METODE NIR DAN JARINGAN SARAF TIRUAN
MARDISON S
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa thesis Penentuan Komposisi Kimia Biji Jarak Pagar Secara Nondestruktif Dengan Metode NIR dan Jaringan Saraf Tiruan adalah 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 dibagian akhir thesis ini.
Bogor, Agustus 2010
Mardison S
Jatropha CurcasL by Using NIR Method and Artificial Neural Network. Under direction of I WAYAN BUDIASTRA and ARMANSYAH H. TAMBUNAN.
The objective of this research was to determine chemical composition of Jatropha curcas L nondestructively by using NIR method and artificial neural network. In this research, NIR spectroscopy was assessed to determine chemical composition of fat content, free fatty acid (FFA) and moisture content ofJatropha curcas L. The non-destructive method was based on optical reflectance within NIR wavelength 1000-2500nm. Principle component analysis-back propagation neural network (PCA-BPNN) was established, based on PCA-BPNN adjusting the number of input nodes (principle component).The best model is obtained for 20 node input and 10 hidden layer with a coefficient of corellation (r) of 0.848, 0.872 and 0.993 with a root mean square error of prediction (RMSEP) 3.718%, 1.314% and 1.989% for fat content, FFA and moisture content, respectively.
RINGKASAN
MARDISON S. Penentuan Komposisi Kimia Biji Jarak Pagar Secara Nondestruktif Dengan Metode NIR dan Jaringan Saraf Tiruan. Dibimbing oleh I WAYAN BUDIASTRA and ARMANSYAH H. TAMBUNAN.
Minyak jarak pagar merupakan salah satu bahan bakar nabati yang prospektif untuk dikembangkan di tengah berkurang dan kelangkaan bahan bakar fosil. Jarak pagar relatif mudah ditanam, toleransinya tinggi terhadap berbagai jenis tanah dan iklim serta produksi minyaknya tinggi yaitu 25-40% dari berat biji. Keuntungan lain minyak jarak pagar adalah ramah lingkungan, tidak mencemari air, udara, maupun tanah karena mudah terurai secara biologi, dan bahan bakunya dapat diperbaharui. Nilai energi minyak jarak 40.31 MJ/kg, sedangkan nilai energi minyak diesel adalah 42.49 MJ/kg
Tingkat variasi mutu hasil panen jarak pagar yang tinggi berdampak pada variasi harga jual jarak pagar yang tinggi. Hal ini menimbulkan keengganan bagi petani dan produsen jarak pagar dalam mengembangkan usahanya. Seiring dengan kondisi ini dapat berdampak pada kemunduran dalam pengembangan bahan bakar nabati, sehingga diperlukan teknologi yang dapat mengklasifikasi keragaman kualitas dan mutu jarak pagar secara kuantitatif untuk menjamin stabilitas harga jual jarak pagar.
Penentuan mutu jarak pagar selama ini dilakukan dengan metode kimia yang memerlukan waktu yang lama, mahal, tidak ramah lingkungan dan destruktif sehingga tidak sesuai dengan kebutuhan pengukuran mutu jarak pagar yang cepat dan murah. Salah satu metode yang dapat dijadikan alternatif pengukuran mutu jarak pagar secara nondestruktif adalah metode NIR.
Secara umum tujuan penelitian ini adalah menentukan mutu jarak pagar secara nondestruktif dengan menggunakan NIR dan jaringan saraf tiruan. Sedangkan tujuan spesifik dari penelitian ini meliputi: mempelajari mutu utama jarak pagar (kadar air, FFA, dan kandungan minyak biji jarak pagar) secara nondestruktif dengan menggunakan NIR spectroscopy;menentukan hubungan antara parameter mutu dengan spektra NIR dan membangun model penduga dengan menggunakan jaringan saraf tiruan; dan melakukan validasi terhadap model jaringan saraf tiruan untuk menduga parameter mutu jarak pagar secara nondestruktif dengan menggunakan gelombang NIR.
Penelitian ini dilakukan dalam beberapa tahapan antara lain: pengambilan dan pensortiran sampel di lapangan, pengukuran spektra NIR, analisa kimia (kandungan minyak, FFA, dan kadar air), dan pengembangan model JST untuk pendugaan kandungan kimia jarak pagar.
dan algoritma feed forward backpropagation dengan aktivasi sigmoid bipolar. Secara umum arsitektur JST terdiri dari tiga lapis yaitu lapisan input, lapisan terselubung dan lapisan output. Setiap lapisan terdiri dari simpul-simpul, pada lapisan input simpul yang digunakan adalah variabel model dan lapisan output merupakan nilai target.
Parameter pelatihan yang digunakan antara lain laju pembelajaran (etha) dengan rentang nilai 0-0.9, konstanta momentum (alpha) dengan rentang nilai 0-0.9 dan konstanta persamaan sigmoid (temp) dengan rentang nilai 0-1. Pada penelitian ini digunakan nilai etha 0.9, alpha 0.6 dan temp 1, proses iterasi dilakukan sebanyak 200000 iterasi, pada iterasi ini nilai pengurangan error pelatihan sangat kecil sehingga model jaringan saraf dikatakan jenuh dan iterasi selesai. Pemilihan nilai parameter pelatihan JST dihasilkan dari proses trial and errorsehingga didapatkan kombinasi yang optimal seperti di atas.
Pada proses pelatihan dan pendugaan, arsitektur yang menggunakan tiga keluaran parameter memberikan nilai RMSEC, RMSEP dan koefisien korelasi lebih baik. Aksitektur yang digunakan adalah 20 input, 10 node pada lapisan terselubung dan 3 output, skenario ini biasanya dituliskan 20-10-3, kombinasi arsitektur jaringan ini menghasilkan 230 nilai penimbang. Nilai RMSEP NIR-JST yang dihasilkan adalah 3.718%, 1.314% dan 1.989% untuk kadar minyak, FFA dan kadar air sedangkan koefisien korelasi nilai duga NIR dengan nilai referensinya adalah 0.848, 0.872 dan 0.993 untuk kadar minyak, FFA dan kadar air. Nilai penimbang dari arsitektur jaringan saraf tiruan yang paling optimal dapat dikembangkan lebih lanjut menjadi program aplikasi pendugaan nilai parameter mutu biji jarak.
Kesimpulan dari penelitian ini adalah karakteristik spektra NIR biji jarak pagar dapat menggambarkan kandungan kimia biji jarak pagar, kandungan kadar air membentuk karakteristik spektra biji jarak lebih dominan, karena NIR sangat peka terhadap ikatan O-H. Komposisi minyak jarak (kadar minyak, FFA, dan kadar air) dapat ditentukan secara nondestruktif dengan menggunakan NIR dan JST.
© Hak cipta milik IPB, tahun 2010
Hak cipta dilindungi undang-undang
1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya.
a) Pengutipan hanya untuk kepentingan pendidikan, penelitian penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah.
b) Pengutipan tersebut tidak merugikan kepentingan yang wajar IPB. 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya
METODE NIR DAN JARINGAN SARAF TIRUAN
MARDISON S
Tesis
Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Teknik Mesin Pertanian dan Pangan
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
NRP : F151080081
Mayor : Teknik Mesin Pertanian dan Pangan
Disetujui, Komisi Pembimbing
Dr. Ir. I Wayan Budiastra, MAgr Prof. Dr. Ir. Armansyah H. Tambunan, MAgr
Ketua Anggota
Diketahui,
Ketua Program Studi/Mayor Dekan Sekolah Pascasarjana Teknik Mesin Pertanian dan Pangan
Dr. Ir. Radite P. Agus Setiawan, M.Agr. Prof. Dr. Ir. Khairil A. Notodiputro, M.S
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat dan karunia-Nya sehingga dapat terselesaikannya penulisan thesis dengan judul ” Penentuan Komposisi Kimia Biji Jarak Pagar Secara Nondestruktif dengan Metode NIR dan Jaringan Saraf Tiruan ” ini sesuai dengan rencana yang diharapkan.
Pada kesempatan ini penulis mengucapkan rasa terimakasih yang
sedalam-dalamnya kepada :
1. Dr. Ir. I Wayan Budiastra, MAgr., sebagai ketua komisi pembimbing yang selalu memberi masukan dan bimbingan dalam penelitian ini.
2. Prof. Dr. Ir. Armansyah H. Tambunan, MAgr., sebagai anggota komisi pembimbing atas bimbingan, saran dan masukan dalam penelitian ini.
