST tersebut dikarenakan JST dapat mengidentifikasi sistem kompleks non-liniear dengan pembelajaran dan pelatihan nilai masukan sehingga dapat mengetahui perilaku sistem dan memprediksi perilaku sistem dan memprediksi nilai keluaran dari masukan baru yang diberikan.
Dalam penentuan masa kadaluarsa, JST telah berhasil diterapkan untuk memprediksi masa kadaluarsa kue susu coklat dihiasi dengan almond (Goyal dan Goyal 2011a), Kalakand (Goyal dan Goyal 2011b), susu putih dengan hiasan
pistachio (Goyal dan Goyal 2011c), keju (Goyal dan Goyal 2012), snack dari beras (Siripatrawan dan Jantawat 2008), tahu (Park et al. 2002), susu kedelai (Ko
et al. 2000), dan produk susu (Cordoba et al.1995).
Basis penelitian yang digunakan oleh peneliti-peneliti sebelumnya untuk memprediksi masa kadaluarsa adalah sifat non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk). Sementara penggunaan sifat dielektrik untuk memprediksi masa kadaluarsa belum banyak dilakukan. Padahal sifat dielektrik memiliki korelasi kuat dengan kadar air yang merupakan parameter kritis kadaluarsa produk kering. Nilai sifat dielektrik berbanding lurus dengan nilai kadar air suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah (Guo et al. 2008, Nelson dan Trabelsi 2012).
dengan masa kadaluarsa, untuk efisiensi penentuan kadaluarsa pangan kering. Informasi terkait korelasi kondisi rangkaian (Constant Current/CC atau Constant Voltage/CV) dan range frekuensi dielektrik dengan kadaluarsa pangan pun belum ada. Sehingga perlu juga diseleksi kondisi rangkaian dan range frekuensi dielektrik yang berkorelasi dengan masa kadaluarsa pangan kering. Hal ini agar sensor yang didesain pada tahap selanjutnya dapat lebih sensitif membaca parameter dielektrik kadaluarsa.
Pengukuran sifat dielektrik dalam aplikasinya dapat dilakukan dengan mudah, relatif murah dan tidak membutuhkan waktu lama. Hal ini merupakan sisi positif lain, yang membuka peluang sifat dielektrik dijadikan basis pengukuran kadaluarsa secara real time terutama jika didesain dalam sebuah instrumen sensor dielektrik.
Sensor dielektrik hanya mampu mengukur nilai dielektrik dari produk pangan, sementara kemampuan untuk memprediksi masa kadaluarsa produk pangan perlu pengintegrasian dengan metode yang memiliki kemampuan pembelajaran data. JST memiliki kemampuan memprediksi berdasarkan pembelajaran pola data. JST akan memberikan hasil prediksi yang baik, jika memiliki model JST yang berkinerja terbaik (R terbesar dan MSE terkecil). Saat ini, belum ada informasi terkait model JST yang memiliki kemampuan memprediksi masa kadaluarsa biskuit. Untuk itu, sebelum diintegrasikan dengan sensor perlu didesain model JST yang memiliki kinerja terbaik dalam memprediksi kadaluarsa.
Diantara sekian jenis produk pangan kering, biskuit adalah produk pangan yang sering ditemukan kadaluarsa selain coklat (BPOM 2010). Agar menjamin mutu dan keamanan pangan biskuit, penelitian ini difokuskan ke biskuit sebagai sampel uji.
Pengintegrasian dengan tools pembelajaran JST akan menjadikan sensor dielektrik ini powerfull dalam memprediksi masa kadaluarsa. Penelitian yang telah dilakukan peneliti-peneliti sebelumnya adalah mengintegrasikan JST dengan sensor non dielektrik (e-nose) untuk memprediksi kadaluarsa tahu (Park et al.
2002) dan susu kedelai (Ko et al. 2000). Penelitian terkait sensor dielektrik kadaluarsa biskuit yang diintegrasikan dengan JST, belum ada yang melakukan. Pendesainan sensor berbasis sifat dielektrik yang diintegrasikan dengan kecerdasan buatan JST dapat menjadi alternatif metode untuk memprediksi masa kadaluarsa biskuit. Pengintegrasian ini yang dipaketkan dalam sebuah sistem diharapkan mampu memprediksi masa kadaluarsa secara real time, mudah dan murah.
cerdas prediksi masa kadaluarsa biskuit yang berbasiskan JST dan menggunakan sensor dielektrik untuk mencapai poin-poin di atas.
Tujuan Penelitian
Tujuan umum penelitian ini adalah mengembangkan sebuah sistem real time cerdas yang dapat memprediksi masa kadaluarsa biskuit secara mudah dan murah.
Tujuan khusus penelitian ini adalah :
1. Menyeleksi atribut pengukuran dielektrik (parameter dielektrik, kondisi rangkaian dan frekuensi) yang berkorelasi dengan masa kadaluarsa biskuit 2. Memformulasi desain sensor yang dapat mengukur nilai parameter terseleksi
untuk prediksi masa kadaluarsa biskuit
3. Mendesain model JST yang dapat memprediksi masa kadaluarsa biskuit
4. Mengintegrasikan sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time
Manfaat Penelitian
Manfaat penelitian ini adalah :
1. Sebagai alternatif metode prediksi masa kadaluarsa biskuit yang real time, mudah dan murah
2. Sebagai solusi masyarakat, khususnya home industri biskuit, dalam menentukan masa kadaluarsa produk mereka secara real time, mudah dan murah
3. Sebagai alat bantu yang memudahkan kerja lembaga terkait (lembaga konsumen dan BPOM) dalam mengaudit biskuit kadaluarsa dan label palsu kadaluarsa yang beredar di pasaran sehingga menjamin keamanan dan mutu pangan konsumen
4. Sebagai pintu pembuka penelitian-penelitian yang mengarah pada penggunaan sifat dielektrik, metode pembelajaran (JST) dan masa kadaluarsa produk pangan
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah :
1. Sampel yang digunakan adalah biskuit yang terdiri dari empat jenis biskuit (wafer, cookies, crackers dan biskuit keras) dalam tiga jenis kemasan (kaleng,
alumunium foil, dan plastik) dengan 10 masa kadaluarsa yang berbeda yang dikumpulkan dari minimarket/toko di wilayah sekitar Bogor dan Depok
Kebaruan Topik Penelitian
Kebaruan topik penelitian ini sebagai berikut :
1. Penggunaan sifat dielektrik untuk memprediksi masa kadaluarsa biskuit
2. Formulasi desain sensor dielektrik yang mampu membaca parameter dielektrik kadaluarsa biskuit
3. Mengembangkan metode alternatif prediksi masa kadaluarsa biskuit yang mampu memprediksi secara real time dengan mengintegrasikan sensor dielektrik dan JST
Gambar 1.1 Kerangka umum penelitian
SELEKSI ATRIBUT PENGUKURAN DIELEKTRIK PENENTUAN MASA KADALUARSA BISKUIT
1. Seleksi parameter dielektrik 2. Seleksi kondisi rangkaian
3. Seleksi range frekuensi
yang berkorelasi dengan masa kadaluarsa
FORMULASI DESAIN SENSOR DIELEKTRIK
Formulasi desain sensor yang dapat mengukur parameter dilektrik pada kondisi rangkaian dan range frekuensi terseleksi dari tahap sebelumnya.
DESAIN MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA BISKUIT 1. Pemanggilan data input dan target
2. Pengkonstruksian neural network
3. Pelatihan dengan trial error fungsi aktivasi, fungsi pembelajaran, jumlah
node dan hidden layer
4. Pemasukan data pengujian 5. Pengujian
PREDIKSI MASA KADALUARSA BISKUIT SECARA REAL TIME DENGAN INTEGRASI SENSOR DIELEKTRIK DAN JARINGAN SYARAF TIRUAN SERTA
DESAIN INTERFACE-NYA
1. Integrasi sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time
Kerangka Umum Penelitian
Penelitian ini didesain dengan kerangka umum penelitian yang terurut dan terstruktur sesuai tujuan yang akan dicapai (Gambar 1.1). Hasil tahapan sebelumnya menentukan tahapan berikutnya. Penelitian diawali dengan menyeleksi atribut pengukuran dielektrik. Penyeleksian ini perlu dilakukan untuk menentukan parameter dielektrik dengan kondisi rangkaian dan range frekuensi yang paling berkorelasi dengan masa kadaluarsa biskuit. Hasil tahapan ini akan digunakan dalam formulasi desain sensor yang akan dibuat pada tahap selanjutnya. Formulasi desain sensor dibuat untuk menghasilkan desain yang dapat mengukur parameter dilektrik pada kondisi rangkaian dan range frekuensi terseleksi pada tahap sebelumnya. Mendesain model JST, menjadi tahapan selanjutnya. Model JST ini menggunakan input data dari hasil pembacaan sensor yang didesain pada tahap sebelumnya. Desain model JST dilakukan dengan lima tahapan, yaitu : pemanggilan data input dan target, pengkonstruksian neural network, pelatihan dengan trial error fungsi aktivasi, fungsi pembelajaran, jumlah
node dan hidden layer dan epoch, pemasukan data pengujian dan pengujian. Model JST ini didesain sehingga mampu memprediksi masa kadaluarsa biskuit dengan kinerja terbaik (R terbesar dan MSE terkecil). Tahap akhir dari penelitian ini adalah mengintegrasikan sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time. Sebuah interface didesain pada tahap akhir ini untuk membantu interaksi dengan pengguna sehingga proses prediksi masa kadaluarsa dapat dilakukan lebih mudah.
Penelitian ini secara keseluruhan menghasilkan sebuah sistem yang dapat memprediksi masa kadaluarsa biskuit secara real time dengan basis jaringan syaraf tiruan yang diintegrasikan dengan sensor dielektrik.
2 SELEKSI ATRIBUT PENGUKURAN DIELEKTRIK PENENTUAN MASA KADALUARSA BISKUIT DAN FORMULASI
DESAIN SENSOR DIELEKTRIK
Abstrak
Syaraf Tiruan. Hasil seleksi menunjukkan parameter yang berhubungan dengan masa kadaluarsa adalah kapasitansi paralel. Kondisi rangkaian yang terpilih adalah CC. Range frekuensi terbaik adalah 42 - 351,65 Hz dan 4721,13 – 50054,56 Hz. Pendesainan alat ukur masa kadaluarsa biskuit dirancang berdasarkan hasil seleksi parameter ini dengan pendekatan rangkaian RC.
Pendahuluan
Salah satu pendekatan yang berpeluang sebagai alternatif penentuan masa kadaluarsa biskuit adalah pendekatan sifat dielektrik. Sifat dielektrik adalah parameter utama yang memberikan informasi tentang bagaimana bahan berinteraksi dengan energi elektromagnetik selama pemanasan dielektrik (Sosa-Morales et al. 2010). Guo et al. (2008) serta Nelson dan Trabelsi (2012) menyatakan bahwa sifat-sifat dielektrik produk pangan memiliki korelasi kuat dengan kadar air, yang merupakan parameter kritis kadaluarsa pangan kering. Nilai sifat dielektrik berbanding lurus dengan nilai kadar air suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah. Pengetahuan tentang sifat dielektrik makanan sangat penting dalam penelitian, pemodelan dan pengembangan perlakuan termal. Parameter ini memberikan informasi tentang interaksi antara bahan makanan dan bidang listrik (Ikediala et al. 2000). Pengukuran nilai dielektrik dapat dilakukan dalam waktu singkat, relatif tidak membutuhkan alat uji yang kompleks dan tidak membutuhkan panelis sehingga dapat dilakukan dengan cepat dan biaya yang rendah.
Parameter dielektrik bermacam-macam, diantaranya impedansi (Z), Modulus Young (Y), Phase, Kapasitansi seri (Cs), Kapasitansi parallel (Cp),
Displacement (D), Induktansi seri (Ls), Induktansi parallel (Lp), Muatan lisrik (Q), Resistansi seri (Rs), Konduktansi (G), Resistansi parallel (Rp), Kerentanan (X) dan Medan induksi (B). Masing-masing parameter dielektrik tersebut memiliki tingkat korelasi yang berbeda-beda dengan kadar air untuk setiap jenis pangan. Sehingga, pada bagian awal penelitian ini perlu diseleksi tingkat korelasinya dengan masa kadaluarsa, untuk efisiensi penentuan kadaluarsa pangan kering. Selain itu perlu juga diseleksi kondisi rangkaian dan range frekuensi dielektrik yang berkorelasi dengan masa kadaluarsa, sehingga sensor yang didesain pada tahap selanjutnya dapat lebih sensitive membaca parameter dielektrik kadaluarsa.
sifat dielektrik dengan masa kadaluarsa produk pangan khususnya biskuit, belum banyak yang melakukannya.