3. Dr. Ir. I Wayan Astika, MSi. sebagai dosen penguji, atas masukan dan saranya dalam ujian tesis ini.
4. Dr. Ir. Radite Praeko Agus Setiawan MAgr., sebagai Koordinator Mayor Tenik Mesin Pertanian dan Pangan, SPS-IPB.
5. Dr. Ir. I Nengah Suastawa, MAgr. (alm) atas rekomendasinya untuk melanjutkan studi penulis ke Program Magister IPB.
6. Badan Litbang Kementerian Pertanian, sebagai sponsor dalam program ini. 7. Teman-teman TMP angkatan tahun 2008 yang selalu memberikan semangat. 8. Akhirnya istriku tercinta Julia Novita dan putra-putri kesayanganku Nadhifa
Zahra Ghaisani Mardison dan Dzakwaan Hakim Mardison, kedua orang tua dan saudara-saudara yang selalu memberikan inspirasi, dorongan dan semangat untuk penulis dalam menyelesaikan studi ini.
Penulis menyadari masih banyak terdapat kekurangan dalam penulisan thesis ini. Oleh karena itu dengan segala keterbukaan, saran dan kritik yang bersifat membangun untuk penyempurnaan thesis ini sangat diharapkan.
Semoga thesis ini dapat bermanfaat khususnya bagi penyusun dalam menyelesaikan studi dan pada pengembangan ilmu pengetahuan pada umumnya.
Bogor, Agustus 2010
Penulis dilahirkan di Padang pada tanggal 28 Maret 1977 dari Bapak Suhil dan Ibu Jasma. Penulis merupakan putra ketiga dari lima bersaudara.
Pada tahun 1996 penulis lulus SMA Negeri Tarusan, Pesisir Selatan, Sumatera Barat dan pada tahun yang sama penulis diterima di Jurusan Teknik Pertanian, FATETA-IPB melalui jalur PMDK hingga berhasil menyelesaikan studi pada bulan September 2000. Sejak Juli 2000 penulis bekerja di industri manufaktur di Jakarta sebagai Design Engineer hingga tahun 2005. Dari tahun 2005 penulis bekerja sebagai Perekayasa di Balai Besar Pengembangan Mekanisasi Pertanian, Badan Litbang, Kementerian Pertanian di Serpong hingga sekarang.
Penulis menikah pada tanggal 19 Oktober 2003 dengan Julia Novita, hingga saat ini penulis telah dianugrahi dua orang anak (satu perempuan dan satu laki-laki) oleh Allah, SWT. yaitu Nadhifa Zahra Ghaisani Mardison (11-09-2004)
dan Dzakwaan Hakim Mardison (03-05-2009).
iii
DAFTAR ISI
Halaman
DAFTAR TABEL ... v
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN... vii
DAFTAR SIMBOL ... viii
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan Penelitian ... 4
Manfaat Penelitian ... 4
TINJAUAN PUSTAKA ... 5
Jarak Pagar... 5
Minyak Jarak Pagar ... 6
Free Fatty Acid(FFA) ... 7
Kadar Air... 7
Near Infrared dan Aplikasinya... 8
Prinsip Dasar NIR Spektroskopi ... 8
Aplikasi NIR dalam Bidang Pertanian... 9
Analisa Komponen Utama ... 10
Jaringan Saraf Tiruan dan Aplikasinya ... 13
Jaringan Saraf Tiruan... 13
Aplikasi Jaringan Saraf Tiruan... 18
METODE PENELITIAN... 21
Tempat dan Waktu Penelitian... 21
Bahan dan Alat Penelitian ... 21
Bahan ... 21
Alat... 21
Prosedur Penelitian... 22
Persiapan Sampel... 22
Persiapan Instrumen NIR ... 22
Pengukuran Sifat Kimia Biji Jarak Pagar Secara Destruktif... 23
Pengembangan Model Jaringan Saraf Tiruan untuk Pendugaan Kandungan Kimia Biji Jarak... 25
Pelatihan Jaringan Saraf Tiruan... 26
Validasi Model Penduga ... 29
HASIL DAN PEMBAHASAN ... 31
Spektra Reflektan Biji Jarak Pagar ... 31
Sifat Kimia Biji Jarak Pagar ... 36
Model PCA-BPNN... 38
Principle Component Analysis (PCA)... 38
Jaringan Saraf Tiruan (Back Propagation Neural Network(PBNN))... 40
Hasil Kalibrasi dan Validasi Model JST ... 43
SIMPULAN DAN SARAN ... 46
DAFTAR PUSTAKA ... 47
v
DAFTAR TABEL
Halaman
Tabel 1. Komposisi asam lemak dalam biji jarak pagar ... 7
Tabel 2. Perbandingan model kalibrasi PLSR dengan PCA-BPNN ... 19
Tabel 3. Analisa kandungan minyak... 45
Tabel 4. Analisa kandungan FFA ... 45
DAFTAR GAMBAR
Halaman
Gambar 1. Tanaman jarak pagar (Jatropha curcas L.) dan klasifikasinya. ... 5
Gambar 2. Struktur kimia minyak jarak pagar. ... 6
Gambar 3. Struktur jaringan saraf tiruan ... 14
Gambar 4. Bagian-bagian NIRFlax petri solid... 22
Gambar 5. NIRspectroscopydan pengambilan data spektra... 23
Gambar 6. Skematik diagram jaringan saraf tiruan. ... 26
Gambar 7. Blok diagram penelitian... 30
Gambar 8. (a) Spektra reflektan (R) biji jarak pagar, (b) Absorban (log(1/R)). ... 31
Gambar 9. Spektra reflektan yang dinormalisasi 0-1. ... 32
Gambar 10. (a) reflektan-derivatif, (b) reflektan-normalisasi... 32
Gambar 11. (a) Spektra reflektan, (b) spektra reflektan-normalisasi, (c) reflektan derivatif pertama ... 34
Gambar 12. Normalisasi reflektan pada beberapa tingkat kadar air... 35
Gambar 13. Spektra reflektan-normalisasi-derivativepertama... 36
Gambar 14. Turunan ke-2 data spektra reflektan biji jarak pagar. ... 39
Gambar 15. Jumlah komponen utama dan persentase informasi yang diwakili. .. 40
Gambar 16. Grafik perbandingan nilaierrorkalibrasi dan pendugaan kandungan minyak biji jarak pagar. ... 42
Gambar 17. Grafik perbandingan nilaierrorkalibrasi dan pendugaan kandungan FFA biji jarak pagar. ... 42
Gambar 18. Grafik perbandingan nilaierrorkalibrasi dan pendugaan kandungan FFA biji jarak pagar. ... 43
Gambar 19. Hasil kalibrasi dan validasi model JST untuk kandungan minyak.... 43
Gambar 20. Hasil kalibrasi dan validasi model JST untuk kandungan FFA. ... 44
vii
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Hasil uji kandungan kimia biji jarak pagar secara destruktif ... 51
Lampiran 2. Set data input pelatihan JST ... 54
Lampiran 3. Set data input pada validasi hasil pelatihan JST ... 60
Lampiran 4. Hasil iterasi untuk berbagai skenario arsitektur jaringan JST ... 63
DAFTAR SIMBOL
aj : Nilai aktivitas dari unit j Wj,i : Bobot dari unit j ke unit i
ini : Penjumlahan bobot dan masukan ke unit i g : Fungsi aktivasi
ai : Nilai aktivasi dari unit i
Xp : Pola masukan pelatihan ke-p, p = 1,2...p, p>=1 Xp : (X1, X2, X3,..., Xn)
tp : Pola keluaran target dari pelatihan tp : (t1, t2, t3,..., tn)
xi : Unit ke-i pada lapisan masukan Xi : Nilai aktivasi dari unit Xi
Zj : Unit ke-j pada lapisan tersembunyi Z_inj : Keluaran untuk unit Zj
zj : Nilai aktivasi dari unit Zj Yk : Unit ke-j pada lapisan keluaran Y_ink : Jumlah masukan untuk unit Yk yk : Nilai aktivasi dari unit Yk
Wko : Nilai penimbang sambungan pada bias untuk unit Yk Wkj : Nilai penimbang sambungan dari Zijke unit Yk
∇Wkj : Selisih antara Wkj(t) dengan Wkj(t+1)
Vi0 : Nilai penimbang sambungan pada bias untuk unit Zi Vij : Nilai penimbang sambungan dari unit Xike unit Zi
∇Vij : Selisih antara Vij(t) dengan Vij(t+1)
δk : Faktor pengaturan nilai penimbang sambungan pada lapisan keluaran
δj : Faktor pengaturan nilai penimbang sambungan pada lapisan tersembunyi α : Konstanta laju pelatihan (learning rate) 0<α<1
E : Total galat T :Transmitance
I :Intensity of energy emerging Io :Energy incident on the sample A :Absorbance
R :Reflectance
PENDAHULUAN
Latar Belakang
Minyak jarak pagar merupakan salah satu bahan bakar nabati yang prospektif untuk dikembangkan di tengah berkurang dan kelangkaan bahan bakar
fosil. Jarak pagar relatif mudah ditanam, toleransinya tinggi terhadap berbagai jenis tanah dan iklim serta produksi minyaknya tinggi yaitu 25-40% dari berat biji (Setiadi dan Suranto 2009). Keuntungan lain minyak jarak pagar adalah ramah lingkungan, tidak mencemari air, udara, maupun tanah karena mudah terurai secara biologi, dan bahan bakunya dapat diperbaharui (Prasetyoet al. 2007). Nilai energi minyak jarak 40.31 MJ/kg (Jefferson et al. 2009) sedangkan nilai energi minyak diesel adalah 42.49 MJ/kg (Kumar & Sharma 2008).