Penelitian-penelitian terkait penentuan masa kadaluarsa utamanya biskuit biasanya menggunakan parameter non dielektrik. Prediksi masa kadaluarsa yang dilakukan oleh peneliti-peneliti sebelumnya berbasiskan parameter sifat non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk). Pengamatan yang dilakukan oleh Siripatrawan dan Jantawat (2008) pada snack dari beras. Mereka menentukan masa kadaluarsa snack dengan melihat beberapa parameter, yaitu karakteristik produk, jenis kemasan (Polypropilene dan
Low DensityPolyethylene) dan kondisi penyimpanan (suhu dan RH). Tujuan bagian penelitian ini adalah:
1. Untuk menyeleksi atribut pengukuran dielektrik (parameter, kondisi rangkaian dan frekuensi) yang berkorelasi dengan masa kadaluarsa biskuit. Pengukuran dilakukan dengan LCR-meter pada frekuensi 42 Hz- 5 MHz untuk rangkaian arus tetap (Constant Current/CC) 1 Ampere dan tegangan tetap (Constant Voltage/CV) 10 Volt.
2. Untuk memformulasi desain sensor dielektrik prediksi masa kadaluarsa sesuai hasil seleksi parameter dielektrik sebelumnya. kadaluarsa yang tercantum pada kemasan dengan tanggal pengukuran. Sampel terdiri dari 10 jenis masa kadaluarsa yang berbeda (170-300 hari lagi).
Pengukuran Nilai Dielektrik
Pengukuran nilai dielektrik dilakukan dengan LCR-meter HIOKI 3532-50 LCR HiTester (Gambar 2.1) yang telah terhubung dengan komputer. Terdapat 14 parameter dielektrik yang diukur, yaitu Z, Y, Phase, Cs, Cp, D, Ls, Lp, Q, Rs, G, Rp, X dan B. Frekuensi pegukuran 42 Hz – 5MHz pada arus tetap (Constant Current) 1.0 Ampere dan tegangan tetap (Constant Voltage) 10 Volt dengan 100 point pengamatan. Setiap wafer yang akan diukur, diset pada plat paralel kapasitor berbahan tembaga, kemudian diukur nilai dielektrik 3 kali dan dirata-ratakan.
Metode Seleksi
Seleksi Parameter Dielektrik dan Kondisi Rangkaian
Gambar 2.1 Rangkaian alat pengukuran nilai dielektrik 1. Regresi Linier Berganda (RLG)
Regresi linier berganda (RLG) digunakan untuk menyeleksi parameter dielektrik. Model regresi linier berganda dapat dirumuskan (Chen and Jackson, 2000) :
= � + � +� +⋯+�� �+� (2.1)
Dimana :
Y = variabel terikat/kriteria X1,..., Xn = variabel bebas ke-1, 2, ...n β0, β1,..., βn = parameter regresi linier berganda ε = residual atau error prediksi
Dalam kasus ini yang berfungsi sebagai Y adalah masa kadaluarsa sedangkan X1 sampai dengan X14 secara berturut-turut adalah Z, Y, Phase, Cs, Cp, D, Ls, Lp, Q, Rs, G, Rp, X dan B.
Adanya korelasi variabel bebas dan terikat dilihat dari nilai signifikansi
Analysis of Variance (Sig ANOVA) masing-masing parameter. Jika nilai Sig ANOVA kurang dari 0.05 (α), maka varibel bebas berkorelasi dengan varibel terikat. Jika tidak, maka tidak berkorelasi. Perangkingan dilakukan terhadap nilai Sig ANOVA yang kurang dari 0,05 dari yang terendah ke tertinggi. Nilai Sig ANOVA yang paling rendah (0.00) memiliki rangking paling tinggi, sedangkan yang paling mendekati 0.05 memiliki rangking paling rendah.
2. Regresi Linier Sederhana
Regresi linier sederhana digunakan untuk menyeleksi kondisi rangkaian apakah dengan CC atau CV. Rumus regresi linier sederhana (Chen and Jackson 2000) :
= + (2.2)
Dimana :
Y = Variabel terikat/kriteria X= Variabel bebas
a = Konstanta (nilai Y apabila X = 0) b = Koefisien regresi
Signifikansi dari kelinieran model regresi yang terbentuk diperlihatkan melalui tabel ANOVA (Analysis of Variance). Untuk melihat adanya korelasi antara varibel bebas dan terikat serta rankingnya dilakukan seperti pada regresi linier berganda. Software yang digunakan untuk analisa regresi adalah adalah
LCR-meter
Komputer Sampel
SPSS for Windows Release 16.0 dari Polar Engineering and Consulting Corp (SPSS 2007).
3. Feature Selection (ReliefF)
Sebagai perbandingan, digunakan feature selection dengan algoritma ReliefF untuk menyeleksi parameter dielektrik dan kondisi rangkaian yang berkorelasi dengan masa kadaluarsa. Feature selection adalah metode penganalisaan data untuk memilih fitur yang berpengaruh (fitur optimal) dan mengesampingkan fitur yang tidak berpengaruh. Algoritma ReliefF memanfaatkan teknik bobot (weight) untuk mengukur signifikansi fitur dalam konteks klasifikasi. Bobot ReliefF adalah nilai-nilai yang kontinu dan memungkinkan fitur untuk digolongkan berdasarkan relevansi. Ide dasarnya adalah perangkingan fitur berdasarkan kemampuan mereka untuk membedakan antara kelas yang dekat dan berjauhan satu sama lain. Fitur yang dipilih adalah yang memiliki nilai bobot terbesar. Algoritma ReliefF dikembangkan oleh Kononenko (1994). Algoritme ini merupakan pengembangan dari algoritma Relief Kira dan Rendell (1992a,b). Relief hanya memecahkan data dua kelas sedangkan ReliefF dapat menyelesaikan seleksi fitur dengan data multi-kelas,
ber-noisy dan tidak lengkap (Kononenko 1994). Pseudocode algoritma lengkap ReliefF dapat dilihat pada Gambar 2.2.
Perangkingan dilihat dari nilai bobot yang dihasilkan. Bobot terbesar menduduki rangking tertinggi. Perangkingan hanya diberikan pada lima parameter dengan rangking tertinggi. Software yang digunakan untuk feature selection dengan algoritma ReliefF ini adalah WEKA (Waikato Environment for Knowledge Analysis) versi 3.6.4 (Weka 2010).