Jarak pagar dikembangkan dalam skala industri dan pertanian rakyat dan utamanya sebagai bahan baku (feedstock) dalam pembuatan biodiesel. Belum adanya standar panen dan tingginya variasi tingkat kematangan dalam satu tandan buah jarak pagar membuat kualitas jarak pagar menjadi sangat beragam. Dalam proses pembuatan biodiesel dari biji jarak dibutuhkan kualitas biji jarak yang baik dan seragam. Parameter umum yang digunakan sebagai penentu kualitas biji jarak adalah kandungan minyak,Free Fatty Acid(FFA) dan kadar air, karena parameter ini akan menentukan proses, rendemen dan kualitas biodiesel.
Tingkat variasi mutu hasil panen jarak pagar yang tinggi berdampak pada variasi harga jual jarak pagar yang tinggi. Hal ini menimbulkan keengganan bagi petani dan produsen jarak pagar dalam mengembangkan usahanya. Kondisi ini dapat berdampak pada kemunduran dalam pengembangan bahan bakar nabati sehingga diperlukan teknologi yang dapat mengklasifikasi keragaman kualitas dan
mutu jarak pagar secara kuantitatif untuk menjamin stabilitas harga jual jarak pagar.
pengukuran mutu jarak pagar secara nondestruktif dengan menggunakan Near
Infrared Reflectance(NIR).
Near Infrared Reflectance (NIR) memiliki beberapa keuntungan dibandingkan analisa kimia secara tradisional antara lain: secara nondestruktif, dapat melakukan analisa sampel hingga kedalaman 2-5 milimeter, dapat mendeteksi berbagai komponen dengan satu data spektra (Arnold et al. 2002, dalam McLeod et al. 2009) dan dapat menentukan sifat fisik dan kimia bahan (Büning-Pfaue 2003). Kelebihan lain dari NIR adalah tidak memerlukan banyak perlakuan terhadap sampel dan tanpa menghasilkan limbah yang dapat mencemari lingkungan (Büning-Pfaue 2003).
Hingga saat ini, penggunaan teknologi NIR untuk produk pertanian sudah banyak dilakukan oleh industri dan para peneliti, seperti pendugaan tingkat ketuaan dan kematangan sawo menggunakan NIR pada kisaran gelombang 1400-2000 nm (Senduk 2002), Shaoet al. (2007) melakukan penentuan kualitas yogurt. Liu Fet al.(2009) melakukan penentuan jenis teh susu instan sedangkan Liet al. (2007) menentukan varietas bayberry China. Namun pada umumnya teknologi NIR digunakan untuk menentukan kualitas suatu produk secara kualitatif dengan menggunakan rentang panjang gelombang NIR secara terbatas atau parsial, kondisi ini memberikan nilaierrorpada nilai duga NIR yang cukup tinggi karena tidak melibatkan lebih banyak informasi yang terdapat pada rentang panjang gelombang NIR.
Pada penelitian ini dilakukan penentuan mutu biji jarak secara kuantitatif terhadap parameter mutu biji jarak pagar (kandungan minyak, FFA, dan kadar air) dengan menggunakan rentang panjang gelombang NIR pada kisaran 1000-2500 nm. Penggunaan panjang gelombang dengan rentang yang lebih lebar dimaksudkan untuk mendapatkan informasi yang lebih banyak dari karakteristik biji jarak dan mengakomodir aktifitas molekul penyusun parameter mutu biji jarak tersebut sehingga diharapkan nilaierrorpendugaannya dapat lebih kecil.
Keberhasilan dalam pendugaan kandungan organik bahan pertanian
3
Tingginya nilai error pendugaan NIR banyak disebabkan oleh perlakuan dan pengolahan data seperti penggunaan model kalibrasi multivarian yang berdasarkan kelinearan hubungan antara nilai referensi dengan nilai reflektan suatu spektra. Penggunaan model kalibrasi multivarian ini adalah metode yang paling umum digunakan dalam pengolahan data reflektan NIR. Seiring dengan perkembangan teknologi, saat ini juga sudah dilakukan beberapa penelitian penggunaan metode lain seperti jaringan saraf tiruan (JST) untuk mengolah data
NIR, karena JST merupakan salah satu model yang dapat menghubungkan dua set data tidak dalam hubungan linear. Namun hingga saat ini penggunaan JST dalam menjelaskan nilai spektra NIR baik secara kualitatif maupun kuantitatif masih sangat sedikit, bahkan beberapa instrumen NIR keluaran terbaru sekali pun masih belum melengkapi instrumennya dengan model JST untuk pengolahan datanya, walau pun beberapa literatur menyatakan bahwa hubungan antara nilai reflektan dengan komposisi kimia bahan organik tidak linear. Pada penelitian ini dilakukan
pengolahan data dengan model kalibrasi yang tidak berdasakan linearitas dalam hal ini menggunakan JST.
Berdasarkan hal-hal di atas, maka penelitian penentuan kandungan kimia biji jarak pagar dalam mendukung pengembangan bahan bakar nabati dengan metode nondestruktif perlu dilakukan, guna menjamin mutu dan kualitas biji jarak serta keberlangsungan pengembangan bahan bakar nabati. Penentuan nilai mutu secara kuantitatif dengan lebih cepat dan lebih baik dengan melibatkan rentang
Tujuan Penelitian
Secara umum tujuan penelitian ini adalah menentukan mutu jarak pagar secara nondestruktif dengan menggunakan NIR dan jaringan saraf tiruan. Sedangkan tujuan spesifik dari penelitian ini meliputi:
1. Mempelajari mutu utama jarak pagar (kandungan minyak, nilai FFA dan kadar air biji jarak pagar) secara nondestruktif dengan menggunakan NIR
spectroscopy.
2. Menentukan hubungan antara parameter mutu dengan spektra NIR yang didapatkan dan membangun model penduga dengan menggunakan jaringan saraf tiruan.
3. Melakukan validasi terhadap model jaringan saraf tiruan untuk menduga parameter mutu dari jarak pagar secara nondestruktif dengan menggunakan gelombang NIR.
Manfaat Penelitian
pada perbedaan ciri-ciri dan kandungan minyak jarak pagar, cirri-ciri fisik meliputi berat, panjang, lebar dan tebal kapsul (Kaushiket al. 2007)
Tingkat kebutuhan air jarak pagar dibedakan menjadi 4 tingkatan yaitu kondisi awal, masa pertumbuhan, masa berbunga dan masa panen. Dengan nilai secara berurutan 20.67%, 28.83, 14.4% dan 36.05% dari total air optimal (100%) yang diberikan. Laju konsumsi air rata-rata tanaman jarak pagar adalah 6 liter/minggu. Jika jumlah air yang diberikan dikurangkan/dilebihkan dari kondisi
optimal maka akan berdampak pada produktivitas dan nilai minyak pada biji jarak pagar (Kheira & Atta 2009).
Minyak Jarak Pagar
Secara kimia minyak jarak pagar tersusun dari trigliserida dan asam-asam lemak linear dengan ikatan tunggal dan rangkap (Manurung 2006). Struktur kimia minyak jarak pagar adalah sebagai berikut:
Gambar 2. Struktur kimia minyak jarak pagar.
Menurut Augustus et al. (2002) biji jarak pagar mengandung minyak 19.0%, polyphenol 4.7% dan hidrokarbon 3.9 %. Nilai panas biji jarak pagar pada
kadar air 0% adalah 20.85 MJ/kg, minyak jarak pagar 37.83 MJ/kg dan hidrokarbon 40.63 MJ/kg. Sedangkan menurut Jeffersonet al.(2009) nilai energi minyak jarak 40.31 MJ/kg pada kadar air 0.052 % dengan nilai asam 8.45 mgKOH/g dan berat jenis 921.5 kg/m3 pada suhu 15oC. Sedangkan nilai kalor minyak diesel adalah 42.49 MJ/kg.