Tabel 2.1 Nilai atribut evaluator pada WEKA
Parameter Nilai Deskripsi
-M -1 Jumlah contoh pelatihan, -1 berarti semua contoh dataset -D 1 Dasar untuk pengacakan contoh
-K 10 Jumlah tetangga (yang berdekatan) Threshold -1,7976
ReliefFAttributeEval digunakan dalam WEKA terkait metode pencarian
ranker untuk menghasilkan daftar peringkat. ReliefFAttributeEval akan memeriksa contoh terdekat dari kelas yang sama dan berbeda. Nilai threshold
diatur untuk penentuan sejauh mana ketidaksignifikansinya (kurang atau sama dengan nilai).
4. Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) digunakan untuk menyeleksi parameter dielektrik dan kondisi rangkaian. JST adalah model matematika yang struktur dan fungsinya terinspirasi oleh organisasi dan fungsi otak manusia (Bila et al. 1999). Algoritma pembelajaran yang digunakan adalah backpropagation. Arsitektur JST
backpropagation merupakan jaringan perceptron lapis jamak (multilayer). JST ini memiliki lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Pembelajaran dalam perceptron terjadi dengan mengubah bobot koneksi setelah setiap elemen data diproses, yang diperoleh berdasarkan besarnya error dalam output dibandingkan dengan hasil peramalan. Proses ini dilakukan melalui backpropagation, yaitu sebuah generalisasi dari algoritma rata-rata kuadrat terkecil dalam perceptron linear.
Sebelum dilakukan desain model JST, data mentah dinormalisasi karena skala data yang berbeda. Proses normalisasi ditransformasi dengan formula berikut (Siang 2009) :
′ = 0.8( − )
− + 0.1 (2.3)
dimana:
a = data minimum; b = data maksimum; x = data mentah; x‟ = data normalisasi Untuk proses pembelajaran parameter yang digunakan dapat dilihat pada Tabel 2.2 Pada seleksi parameter dielektrik, variabel input yang digunakan adalah frekuensi dan parameter dielektrik pada kondisi rangkaian CC dan CV, sedangkan variabel outputnya (target) adalah masa kadaluarsa biskuit (wafer). Variabel input pada seleksi kondisi rangkaian adalah nilai parameter terpilih dari kondisi rangkaian CC dan CV, sedangkan variabel outputnya adalah masa kadaluarsa.
Tabel 2.2 Parameter pembelajaran pada JST
No Parameter Nilai
1 Fungsi aktivasi hidden layer Tansig 2 Fungsi aktivasi output layer Logsig
3 Fungsi pembelajaran Trainlm
4 Jumlah hidden layer 5 layer
5 Jumlah node per hidden layer 20 node
6 Learning rate 0,05
7 Epoch 1000
8 Goal 0,01
Gambar 2.3 Rangkaian RC (Lee, 2007)
(2.4) Dimana:
Vout=tegangan keluar; R=resistor; C=capasitor; Xc=reaktansi kapasitif; Vin=tegangan masuk
-Seleksi frekuensi
Seleksi frekuensi dilakukan secara grafis dengan melihat frekuensi yang mampu membedakan masa kadaluarsa secara baik pada dua range frekuensi. Kedua range frekuensi tersebut adalah 42 - 4721,13 Hz dan 4721,13 Hz - 5MHz. Masa kadaluarsa wafer uji diambil yang paling ekstrim yaitu 170 dan 300 hari lagi.
Pendekatan Rancangan Alat
Rancangan alat dibuat berdasarkan hasil seleksi parameter, kondisi rangkaian dan frekuensi terbaik yang diperoleh pada tahap sebelumnya. Pendekatan perancangan alat yang digunakan adalah Rangkaian RC atau Rangkaian Resistor-Kapasitor (Gambar 2.3). Rangkaian RC ini adalah rangkaian listrik yang tersusun dari resistor dan kapasitor, sering disebut juga dengan istilah RC filter atau RC network.. Secara matematis tegangan keluaran rangkaian ini merupakan fungsi dari tegangan input, resistor dan kapasitor (persamaan 2.4 (Lee 2007)). Rangkaian ini memanfaatkan perubahan nilai reaktansi suatu kapasitor.
Nilai reaktansi kapasitor sangat tergantung pada frekuensi dari arus yang dilewatkan pada kapasitor tersebut.
Hasil dan Pembahasan
Seleksi Parameter Dielektrik
Sifat dielektrik menggambarkan kemampuan suatu bahan untuk menyimpan, mentransmisikan dan memantulkan energi gelombang elektromagnetik. Aplikasinya dalam bidang pertanian didasarkan pada kemampuan bahan untuk menyerap radiasi elektromagnetik dan mengubahnya menjadi panas. Pada tingkat energi yang lebih rendah, sifat dielektrik dimanfaatkan untuk mengukur kadar air secara non-destruktif. Nilai dielektrik yang terukur secara kasar tidak mudah melihat hubungan antar parameter dengan masa kadaluarsa. Oleh karena itu, diperlukan pendekatan statistik dan non statistik untuk memudahkan. Regresi linier berganda, feature selection (ReliefF) dan JST digunakan untuk memudahkan dan memperkuat kesimpulan pembacaan.
Kemampuan Regresi linier berganda melihat kekuatan hubungan antara beberapa variabel independent (parameter dielektrik) dengan variabel dependent
(masa kadaluarsa) diekspresikan pada parameter sig ANOVA. Oleh karena itu, nilai parameter ini menjadi acuan peringkat korelasi. Perangkingan dilakukan untuk melihat satu parameter yang paling kuat hubungannya dengan masa kadaluarsa, Hal ini disesuaikan dengan kebutuhan formulasi desain sensor pada tahap berikut penelitian, yang hanya mengukur satu parameter dielektrik. Nilai sig Anova Phase, Kapasitansi paralel (Cp), Displacement (D) dan Induktansi serial (Ls) menduduki peringkat teratas (1 dan 2) pada pendekatan ini (Tabel 2.3).
ReliefF merangking beberapa fitur berdasarkan bobot untuk membedakan antara kelas yang dekat dan jauh. Sehingga secara implisit, terdapat autokorelasi pada ReliefF antara parameter dielektrik dengan target (masa kadaluarsa). Pada pendekatan ini, urutan teratas adalah Phase karena memiliki bobot (W) terbesar (Tabel 2.3).
Nilai R (Koefisien korelasi) pada JST menunjukkan kekuatan hubungan (korelasi) antara parameter dielektrik (variabel input) dan masa kadaluarsa (target). Perangkingan nilai R menjadi indikator tingkat kekuatan hubungan parameter dielektrik dengan masa kadaluarsa. Nilai R tertinggi pada pendekatan ini adalah Kapasitansi parallel (Cp) (Tabel 2.3).