H2C-O-C-(CH2)16-CH3
HC-O-C-(CH2)7CH=CH(CH2)7CH3
H2C-O-C-(CH2)7CH=CHCH2CH=CH(CH2)4CH3 O
7
Free Fatty Acid(FFA)
Kandungan FFA mempunyai dampak yang signifikan pada proses tranesterisifikasi gliserida dengan menggunakan katalis alkohol (Goodrum 2002).
Kandungan FFA yang tinggi (>1% w/w) akan membentuk busa sabun dan sulit dipisahkan dari biodiesel yang dihasilkan. Hal tersebut berdampak pada rendahnya kualitas bidiesel yang dihasilkan. Kandungan FFA dalam minyak jarak mentah (crude jatropha curcas oil(CJCO)) sangat dipengaruhi oleh kondisi bahan bakunya (Berchmans & Hirata 2008). Menurut Akintayo (2004) minyak jarak pagar dapat diklasifikasikan kedalam grup asam lemak oleic dan linoleik.
Tabel 1. Komposisi asam lemak dalam biji jarak pagar Asam
lemak
Nama Formula Struktura Komposisi (%)
Palmitic Hexadacanoic C16H32O2 16:0 14.1* 19.5 ± 0.8** Stearic Octadacanoic C18H36O2 18:0 6.7* 6.8±0.6** Oleic
Cis-9-*) Augustus et al. 2002, *Cis-9-*)Akintayo 2004
a) Carbon dalam rantai : ikatan rangkap
Menurut Sirisomboon dan Kitchaiya (2009) perlakuan panas pada proses ekstraksi minyak jarak pagar dapat meningkatkan rendemen minyak jarak, namun bilangan asam akan naik yang mencerminkan meningkatnya nilai FFA dari minyak yang dihasilkan, kondisi ini tentunya kurang baik jika akan digunakan sebagai bahan baku pembuatan biodiesel. Perlakuan suhu 40oC menghasikan kandungan minyak pada kernel biji jarak 36.83% dengan bilangan asam 0.350,
sedangkan dengan perlakuan suhu 80oC menghasilkan minyak 47.06% dengan bilangan asam 1.322.
Kadar Air
Near Infrared dan Aplikasinya
Prinsip Dasar NIR Spektroskopi
Infrared merupakan radiasi elektromagnetik yang berada pada kisaran panjang gelombang 750-25000 nm, terletak diantara sinar tampak dan gelombang mikro. Infrared dibedakan menjadi 3 yaitu near infrared, mid infrared dan far
infrared. Near infrared berada pada kisaran panjang gelombang 750-2600 nm (Murray & Williams 1990). Near infrared banyak digunakan untuk menentukan kandungan kimia suatu bahan organik, karena ikatan molekul bahan organik sangat peka pada kisaran panjang gelombangnear infraredtersebut.
Semua bahan organik terdiri dari atom-atom, utamanya karbon, oksigen, hydrogen, nitrogen, pospor dan sulfur. Atom-atom tersebut terikat secara kovalen dan elektrovalen untuk membentuk molekul. Ketika molekul-molekul tersebut disinari dengan sumber energi dari luar, maka molekul-molekul tersebut mengalami perubahan energi potensial (Murray & Williams 1990). Radiasi elektromagnetik dapat ditampilkan dalam bentuk frekuensi ( ) panjang
gelombang (λ)dan jumlah gelombang ( ), namun yang umum digunakan adalah dalam bentuk panjang gelombang dalam satuan nanometer (nm) dan jumlah gelombang dalam satuan cm-1. Untuk mengkonversi dari satuan jumlah gelombang ke panjang gelombang dapat menggunakan persamaan berikut :
( ) = , ,
( )……….………. (1)
Menurut Hruschka (1990) NIR berada pada kisaran panjang gelombang 700-3000 nm, tetapi yang banyak digunakan dalam berbagai aplikasi pada kisaran panjang gelombang 1000-2600 nm.
Intensitas yang diserap oleh molekul dapat digambarkan dalam
transmittancesebagai berikut:
= = 10 ……….…….(2)
Menurut Hukum Beer-Lambert, jumlah intensitas yang diserap oleh bahan atauAbsorbance(A) dinyatakan dengan persamaan:
9
Dimana k adalah penyerapan molekul, c adalah konsentrasi dari penyerapan molekul, dan l adalah jarak antara sumber energi penyinaran ke sampel. Dalam NIR spectroscopy, reflektan analog dengan transmittance (T) (Murray & Williams 1990) untuk produk cair, maka:
= log …….………..….(4)
Semua makanan dan bahan makanan yang berasal dari tumbuhan dan hewan terdiri dari unsur yang mengandung kelompok-kelompok dari atom-atom
yang diserap dalam wilayah near infrared. Diantaranya –CH-, -OH-, -NH- dan kelompok lainya. kelompok CO, CH dan NH mencerminkan kandungan minyak, kelompok OH pada panjang gelombang 970, 1190, 1450 dan 1940 nm mencerminkan kandungan air (Luck 1974 dalam Büning-Pfaue 2003) dan CH mencerminkan kandungan asam lemak pada panjang gelombang 1200, 1400, 1725, 1750, 2300 dan 2340 (Cozzolinoet al.2005).
Menurut Hruschka (1990) puncak spektra untuk kadar air terjadi pada panjang gelombang 1450 nm dan 1940 nm, air sangat kuat dalam menyerap spektra dan pada panjang gelombang 1940 nm terpisah dari serapan komponen lain sehingga peningkatan serapan spektra terlihat sangat jelas.
Kedalaman daya tembus dari NIR dipengaruhi oleh panjang gelombang yang diberikan, dari hasil penelitian Lammertynet al. (2000) yang mengukur daya tembus cahaya NIR pada berbagai panjang gelombang terhadap buah apel adalah sampai kedalaman 4 mm pada kisarang panjang gelombang 700-900 nm dan 2-3
mm pada kisaran panjang gelombang 900-1900 nm.
Aplikasi NIR dalam Bidang Pertanian
Penentuan nilai total padatan terlarut dan kemanisan buah pear telah dilakukan oleh Liu et al. (2008) dengan menggunakan Vis-NIR pada kisaran panjang gelombang 350-1800 nm dan menggunakan model kalibrasi MLR, PCR
0.854 denganRoot Mean Square Error of Prediction(RMSEP) sebesar 0.662 dan 1.232oBrix.
Steuer et al. (2001) melakukan analisa terhadap minyak jeruk dengan menggunakan NIR spectroscopy, minyak yang terdiri dari ikatan C-H memperlihatkanstretching dan deformasi pada kisaran panjang gelombang 1634-1766 nm dan 2250-2350 nm.
Senduk (2002) melakukan penentuan tingkat ketuaan dan kematangan
sawo dengan jaringan saraf tiruan dan spektrum infra merah dekat yang telah memberikan hasil pendugaan dengan RMSE 0.0077 sampai 0.00073.
Susanto (2000) melakukan kalibrasi pantulan infra merah dekat dengan jaringan saraf tiruan untuk menduga konsentrasi sukrosa dan asam malat mangga gedong dengan hasil RMSEP antara 0.1170% sampai 0.2034% untuk pendugaan asam malat dan 0.1556% sampai 0.1773% untuk pendugaan nilai sukrosa.
Chen et al. (2009) memprediksi kandungan teh hijau dengan Fourier
Transform Near Infrared Reflectance (FT-NIR) spectroscopy dengan algoritma partial least squares(PLS) dengan nilai derajat korelasi (r) adalah 0.9852.
Analisa Komponen Utama
Analisis komponen utama merupakan teknikmultivariatetertua dan paling luas digunakan. Analisis komponen utama pertama kali diperkenalkan oleh Pearson (1901) dan secara terpisah oleh Hotelling (1933). Pemikiran dasar analisa
komponen utama adalah mendeskripsikan variasi sebuah set data multivariate dengan sebuah set data baru dimana variable-variabel baru tidak berkorelasi satu sama lain (uncorrelated). Variable-variabel baru merupakan kombinasi linear dari variable dasar. Variable-variabel baru diturunkan dalam arah menurun sehingga beberapa komponen pertama mengandung sebanyak mungkin variasi data asal. Karena beberapa komponen pertama sudah mengandung hampir seluruh variasi data asal, maka beberapa komponen utama pertama dapat digunakan untuk mempresentasikan data asal tanpa kehilangan informasi (Senduk 2002).