Tabel 2.3 Korelasi parameter dielektrik dengan masa kadaluarsa wafer dengan regresi linier berganda (RLG), feature selection (ReliefF) dan Jaringan Syaraf Tiruan (JST)
No Parameter dielektrik RLG ReliefF JST
Sig
RLG=Regresi Linier Berganda; JST=Jaringan Syaraf Tiruan; Sig ANOVA=Signifikansi Analysis of Variance (***=Berkorelasi sangat kuat; **=Berkorelasi kuat; *=Berkorelasi); W=Weight; R=Koefisien korelasi
Keterangan MK=Masa Kadaluarsa
Gambar 2.4 Kapasitansi paralel pada masa kadaluarsa yang berbeda-beda Model regresi linier yang terbentuk adalah :
Y = 246,830 + 4,621x10-12 X1 + 0,230 X2 + 9,931x10-8 X3 – 38,370 X4
Keterangan:
X1= Z, X2=Y, X3=Phase, X4=Cs, X5=Cp, X6=D, X7=Ls, X8= Lp, X9= Q, X10=Rs, X11=G, X12=Rp, X13=X, X14=B, Y=masa kadaluarsa
Hasil pengukuran Kapasitansi paralel pada masa kadaluarsa yang berbeda-beda diperlihatkan pada Gambar 2.4.
Seleksi Kondisi Rangkaian (CC dan CV)
Pengukuran nilai dielektrik di LCR-meter dilakukan pada rangkaian arus tetap (CC-Constant Curent) dan tegangan tetap (CV-Constant Voltage). Kedua kondisi rangkaian ini perlu dipilih, dengan menentukan tingkat korelasinya dengan masa kadalwarsa biskuit (wafer). Regresi linier sederhana, Feature Selection (ReliefF) dan JST digunakan untuk menyeleksi kondisi rangkaian ini. Tabel 2.4 menunjukkan korelasi CC dan CV dengan masa kadaluarsa wafer menggunakan beberapa pendekatan tersebut.
Hasil seleksi menunjukkan CC adalah kondisi rangkaian yang berkorelasi dengan masa kadaluarsa. Ketiga pendekatan menunjukkan nilai kinerja terbaik adalah pada kondisi rangkaian CC. Model regresi linier rangkaian CC, adalah:
Y = 237,548 - 10911,590X (2.6)
Dimana:
Y=masa kadaluarsa; X=rangkaian CC (Constant Current)
Tabel 2.4 Korelasi CC dan CV dengan masa kadaluarsa wafer dengan regresi linier sederhana), feature selection (ReliefF) dan Jaringan Syaraf Tiruan (JST)
No Parameter dielektrik RLS (Sig ANOVA)
ReliefF (W)
JST
R MSE
1 Arus tetap (CC) 0,006*** 0.000356 68,55 0,0390
2 Tegangan tetap (CV) 0,540 0.000168 24,61 0.0691 Keterangan :
RLS=Regresi Linier Sederhana; JST=Jaringan Syaraf Tiruan; Sig ANOVA=Signifikansi Analysis of Variance (***=Berkorelasi sangat kuat; **=Berkorelasi kuat; *=Berkorelasi); W=Weight; R=Koefisien korelasi
Seleksi Frekuensi
Gambar 2.5 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi 42 –
42,00 47,26 53,18 59,85 67,35 75,79 85,28 95,97
108,00 121,53 136,76 153,89 173,18 194,88 219,29 246,77 277,69 312,49 351,65
K
Masa Kadaluwarsa 170 hari lagi Masa Kadaluwarsa 300 hari lagi
-0,0025
Pendekatan Rancangan Alat
Hasil pembacaan kadaluarsa diharapkan tepat, sehingga desain alat disesuaikan dengan hasil seleksi parameter sebelumnya. Pendekatan rancangan alat yang dianggap sesuai dengan hasil seleksi tersebut adalah rangkaian RC (Gambar 2.3).
Gambar 2.7 Rangkaian fungsional sensor untuk unit pengatur tegangan dan buffer
Gambar 2.8 Rangkaian fungsional sensor untuk unit pengubah sinyal dan penguat
Gambar 2.9 Rangkaian fungsional sensor untuk unit sensor, high pass filter, low pass filter dan peak detector
Secara keseluruhan, rancangan rangkaian yang dibuat terdiri dari beberapa unit yaitu :
1. Unit pengatur tegangan dan buffer (Gambar 2.7)
2. Unit pengubah sinyal dan penguat non inverting (Gambar 2.8)
3. Unit sensor, high pass filter, low pass filter, dan peak detector (Gambar 2.9) Unit pengatur tegangan (Gambar 2.7) akan mengatur tegangan masuk dari 24 volt menjadi +5 volt dan -5 volt. Penurunan tegangan ini disesuaikan dengan kebutuhan Mikrokontroler. Pada rangkaian, masing-masing hambatan R1 dan R2 akan mendapatkan tegangan jatuh yang sama besar (+12V), tegangan jatuh pada R2 akan dimasukkan ke rangkaian buffer. Sifat dari rangkaian buffer ini adalah memiliki Impedansi masukan sangat besar dan Impedansi keluaran sangat kecil. Dengan sifat seperti ini, jika diberikan pembebanan pada output rangkaian buffer
maka tegangan keluaran dari rangkaian buffer tidak berubah. Jika output tegangan
buffer diambil sebagai acuan tegangan nol (ground) maka akan didapatkan tegangan +12V (jika diukur +24V terhadap tegangan keluaran buffer) dan -12V (jika diukur ground tegangan regulator +24V terhadap tegangan keluaran buffer). Untuk selanjutnya akan diambil tegangan keluaran dari buffer sebagai tegangan
ground. IC 7805 akan menurunkan tegangan inputannya (+12V) menjadi +5V, sedangkan IC 7905 akan menurunkan tegangan inputannya (-12V) menjadi -5V.
Unit pengubah sinyal (Gambar 2.8) akan merubah sinyal kotak yang awalnya dibangkitkan di titik VOut_4 menjadi sinyal sin di titik VOut_5. Sinyal kotak dibangkitkan pada titik VOut_4 dengan frekuensi yang bergantung pada
1 2 3
5 6 7
4 Vout_8 Vout_7
nilai R3, R4, C1 serta R seri dari R5 dan RV1. Frekuensi output pada titik VOut_4 dapat dirubah-rubah dengan merubah besarnya RV1. Pada penelitian ini, frekuensi yang dihasilkan adalah sekitar 5 - 6 kHz. Adanya noise yang biasa terjadi pada sebuah rangkaian elektrik, maka nilai frekuensi tidak diset pada satu nilai. Persamaan perhitungan frekuensi gelombangnya adalah :
3 dikuatkan lagi menggunakan rangkaian penguat non-inverting dengan persamaan penguatan :
Vout=tegangan keluar; R=resistor; C=capasitor; Vin=tegangan masuk
Unit terakhir dari rangkaian ini adalah unit sensor, high pass filter, low pass filter dan peak detector (Gambar 2.9). Rangkaian pada lingkaran 1 adalah rangkaian RC, dimana C disini adalah dua plat konduktor yang terpisah dan digunakan sebagai sensor. Jika diantara dua plat tersebut disisipkan sampel yang berbeda-beda maka akan didapatkan nilai tegangan yang jatuh pada C5 akan berubah. Rangkaian pada lingkaran 2 adalah rangkaian Resistor yang nantinya digunakan untuk menghitung besarnya Vin (VOut_5). Sedangkan rangkaian pada lingkaran 3 adalah rangkaian RC yang nilai R dan C-nya sudah diketahui, rangkaian ini digunakan untuk menghitung frekuensinya inputan (frekuensi VOut_5). VOut_5 adalah gelombang sin dengan frekuensi sekitar 5 – 6 kHz.
Sensor yang digunakan di penelitian ini adalah sensor kapasitansi. Sensor kapasitansi merupakan sensor elektronika yang bekerja berdasarkan konsep kapasitif. Sensor kapasitansi menggunakan konsep kapasitor dalam menyimpan dan melepas energi listrik dalam bentuk muatan-muatan listrik yang dipengaruhi oleh luas permukaan, jarak dan bahan dielektrikum pada kapasitor.
Nilai kapasitansi dapat terukur dari persamaan berikut (diturunkan dari persamaan 2.4) :
(2.9) Dimana:
f=frekuensi; R=resistor; C=capasitor; V=tegangan
(2.10)
(2.11) Dimana:
f=frekuensi; R=resistor; C=capasitor; V=tegangan
Pada unit ini terdapat rangkaian high pass filter (lingkaran 4 pada Gambar 2.9). Rangkaian ini melewatkan data dengan frekuensi tinggi dan meredam data dengan frekuensi rendah. Persamaan tegangan output dari rangkaian ini adalah:
Lingkaran 5 pada Gambar 2.9 adalah rangkaian low pass filter (melewatkan data dengan frekuensi rendah dan meredam data dengan frekuensi tinggi). Tegangan output (dititik C2) adalah:
Lingkaran 6 pada Gambar 2.9 adalah rangkaian penguat non-inverting (penguat tidak balik). Rangkaian ini diperlukan karena sinyal yang keluar dari high pass filter dan low pass filter cukup lemah. Persamaan tegangannya adalah:
3
Lingkaran 7 pada Gambar 2.9 adalah rangkaian peak detector. Rangkaian ini akan menghasilkan tegangan DC yang nilainya sama dengan tegangan maksimum yang masuk padanya (V dari titik B). Tegangan yang keluar di titik 10 (VOut_10) digunakan untuk menghitung tegangan di sensor. Tegangan ini selanjutnya digunakan untuk menghitung nilai Kapasitansi, Reaktansi kapasitif, dan Konstanta dielektrik. Tegangan yang keluar di titik 11 (VOut_11) digunakan untuk menghitung Vin (Vout_5). Tegangan yang keluar di titik 12 (VOut_12) digunakan untuk menghitung Frekuensi (VOut_5).
Simpulan
Parameter dielektrik terbaik untuk penentuan masa kadaluarsa wafer adalah kapasitansi paralel (Cp). Rangkaian CC (Constant Current) yang beroperasi pada frekuensi 42 - 351,65 Hz dan frekuensi 4721,13 – 50054,56 Hz, terbaik untuk mendeteksi masa kadaluarsa wafer. Hasil ini selanjutnya dijadikan dasar pendesainan alat ukur masa kadaluarsa biskuit berbasis sifat dielektrik dengan rangkaian RC.
3 MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA BISKUIT
Abstrak
Tujuan bagian ini adalah untuk memprediksi masa kadaluarsa biskuit menggunakan JST. Identifikasi kondisi kadaluarsa ditentukan dengan sifat dielektrik diantaranya kapasitansi. Variabel input yang digunakan adalah jenis kemasan, jenis biskuit, frekuensi, kapasitansi, dan konstanta dielektrik. Variabel outputnya adalah masa kadaluarsa. Algoritma pembelajaran yang digunakan adalah Backpropagation dengan trial and error variasi jumlah node per hidden layer, jumlah hidden layer, fungsi aktivasi, dan fungsi pembelajaran. Hasil prediksi menunjukkan bahwa JST hasil pelatihan yang dikombinasikan dengan parameter kapasitansi mampu memprediksi masa kadaluarsa biskuit dengan MSE terendah (9,8648 x 10-5) dan R tertinggi (99,80%).
Pendahuluan
(GCP) dilaporkan oleh Meshram (2008). GCP disimpan pada kombinasi suhu dan RH serta dua jenis kemasan Laminated Alumunium Foil (LAM) dan
Polipropilena (PP). Penerapan JST untuk prediksi umur simpan sebagai fungsi T dan %RH memberikan nilai R2 > 0,99 untuk kedua kemasan.
Di bidang penentuan masa kadaluarsa, aplikasi JST telah berhasil diterapkan untuk memprediksi masa kadaluarsa beberapa produk pangan diantaranya snack dari beras (Siripatrawan dan Jantawat 2008). Metode JST telah berhasil memprediksi sehingga dihasilkan hasil prediksi secara tepat. Hal ini karena, kemampuan JST untuk mempelajari data historikal sehingga mampu memprediksi proses yang kompleks dari hubungan nonlinier yang ada antara data input (casual process variable) dan data output yang cocok (dependent variables). Hubungan antara parameter kadaluarsa dengan masa kadaluarsa merupakan hubungan yang kompleks. Oleh karenanya, metode prediksi menggunakan metode JST potensial untuk diaplikasikan pada bidang penentuan masa kadaluarsa.
Peneliti-peneliti sebelumnya menggunakan basis parameter non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk) dalam memprediksi masa kadaluarsa. Sementara penggunaan sifat dielektrik yang memiliki korelasi kuat dengan kadar air belum banyak yang menggunakannya sebagai basis dalam memprediksi masa kadaluarsa.