11
Dimana p merupakan contoh ke-p dan n merupakan variabel/parameter ke-n yang
diukur, analisis komponen utama bertujuan untuk mendapatkan sebuah ruang vektor berdimensi m, dimana m<n sehingga ruang vektor berdimensi m mencakup hasil seluruh variasi data. Untuk mendapatkannya, ruang vektor berdimensi n diproyeksikan ke dalam ruang vektor berdimensi m dengan memilih setiap komponen utama dalam arah vaiasi maksimum, akan tetapi komponen-komponen utama tersebut saling tegak lurus.
Algoritma analisis komponen utama (Patterson 1993) dapat dijelaskan sebagai berikut:
1. Komponen pertama pada persamaan 6 dipilih dalam arah variasi maksimum
= ……….…(6) Dimana y1dan w1merupakan vektor kolom
Nilai ini harus dibatasi karena variasi data dapat dibuat semakin besar dengan cara menaikan nilai w1. Pembatasan ini dilakukan dengan cara normalisasi menggunakan persamaan 7.
= = 1……….…….(7) Dimana w1’= vektor transpose w1
2. Jumlah kuadrat y1pada persamaan 8 dimaksimumkan.
= ……….……….….(8) Metode umum yang digunakan untuk memaksimumkan persamaan 8 diatas adalah persamaan Lagrange. Fungsi komposit L pada persamaan 8 dibentuk dengan menggunakan persamaan 6 dan 7 sebagai berikut:
= ( 1)……….(9)
Dimana λ1merupakan multiplier Lagrange. sedangkan nilai maksimum L diselesaikan dengan mengambil turunan parsial terhadap w1dan λ1 sama dengan nol pada persamaan 10 dan hasilnya pada persamaan 11.
= ………...………(11) Dari persamaan 11 dan 8, didapatkan persamaan 12.
= = = ……….(12)
Solusi y1merupakan komponen utama pertama dengan variasi maksimum
λ1dimana λ1juga merupakan nilai eigen X’X.
3. Untuk mendapatkan komponen utama y2, prosedur untuk mendapatkan y1 di atas digunakan, tetapi juga tegak lurus dengan y1sehingga
= ……….(13) 4. Jumlah kuadrat y2 pada persamaan 13 harus dimaksimumkan dengan dua
fungsi kendala pada persamaan 14.
= 1 dan = 0……….…(14)
Fungsi komposit Lagrange untuk memaksimalkan persamaan 13 dengan fungsi kendala pada persamaan 14 adalah:
= ( 1) ……….(15)
Dimana λ2dan μ merupakan multiplier Lagrangian
Turunan partial terhadap w2 sama dengan nol dilakukan seperti proses sebelumnya sehingga didapatkan
= 2 = 2 × 0 = 0 = ………..……(16)
5. Dengan melanjutkan proses tersebut di atas, nilai eigen λ1,λ2,λ3,…….λp yang berhubungan dengan matriks orthogonal (tegak lurus)
W=[w1,w2,w3,….., wp] dimana p komponen utama dari X didapatkan dari
Merupakan matrik diagonal. Karena Λ merupakan matriks diagonal maka komponen-komponen utama yang diekstrak dari variabel asal saling tegak lurus atau tidak berkorelasi satu sama lain.
6. Total variasi X dapat dijelaskan dengan persamaan 17 sebagai berikut:
+ + + = ( ) = ( ) =
13
7. Proporsi variasi komponen utama ke-j dari X dihitung dengan persamaan 18 sebagai berikut:
= ……….…..(18)
8. Komulatif variasi X dengan menggunakan komponen utama ke m
didapatkan dengan menjumlahkan nilai eigen ke-m dibagi dengan total variasi X yang dapat dilihat pada persamaan (19).
= ……….(19)
Jaringan Saraf Tiruan dan Aplikasinya
Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan sebuah struktur komputasi yang dikembangkan dari proses sistem jaringan saraf biologi di dalam otak manusia. Pada dasarnya jaringan saraf tiruan terdiri dari beberapa lapisan yaitu sebuah
lapisan input, satu atau lebih lapisan terselubung dan sebuah lapisan output, setiap lapisan teridiri dari beberapa simpul (node). Simpul merupakan unit komputasi yang paling sederhana dalam setiap lapisan dan terhubung satu sama lain. Setiap hubungan tersebut diekspresikan dengan sebuah bilangan yang disebut bobot. Setiap lapisan,nodemenerima input dari lapisan sebelumnya dan hasil outputnya akan menjadi input pada lapisan berikutnya. Simpul dan bobot dalam jaringan saraf tiruan dapat dilihat pada Gambar 3.
Aspek non-linear pemodelan jaringan saraf tiruan berhubungan erat dengan fungsi transfer yang diaplikasikan pada kombinasi linear setiap node. Fungsi transfer yang umum digunakan adalah fungsi sigmoid, linear dan tangen hiperbolik.
Kemampuan dasar jaringan saraf tiruan adalah mempelajari contoh input dan output yang diberikan dan kemudian belajar beradaptasi dengan lingkungan. Masalah-masalah yang tidak dapat dipecahkan dengan komputasi konvensional
input dan output belum diketahui dengan jelas, permasalahan seperti ini sering dijumpai pada aplikasi pertanian.
Gambar 3. Struktur jaringan saraf tiruan
Jaringan saraf tiruan merupakan teknik komputasi yang efektif untuk berbagai permasalahan seperti pengenalan contoh (termasuk pengenalan suara dan citra), klasifikasi, komparasi dua data, optimasi, pemodelan dan peramalan,
pemecahan permasalahan kombinational, adaptive control, dan mutisensor data
fusion. Keuntungan jaringan saraf tiruan yang tidak didapatkan pada sistem komputasi konvensional adalah dapat memecahakan permasalahan non-linear, dapat memperkecil kesalahan, perhitungan secara paralel dan cepat, dan kemampuan generalisasi yang baik.
Metode pelatihan jaringan saraf tiruan dapat diklasifikasikan menjadi tiga yaitu: supervised, reinforcement, dan unsupervised. Pada metode pelatihan
supervised, diasumsikan seorang guru hadir selama proses pelatihan dan setiap contoh yang diberikan terdiri dari nilai input dan nilai target/referensi. Selama proses pelatihan, nilai output hasil perhitungan jaringan saraf tiruan dibandingkan dengan nilai target untuk menentukan besarnya galat. Galat tersebut digunakan
X1
X2
X3
Xn
H1
H2
H3
Hn
O1 Wjk
15
untuk mengubah parameter jaringan saraf tiruan sehingga dapat meningkatkan kenerja jaringan saraf tiruan. Proses pelatihan ini tercapai jika galat pada setiap contoh yang diberikan telah diperkecil pada tingkat yang dapat diterima. Algoritma pelatihan yang digunakan supervised ini adalah delta rule,
backpropagation, hebbiandan stokastik.
Pada metode pelatihan reinforcement, juga diasumsikan seorang guru hadir selama proses pelatihan, tetapi nilai target tidak diberikan ke dalam jaringan
saraf tiruan. Jaringan saraf tiruan hanya diberikan indikasi apakah nilai output jaringan saraf tiruan benar atau salah. Jaringan saraf tiruan harus menggunakan indikasi ini untuk memperbaiki kinerja jaringan. Algoritma yang menggunakan metode pelatihan ini adalahlearning automata.
Pada metode pelatihan unsurvised, diasumsikan tidak adanya guru yang hadir selama proses pelatihan. Contoh yang diberikan kedalam jaringan hanya terdiri dari nilai input tanpa nilai target. Sistem harus belajar menemukan dan
beradaptasi terhadap perbedaan dan persamaan di dalam nilai input yang diberikan.
Algoritma pelatihan backpropagation dipilih pada penelitian ini karena mempelajari contoh dan memproses data input non-biner. Algoritma ini merupakan algoritma jaringan saraf tiruan yang paling umum digunakan. Sebelum jaringan saraf tiruan digunakan, perlu dilakukan proses pelatihan dan validasi.
Algoritma pelatihan backpropagation (Fu 1994, di dalam Senduk 2002) dapat dijelaskan sebagai berikut :
1. Inisialisasi bobot
Pertama bobot dipilih secara acak, kemudian sinyal input diberikan ke dalam simpul input dan jaringan saraf tiruan mengirim sinyal ke simpul pada lapisan di depannya.
2. Perhitungan nilai aktivasi
Untuk setiap simpul dalam lapisan terselubung, jumlah nilai input dihitung dengan cara menjumlahkan seluruh hasil perkalian antara node input dengan bobotnya mengikiti persamaan 20.