Kadar air yang merupakan parameter kritis kadaluarsa produk kering (antara lain biskuit) berbanding lurus dengan nilai sifat dielektrik suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah (Harmen 2001, Guo et al. 2008, Nelson dan Trabelsi 2012). Penelitian pada tahap sebelumnya menunjukkan bahwa parameter dielektrik yang paling berkorelasi dengan masa kadaluarsa biskuit adalah kapasitansi. Sehingga dalam desain model JST ini kapasitansi digunakan sebagai data masukan. Selain itu, konstanta dielektrik dan frekuensi juga digunakan sebagai data masukan karena relevansinya dengan kadar air (Nelson dan Trabelsi 2012). Pengukuran nilai kapasitansi dan konstanta dielektrik pada range frekuensi tertentu dapat dilakukan dalam waktu singkat dan tidak membutuhkan panelis sehingga dapat dilakukan dengan cepat dan biaya yang rendah.
Tujuan penelitian pada bagian ini adalah untuk memprediksi masa kadaluarsa biskuit dengan JST berdasarkan parameter dielektrik (kapasitansi dan konstanta dielektrik). Prediksi dilakukan dengan model arsitektur JST berkinerja terbaik.
Bahan dan Metode
Pengukuran Nilai Dielektrik
Gambar 3.1 Pengukuran nilai dielektrik biskuit dengan sensor dielektrik - Dataset
Sampel dipilih dari produk yang telah tercantum masa kadaluarsa secara
purposive sampling. Jenis biskuit yang akan dipilih terdiri dari empat jenis biskuit sesuai SNI 01-2973-1992 (biskuit keras, crackers, cookies dan wafer) dengan tiga jenis kemasan (plastik, alumunium foil dan kaleng). Pada penelitian ini, faktor jenis kemasan diperhatikan juga karena adanya hubungan yang erat antara jenis kemasan dan masa kadaluarsa produk pangan (Robertson 2010). Keempat jenis biskuit diambil dari yang paling banyak beredar di pasaran sekitar Depok dan Bogor. Faktor lingkungan seperti suhu dan RH dianggap standar, sesuai suhu dan RH umumnya tempat biskuit biasa dijual (toko, minimarket atau hypermarket)
Data aktual masa kadaluarsa diambil dari tanggal kadaluarsa yang tercantum pada kemasan dengan 10 jenis masa kadaluarsa yang berbeda (dari yang masih lama kadaluarsanya hingga yang telah kadaluarsa). Data ini dinputkan ke matriks JST dengan menghitung durasi waktu dari tanggal saat pengukuran dengan tanggal kadaluarsa yang tercantum di kemasan.
Data masukan adalah frekuensi (f), kapasitansi (C), konstanta dielektrik (k), jenis biskuit dan jenis kemasan, sedangkan data keluaran adalah masa kadaluarsa aktual (Gambar 3.4). Jumlah data keseluruhan terdiri dari 360 dataset. Sesuai metode cross-validation, sebanyak 80% data digunakan untuk training dan 20% untuk testing.
- Praproses data
Data mentah dinormalisasi terlebih dahulu sebelum dilakukan desain model JST, karena skala data yang berbeda. Proses normalisasi dengan formula berikut (Siang 2009) :
′ =0.8( − )
− + 0.1 (3.1)
dimana:
Gambar 3.2 Kerangka kerja keseluruhan dari desain JST
Pilih jumlah layer danjumlah node per hidden layer dengan kinerja terbaik (MSE tercapai)
Pelatihan dengan trial error jumlah layer dan jumlah node per hidden
Mulai
Memanggil pola input (frekuensi, nilai kapasitansi, konstanta dielektrik,jenis biskuit dan jenis kemasan)
Memanggil pola output/target (masa kadaluarsa)
Mengkonstruksi neural network : -Algoritma pembelajaran = Backpropagation
-Goal = 0,0001 -Learning rate = 0,05
Pelatihan dengan trial error fungsi aktivasi hidden layer dan output layer
Pilih fungsi aktivasi hidden layer dan output layer dengan kinerja terbaik
Pelatihan dengan trial error fungsi pembelajaran
Pilih fungsi pembelajaran dengan kinerja terbaik
Goal tercapai? Tidak
Ya
Goal tercapai?
Tidak
Ya
Selesai Pengujian
Menyimpan neural network yang telah
Gambar 3.3 Mekanisme analisa neural network untuk memprediksi masa kadaluarsa biskuit (modifikasi Ko et al. 2000, Park et al. 2002)
Gambar 3.4 Arsitektur JST yang dibangun - Desain model arsitektur JST
Desain model arsitektur JST dilakukan pada komputer dengan CPU prosesor AMD dual-core C60 dan memori 2 GB DDR3. Software yang digunakan adalah MATLAB 2010b versi 7 dari Mathworks Corp (Mathworks 2010). Secara lengkap coding program MATLAB desain model JST dapat dilihat pada Lampiran 1.
Algoritma pembelajaran yang digunakan adalah backpropagation. Arsitektur JST backpropagation merupakan jaringan perceptron lapis jamak (multilayer). JST ini memiliki lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Pembelajaran dalam
perceptron terjadi dengan mengubah bobot koneksi setelah setiap elemen data diproses, yang diperoleh berdasarkan besarnya error dalam output dibandingkan dengan hasil peramalan JST. Proses ini dilakukan melalui backpropagation, yaitu sebuah generalisasi dari algoritma rata-rata kuadrat terkecil dalam perceptron linear.
Kinerja JST ditentukan oleh tiga hal (Siang 2009) : 1. Pola hubungan antar neuron (arsitektur jaringan)
Pengukuran kapasitansi pada frekuensi tertentu dari sampel yang diketahui masa kadaluarsanya
Pembuatan matriks frekuensi, kapasitansi, konstanta dielektrik, jenis kemasan dan jenis biskuit yang diukur serta masa kadaluarsa yang dihitung
Pembelajaran Neural Network berdasarkan matriks input dan output yang diketahui
Pengujian data yang tidak diketahui masa kadaluarsanya dengan Neural Network
Pengestimasian hasil
Frekuensi
Lapisan input Lapisan hidden Lapisan output
Masa kadaluarsa
2. Metode untuk menentukan bobot penghubung (metode training, learning, algoritma)
3. Fungsi aktivasi
Kombinasi yang tepat dari ketiga hal di atas akan menghasilkan kinerja JST yang terbaik. Permasalahannya, sampai saat ini belum ada teori yang pasti terkait kombinasi parameter yang tepatuntuk setiap kasus. Setiap kasus memiliki kombinasi parameter berbeda-beda, tergantung permasalahannya. Agar menghasilkan kinerja terbaik, perlu dilakukan trial error pada setiap parameter yang ada. Kombinasi parameter-parameter ini disebut arsitektur JST. Tabel 3.1 memperlihatkan modifikasi parameter arsitektur yang dilakukan. Modifikasi Arsitektur ini menggunakan goal 0,01, Epoch 1000 dan learning rate 0,05.
Dengan mempertimbangkan keefektifan proses pelatihan, trial error
dimulai dari fungsi aktivasi, kemudian secara berturut-turut diteruskan ke trial error fungsi pembelajaran, jumlah node dan hidden layer dan epoch. Trial error
tahap berikutnya dilanjutkan jika belum mencapai MSE yang diharapkan. Tahap berikut di-trial error dengan menggunakan hasil terbaik parameter dari tahap sebelumnya. Jenis parameter fungsi aktivasi dan fungsi pembelajaran yang dikombinasikan diambil dari keseluruhan item parameter yang disediakan JST pada MATLAB (built in). Dalam pemrograman Backpropagation dengan MATLAB, dikenal 3 macam fungsi aktivasi yang umum digunakan yaitu : tansig
(fungsi sigmoid bipolar), logsig (fungsi sigmoid unipolar) dan purelin (fungsi identitas).
Jumlah node per hidden layer diawali dari 2 yang merupakan jumlah minimal node yang diproses JST, kemudian berturut-turut dinaikan ke 5 sampai dengan 20. Jumlah hidden layer diawali dari 1 sampai dengan 5.
Pemodelan prediksi masa kadaluarsa biskuit dengan metode JST menggunakan analisa hasil observasi berbagai parameter untuk mendapatkan model JST terbaik yang dapat merepresentasikan dengan akurat masa kadaluarsa biskuit tertentu. Model dianggap akurat jika kombinasi jumlah hidden layer, jumlah neuron pada hidden layer, jenis fungsi aktivasi per layer dan jenis training
memberikan MSE (Mean Square Error) terkecil dan R terbesar antara masa kadaluarsa prediksi model JST dengan masa kadaluarsa sebenarnya.
- Ukuran kinerja prediksi
Ukuran kinerja prediksi yang digunakan adalah R dan MSE. = 1− −2 R= koefisien korelasi; MSE=Mean Square Error.
Hasil dan Pembahasan
Nilai Dielektrik
Sifat dielektrik menggambarkan kemampuan suatu bahan untuk menyimpan, mentransmisikan dan memantulkan energi gelombang elektromagnetik. Aplikasinya dalam bidang pertanian didasarkan pada kemampuan bahan untuk menyerap radiasi elektromagnetik dan mengubahnya menjadi panas. Pada tingkat energi yang lebih rendah, sifat dielektrik dimanfaatkan untuk mengukur kadar air secara non destruktif. Nilai dielektrik yang diukur pada kasus ini adalah kapasitansi dan konstanta dielektrik. Gambar 3.5, 3.6 dan 3.7 menunjukkan nilai kapasitansi biskuit untuk masing-masing jenis kemasan dan biskuit.
Nilai kapasitansi biskuit relatif cenderung menurun pada semua jenis biskuit dan jenis kemasan (Gambar 3.5, 3.6 dan 3.7). Hal ini sesuai dengan pendapat Nelson dan Trabelsi (2012) dan Sosa-Morales et al. (2010) yang menyatakan bahwa nilai dielektrik (diantaranya kapasitansi) cenderung dipengaruhi oleh frekuensi dan kadar air. Untuk kadar air,Sosa-Morales (2010) menyatakan bahwa peningkatan kadar air akan meningkatkan nilai dielektrik bahan. Hal ini dikarenakan biskuit akan mengalami peningkatan kadar air ketika hendak kadaluarsa. Ini artinya, nilai kapasitansi yang dihasilkan akan semakin meningkat.
Gambar 3.5 Nilai kapasitansi biskuit dengan kemasan kaleng pada frekuensi 5–6 KHz
Gambar 3.6 Nilai kapasitansi biskuit dengan kemasan alumunium foil pada frekuensi 5 – 6 KHz
Tabel 3.2 Variasi fungsi aktivasi
Tabel 3.3 Variasi fungsi pembelajaran (train)
Model Arsitektur JST untuk Prediksi Masa Kadaluarsa Biskuit
- Variasi fungsi aktivasi
Variasi fungsi aktivasi menghasilkan nilai MSE terkecil dan R terbesar pada fungsi aktivasi hidden layer tansig dan output layer purelin (Tabel 3.2). Hasil ini sama dengan hasil penelitian yang dilakukan oleh Goyal dan Goyal (2011d) dalam prediksi masa kadaluarsa soft-cake. Penelitian tersebut menunjukkan kinerja terbaik adalah dengan fungsi aktivasi hidden layer tansig
dan output layerpurelin.
- Variasi fungsi pembelajaran
Hasil training dengan fungsi aktivasi di atas (tansig; purelin) menunjukkan fungsi pembelajaran dengan MSE terkecil dan R terbesar pada fungsi trainlm (Tabel 3.3). Fungsi trainlm adalah fungsi pelatihan jaringan yang update nilai-nilai bobot dan bias sesuai dengan optimasi Levenberg-Marquardt. Trainlm seringkali merupakan algoritma backpropagation tercepat di toolbox, dan direkomendasikan sebagai pilihan pertama algoritma dengan pembelajaran, meskipun memerlukan memori lebih dari algoritma lain (Mathworks 2010).
- Variasi jumlah node dan hiden layer
Variasi jumlah node dan jumlah hidden layer terbaik adalah pada jumlah node 10 dengan 5 hidden layer. Kondisi ini tercapai pada epoch ke-86. Terlihat semakin banyak layer dan jumlah node semakin bagus nilai R (99,86%) dan MSE (6,2040x10-5) (Tabel 3.4). Namun, pada jumlah layer 5 terlihat nilai MSE dan R mulai menurun untuk jumlah node di atas 10. Kondisi ini diduga karena nilai optimal global telah tercapai saat di jumlah node 10. Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi JST diperlihatkan pada Gambar 3.8.
Tabel 3.4 Variasi jumlah node dan hidden layer
Jumlah Keterangan : angka dalam kurung menunjukkan epoch saat MSE target tercapai