= ( 1) ……….…………(20)
p : indek pasangan input output yang dipilih dari set pelatihan
NetLpi : net input dari noda ke-i pada lapisan L yang berhubungan dengan contoh ke-p
O(L-1)nj: output simpul ke-j pada lapisan L dikurangi 1. (L-1) berhubungan dengan contoh ke-p
Wij : bobot yang menghubungkan noda ke-j pada lapisan L-1 dengan simpul ke-i pada lapisan L
Jika semua bobot pada lapisan ini telah menerima net input, langkah selanjutnya adalah memasukan nilai net input setiap simpul ke dalam fungsi aktivasinya. Fungsi aktivasi yang digunakan adalah fungsi sigmoid sebagai berikut:
= ………...….(21)
3. Pelatihan nilai bobot
Nilai aktivasi merambat menuju lapisan di depannya seperti proses di atas
sampai lapisan output tercapai. Nilai output dari setiap simpul pada lapisan output hasil perhitungan jaringan saraf tiruan dibandingkan dengan nilai target. Galat dihitung berdasarkan nilai output jaringan dan nilai target pada persamaan 22 sebagai berikut;
= ………..….(22) Dimana :
Ep : nilai galat pasangan ke-p
Opi : nilai output jaringan saraf tiruan noda ke-i untuk pasangan ke-p Tpi : nilai target ke-i pada pasangan p
Algoritma ini memperkecil galat dengan cara perambatan balik, dan pada setiap lapis dilakukan perubahan bobot dengan menggunakan metode
matematika yang disebut delta rule. Perubahan bobot diberikan oleh persamaan 23 sebagai berikut:
= ……….…….(23)
Dimana :
17
δLpi : galat output ke-i pada layar L untuk persamaan ke-p
Galat padanodeoutput dituliskan dalam persamaan 24 sebagai berikut:
= 1 ………..(24)
Galat padanodedi dalam lapisan terselubung adalah;
= 1 ( + 1) ………...(25)
Dimana:
δ(L+1)pk : galat simpul k pada satu lapisan didepan lapisaan L untuk pasangan ke-p
Wki : bobot dari simpul i ke noda k pada lapisan di depannya
Laju pelatihan ataulearning rate harus dipilih antara 0 sampai 0.9. laju pelatihan menentukan kecepatan pelatihan sampai jaringan saraf tiruan mencapai keadaan optimal. Prinsip dasar algoritmabeckpropagation adalah memperkecil galat sehingga mencapai minimum global. Minimum lokal merupakan salah satu keadaan dimana galat sistem turun tetapi bukan merupakan solusi yang baik bagi jaringan saraf tiruan tersebut.
Pemilihan laju pelatihan merupakan suatu hal yang sangat penting, karena laju pelatihan yang besar akan membuat jaringan saraf tiruan melompati minimum lokal, akan tetapi sistem akan berosilasi sehingga tidak mencapai konvergensi. Sebaliknya laju pelatihan yang kecil
menyebabkan sistem terjebak dalam minimum lokal dan memerlukan waktu yang lama dalam pelatihan. Untuk menghindari hal tersebut maka suatu konstanta momentum yang besarnya antara 0 sampai 0.9 ditambahkan ke dalam sistem. Dengan cara ini laju pelatihan bisa dipilih cukup besar dan osilasi sistem dapat diminimumkan. Perubahan nilai bobot setelah ditambahkan momentum dihitung berdasarkan persamaan 26 sebagai berikut:
W = L OL + OLD W ………...(26)
Dimana:
NEW∆pWij : perubahan nilai bobot baru pada pasangan ke-p OLD∆pWij : perubahan nilai bobot lama pada pasangan ke-p
α : konstanta momentum
W = OLD W + W ………...(27)
Dimana:
NEWpWij : nilai bobot baru pada pasangan ke-p OLDpWij : nilai bobot lama pada pasangan ke-p 4. Pengulangan
Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi sampai sistem mencapai keadaan optimum. Iterasi tersebut mencakup pemberian contoh atau pasangan input output, perhitungan nilai aktivasi, dan perubahan nilai bobot.
Jika jaringan saraf tiruan sudah dilatih untuk memecahkan suatu permasalahan maka jaringan saraf tiruan tersebut harus divalidasi. Proses validasi merupakan proses pengujian kinerja jaringan saraf tiruan terhadap contoh yang pernah diberikan ke dalam jaringan. Proses ini dilakukan dengan cara memasukan sebuah set contoh input output kedalam sistem yang hampir sama dengan contoh input output pada set pelatihan. Dengan contoh baru ini kita memasukan contoh
input dan membandingkan output jaringan saraf tiruan dengan nilai target pada set validasi. Kinerja jaringan saraf tiruan dinilai berdasarkan galat pada set validasi. Apabila jaringan saraf tiruan sudah berhasil dilatih dan divalidasi dengan baik maka jaringan saraf tiruan tersebut dapat digunakan untuk aplikasi.
Aplikasi Jaringan Saraf Tiruan
JST pada dasarnya digunakan untuk model yang tidak linear, JST sangat baik digunakan sebagai peralatan untuk melakukan analisa karena mempunyai
algoritma yang fleksibel, bisa dilatih dengan cepat dan toleran terhadap error yang besar, dengan berbagai kelebihan yang dimiliki oleh JST ini sehingga banyak digunakan dalam berbagai aplikasi.
Menurut Shao et al. (2007) penggunaan JST memberikan nilai derajat diterminasi (r2) dan RMSEP yang lebih baik dibandingkan PLS dalam melakukan analisa data NIR dalam penentuan kualitas yogurt. Penentuan kandungan gula dan
19
Senduk (2002) menggunakan kombinasi masukan 5, 10 dan 15 komponen utama spektra NIR dengan lapisan tersembunyi jaringan saraf dengan kombinasi 4, 6, 8, 10 dan 12 node menghasilkan RMSE 0.0077 sampai 0.00073 untuk menduga tingkat kematangan dan ketuaan sawo.
Susanto (2000) melakukan kombinasi data input antara komponen utama spektra NIR dengan umur panen mangga gedong, dengan menggunakan masukan komponen utama mangga gedong saja didapatkan nilai RMSEP 0.1170 sampai
0.2034% untuk asam malat dan 0.1556 sampai 0.1773% untuk sukrosa. Sedangkan dengan menambahkan umur panen pada layer input maka didapatkan nilai RMSEP 0.0699 sampai 0.1464% untuk asam malat dan 0.1483 sampai 0.1885% untuk sukrosa.
Liuet al. (2009) membandingkan model kalibrasi dan model penduga total padatan terlarut (TPT) buah jeruk dengan menggunakan PLSR dan principal
component analysis-back propagation neural network (PCA-BPNN) dengan data spektra yang diolah dengan dua metode yaitu multiplicative scatter correlation (MSC) danstandard normal variate correlation (SNV) memberikan hasil seperti pada Tabel 2.
Tabel 2. Perbandingan model kalibrasi PLSR dengan PCA-BPNN
Metode Pengolahan
PCA-BPNN MSC 7 0.94 0.45 0.90 0.68
PCA-BPNN SNV 8 0.94 0.45 0.91 0.71
Sumber : Liuet al. (2009)
Liu Fet al. (2009) telah berhasil mentukan beberapa jenis teh susu instan dengan golombang visible/near infrared (400-100 nm) dan bacpropagation
neural network(BPNN) dengan nilai error ±0.1.
(PCA-ANN) dengan panjang gelombang 400-1000 nm dan mampu mendeteksi 95% sampel dengan benar.
METODE PENELITIAN
Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Maret–Juni 2010, di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, FATETA-IPB, dan di Laboratorium Pascapanen Balai Besar Pengembangan Mekanisasi Peratnian, Badan Litbang, Kementerian Pertanian.
Bahan dan Alat Penelitian
Bahan
Bahan yang digunakan dalam penelitian ini adalah jarak pagar dari Kebun
Percobaan Natar, Balai Pengkajian Teknologi Pertanian (BPTP-Lampung), Badan Litbang, Kementerian Pertanian. Natar, Provinsi Lampung.
Bahan kimia yang digunakan dalam penelitian ini meliputi heksan, alkohol 95%, phenolphthalein 1% dan NaOH 0.1 N.
Alat
Alat yang digunakan dalam penelitian ini adalah :
1. Satu unit NIR Spectroscopy merek NIRFlex N-500, diproduksi oleh BÜCHI Labortechnik AG, Switzerland.
2. Soklet Aparatus (Soklet, labu lemak 250 ml, hot plate, selang, kertas saring)
3. FFA Aparatus (Buret, pipet, pengaduk, pinset, gelas ukur 100 ml, erlemeyer 350 ml)
4. Peralatan pendukung (Static stand, Oven, timbagan digital (0-200 gram, ketelitian 0.001 gram), thermometer,stopwatch)
5. Kantong plastik
5. STOP button 6. Internal reference
11. Rotary plate 16. Mirror 2
Prosedur pengukuran adalah minyak yang akan diuji ditimbang 2-5 gram dalam Erlemeyer 350 ml, ditambahkan 50 ml alkohol netral 95%, kemudian dipanaskan selama 10 menit dalam pemanas air sambil diaduk. Setelah ditambahkan indikator phenolphthalein 1%, larutan dititrasi dengan larutan NaOH 0.1 N sampai tepat berwarna merah jambu yang tidak hilang dalam beberapa detik. Selanjutnya jumlah NaOH (mg) yang digunakan untuk menetralisir asam lemak bebas dalam 1 gram minyak atau lemak di hitung.
Perhitungan :
= × × . ………(28)
(%) = × × . ………(29)
Keterangan :
A = Jumlah NaOH untuk titrasi (ml) N = Normalitas larutan NaOH
M = Bobot molekul asam lemak (asam oleat = 282 gr/mol) G = Bobot sampel (gram)
56.1 = Bobot molekul NaOH
Pengukuran kadar air (thermogravimetri)
Pengukuran kadar air biji jarak dilakukan dengan metode
thermogravimetri. Prosedur pengukuran adalah cawan kosong dan tutupnya dikeringkan dalam oven dengan suhu 105oC selama 15 menit dan didinginkan dalam disikator selama 10 menit, kemudian ditimbang. Sampel yang sudah diambil data spektranya ditimbang ± 25-30 gram kemudian dimasukan kedalam cawan dan ditimbang tanpa tutup. Cawan beserta isi dan tutupnya kemudian dimasukan kedalam oven dengan suhu 105oC selama 6 jam. Selanjutnya cawan
dimasukan ke desikator, ditutup lalu didinginkan dan kemudian ditimbang kembali. Cawan dikeringkan kembali di dalam oven sampai memperoleh berat yang tetap.
Perhitungan kadar air menggunakan persamaan berikut :
25
Pengukuran kadar lemak (AOAC 2005)
Analisa kadar lemak dilakukan dengan metode ekstraksi Soxhlet. Labu lemak yang ukurannya sesuai dengan alat exstraksi Soxhlet dikeringkan dalam oven, didinginkan dalam desikator dan kemudian ditimbang. Sebanyak 5 gram sampel yang telah dihilangkan kadar airnya ditimbang dan dibungkus dalam saringan timbel. Timbel berisi sampel dimasukan ke dalam alat ekstraksi Soxhlet, kemudian alat kondensor dipasang di atasnya dan labu lemak dipasang di
bawahnya. Pelarut lemak (heksan) dituang ke dalam labu lemak secukupnya. Proses dilakukan selama minimal 5 jam sampai pelarut yang turun kembali ke dalam labu lemak berwarna jernih. Pelarut yang tertampung dalam lemak kemudian didestilasi dan ditampung. Labu lemak yang berisi lemak hasil ekstraksi dipanaskan dalam oven 105oC. Timbal berisi sampel dikeringkan dalam oven, didinginkan dalam desikator, dan ditimbang hingga mencapai berat konstan.
Perhitungan yang dilakukan untuk mendapatkan kadar lemak bahan adalah
sebagai berikut:
(%) = ( )
( )× 100%...(31)
Pengembangan Model Jaringan Saraf Tiruan untuk Pendugaan Kandungan Kimia Biji Jarak
Data spektra NIR yang digunakan untuk pengembangan model JST adalah data reflektan dari biji jarak, data dikeluarkan dari komputer pengambilan data spektra dalam bentuk *.txt yang selanjutnya dirubah kedalam format *.xls.
Sebelum data digunakan dalam program JST terlebih dahulu data diperlakukan dengan normalisasi (0-1) dan PCA. PCA digunakan untuk menghasilkan variabel baru dengan jumlah yang lebih sedikit. Dalam model JST, data spektra akan digunakan sebagai variabel input dengan jumlah 1500 data spektra, jumlah data yang sangat banyak akan menyulitkan kenerja JST sehingga dibangkitkan parameter baru dengan PCA untuk mendapatkan variabel yang lebih sedikit tanpa
menghilangkan informasi yang dibawa oleh spektra tersebut.
Model jaringan saraf tiruan yang digunakan dalam penelitian ini adalah model jaringan feed-forward multi layerdengan menggunakan algoritma terlatih
lapisan tersembunyi dan output. Sedangkan input data akan menggunakan dilai spektra yang sudah disederhanakan dengan PCA.
Algoritma ini juga disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut : ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke lapisan keluaran. Kemudian lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan
keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan kelapisan masukan.
Gambar 6. Skematik diagram jaringan saraf tiruan.
Pelatihan Jaringan Saraf Tiruan
Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf tiruan itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru bisa dilakukan jika proses pelatihan
tersebut selesai, fase tersebut adalahfase mappingatau fase pengujian.
Algoritma pelatihan back propagation (BP) terdiri dari dua proses, feed
forwarddanback propagationdari galatnya. Dengan tahapan sebagai berikut : Langkah 0:
- Pemberian inisialisasi penimbang (diberi nilai kecil secara acak)
27
Lankah 1:
- Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi terpenuhi Langkah 2:
- Untuk masing-masing pasangan data peltihan (training data) lakukan langkah 3 hingga 8
Propagasi maju (feed forward) Langkah 3:
- Masing-masing unit masukan (Xi, i=1,2,………….n) menerima sinyal masukan Xi dan sinyal tersebut disebar ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi)
Langkah 4:
- Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasnya :
_ = + . (32)
Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:
= _ ……….(33) Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:
= 1
1 + _ . . . (34)
Kemudian mengirim sinyal tersebut ke semua unit keluaran
Langkah 5:
- Masing-masing unit keluaran (Yk, k=1,2,3………m) dikalikan dengan faktor penimbang dan dijumlahkan :
_ = + (35)
Menghitung kembali sesuai dengan fungsi aktifasi:
Back Propagationdan galatnya Langkah 6:
- Masing-masing unit keluaran (Yk, k=1,2,3………m) menerima pola target sesuai dengan masukan saat pelatihan dan hitung galatnya:
= ( ) ( _ )………..……….(37)
Karena f’(Y_ink) = Ykmenggunakan fungsisigmoid, maka:
( _ ) = ( _ ) 1 ( _ ) ………...………..(38)
( _ ) = (1 )
Menghitung perbaikan faktor penimbang (kemudian untuk
memperbaiki Wjk)
= . ……….……….(39)
Menghitung perbaikan koreksi :
= . ……….………(40) Dan menggunakan nilai∂kpada semua unit sebelumnya.
Langkah 7:
- Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zk,
J=1,2,3………p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.
_ = . . . . (41)
Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat
= _ _ ……….……….(42) Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij)
= ……….………….(43) Kemudian menghitung perbaikan bias (untuk memperbaiki Voj)
29
Langkah 8:
- Masing-masing keluaran unit (Yk, k=1,2……….,m) diperbaiki bias dan penimbangnya (j = 0,1, …………..p)
( ) = ( ) + ………(45)
Masing-masing unit tersembunyi (Zj, j=1,2……….,p) diperbaiki bias dan penimbangnya (j = 0,1,……….,n)
( ) = ( ) + ……….………..……….(46)
Langkah 9:
- Uji kondisi pemberhentian (akhir iterasi)
Validasi Model Penduga
Proses validasi digunakan untuk menguji tingkat keakuratan model jaringan saraf tiruan yang dibangun dengan menghitung nilai Root Mean of
Squared Error of Prediction(RMSEP):
=
1 . . . (47)
Jika dihasilkan nilai RMSEP masih besar maka dilakukan optimalisasi pada kombinasi struktur jaringan saraf tiruan hingga mendapatkan nilai RMSEP yang sangat kecil, seperti yang dapat dilihat pada blok diagram penelitian pada Gambar 7.
Pada penelitian ini program jaringan saraf tiruan yang digunakan adalah
Gambar 7. Blok diagram penelitian. Mulai
Persiapan : 1. Instrumen 2. Sampel
Pengukuran Nilai reflektan NIR
Sampel siap diukur
PCA
Pengukuran dengan metode standar sebagai acuan
Model kalibrasi dengan JST
Model JST terlatih
Pengukuran Nilai reflektan NIR
PCA
Model JST terlatih
Pengukuran dengan metode standartsebagai acuan
Nilai duga JST
VALIDASI
KALIBRASI VALIDASI
RMSEP <<<
Selesai Tidak
fourier sehingga menjadi data spektra reflektan sebagaimana yang terlihat pada Gambar 8a, sedangkan untuk merubah spektra reflektan (R) menjadi absorban yaitu dengan cara mentranspormasi dengan log(1/R). Sebelum dilakukan pengolahan lebih lanjut maka data spektra mentah diberi perlakuan yang dapat mengurangi error yang terjadi selama pengambilan data spektra dan untuk memperjelas data spektra. Salah satu pengolahan spektra adalah dengan
menormalisasi data spektra ke dalam rentang 0-1. Hal ini dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan, spektra reflektan yang sudah di normalisasi (0-1) dapat dilihat pada Gambar 9.
Gambar 9. Spektra reflektan yang dinormalisasi 0-1.
Beberapa perlakuan terhadap data original spektra berupa normalisasi dan
derivatif dapat memperjelas karakteristik spektra yang dihasilkan seperti yang terlihat pada Gambar 10.
(a) (b)
Gambar 10. (a) reflektan-derivatif, (b) reflektan-normalisasi. Panjang gelombang (nm)
33
Perlakuan derivatif dan normalisasi memberikan pengaruh yang berbeda terhadap spektra aslinya. Pada perlakuan derivatif, akan diperjelas dengan menyatakan perbedaan nilai reflektan untuk tiap panjang gelombangnya sehingga perubahan yang besar akan menghasilkan suatu puncak pada nilai derivatifnya, puncak yang terbentuk menggambarkan kandungan kimia yang dikandung oleh bahan, karena setiap bahan yang memiliki kandungan kimia berbeda akan menyerap energi radiasi elektromagnetik yang berbeda, sehingga energi yang
direfleksikan juga akan berbeda. Sedangkan perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama.
Perlakuan data spektra setiap jenis bahan berbeda-beda, ketepatan pemberian perlakuan dan pengolahan data dalam NIR merupakan hal yang sangat penting untuk mencapai keberhasilan NIR dalam melakukan pendugaan kandungan organik suatu bahan. Pada Gambar 11 terlihat karakteristik spektra
untuk jenis sampel yang sama dilakukan 3 kali scan, Gambar 11a merupakan spektra reflektan yang belum diberikan perlakuan dan terlihat bahwa spektranya tidak berhimpit (sama) untuk sampel dengan kandungan kimia yang sama. Pada Gambar 10b dengan diberikan perlakuan spektra normalisasi 0-1, ketiga spektra menjadi berhimpit (sama) untuk bahan dengan kandungan kimia yang sama. Kondisi ini memperlihatkan bahwa setiap sampel akan menyerap energi dari radiasi NIR dengan secara proporsional (persentasenya sama tetapi jumlahnya
(a)
(b)
(c)
Gambar 11. (a) Spektra reflektan, (b) spektra reflektan-normalisasi, (c) reflektan derivatif pertama
1000 1200 1400 1600 1800 2000 2200 2400
wavelength (nm)
1000 1200 1400 1600 1800 2000 2200 2400
wavelength(nm)
1000 1200 1400 1600 1800 2000 2200 2400
35
Pada Gambar 11c dengan perlakuan derivatif, terlihat bahwa pada kisaran panjang gelombang 1000-1200 nm terdapat perbedaan nilai reflektannya, walau pada kisaran panjang gelombang 1200-2500 nm nilai reflektanya berhimpit untuk tiga spektra dengan komposisi kimia yang sama. Sehingga untuk penetuan karakteristik spektra biji jarak, perlakuan spektra yang digunakan adalah reflektan-normalisasi dan juga untuk memperjelas puncak spectra, perlakuannya
dapat ditambahkan derivatif pada reflektan yang sudah dinormalisasi sehingga menjadi reflektan-normalisasi-derivatif.
Kandungan kadar air bahan akan memberikan pengaruh yang sangat signifikan terhadap profil spektra, kelompok OH akan terlihat jelas pada panjang gelombang 970, 1190, 1450 dan 1940 nm mencerminkan kandungan air (Luck 1974, dalam Büning-Pfaue 2003). Kandungan air dalam biji jarak pagar juga memberikan karakteristik tersendiri terhadap bentuk spektranya seperti terlihat pada Gambar 12.
Gambar 12. Normalisasi reflektan pada beberapa tingkat kadar air.
Pada Gambar 12 dapat terlihat perbedaan nilai reflektan yang sudah dinormalisasi pada kisaran panjang gelombang 1450 nm dan 1900 nm, sampel dengan kandungan kadar air lebih tinggi akan memberikan nilai reflektan lebih rendah, karena energi yang diberikan dalam bentuk radiasi elektromagnetik pada
kisaran gelombang NIR lebih banyak diserap oleh ikatan O-H yang ada dalam biji jarak, sehingga jumlah yang direfleksikan menjadi sedikit. Hal yang sama juga terjadi pada beberapa tingkat kadar air, namun perbedaan kadar air tidak berbanding lurus dengan perbedaan nilai reflektannya, hal ini menunjukan ketidak linearan hubungan antara nilai reflektan dengan nilai referensinya.
0
Perlakuan derivatif akan memperlihatkan perubahan nilai spektra yang
terjadi pada setiap titik panjang gelombang dengan persamaan D’= ∆y/∆x. dengan melakukan perlakuan derivatif pada data reflektan-normalisasi, maka aktivitas air pada kisaran panjang gelombang 1180-1190 nm dapat terlihat dengan jelas.
Gambar 13. Spektra reflektan-normalisasi-derivativepertama.
Pada Gambar 13 terlihat bahwa pada kisaran panjang gelombang 1180 nm, dan 1900 nm puncak nilai reflektan terlihat dengan jelas, hal ini menunjukan kandungan kadar air dari biji jarak. Hubungan ketidak linearan data spektra juga terlihat jelas pada Gambar 11 dan 12, dari peningkatan kadar air yang tidak
sebanding (proporsional) dengan peningkatan nilai reflektannya.
Sifat Kimia Biji Jarak Pagar
Pengembangan model kalibrasi didasarkan pada nilai reflektan spektra dengan hasil pengukuran kandungan bahan secara destruktif dalam hal ini menggunakan metode kimia. Data pengukuran selengkapnya pada Lampiran 1, dalam pembuatan suatu model kalibrasi dibutuhkan data dengan sebaran yang
lebih lebar sehingga dapat mewakili kondisi sebenarnya.
Pengukuran mutu biji jarak pagar secara destruktif digunakan sebagai data referensi dalam pengembangan model kalibrasi, data ini sangat menentukan keberhasilan pendugaan nilai parameter mutu menggunakan NIR. Semua proses pengukuran pasti akan menghasilkan nilai error, termasuk pengukuran nilai
-0.02
1000 1200 1400 1600 1800 2000 2200 2400
37
destruktif terhadap parameter mutu biji jarak pagar. Untuk mengurangi error tersebut maka dilakukan proses pengukuran dengan menggunakan metode pengukuran yang sudah diakui secara umum, dalam hal ini menggunakan metode yang dikembangkan oleh AOAC.
Kesalahan atau error dalam pengukuran dapat disebabkan oleh beberapa hal antara lain metode pengukuran (destruktif dan nondestruktif), kesalahan pada alat ukur yang digunakan, dan kesalahan oleh operator dalam melakukan
pengukuran.
Pada penelitian ini, metode yang digunakan untuk melakukan pengukuran destruktif berdasarkan AOAC, sedangkan alat ukur yang digunakan dalam penelitian ini merupakan alat ukur yang sudah terstandarisasi dan terkalibrasi. Namun pengukuran destruktif dilakukan sendiri, hal ini dilakukan karena dari beberapa laboratorium yang dapat melakukan pengukuran parameter mutu dari biji jarak pagar yang ada dan yang sudah terakreditasi tidak menyanggupi
melakukan pengukuran dengan jumlah sampel yang diminta dalam waktu yang singkat (paling cepat 4 hari untuk satu sampel). Jarak pagar merupakan bahan pertanian yang masih belum banyak diteliti, sehingga sifat dan karakteristiknya pun masih belum banyak diketahui. Kekawatiran terjadinya perubahan karakteristik biji jarak pagar dalam waktu cepat selepas panen, mengharus pengukuran karakteristik biji jarak pagar dengan lebih cepat.
Pengukuran parameter mutu biji jarak pagar dilakukan dalam waktu 42
jam untuk 7 kali ulangan tiap jenis pelakuan, waktunya terhitung setelah proses pengambilan data spektranya, dan selama menunggu untuk dilakukan analisa kadar minyaknya, sampel disimpan dalam desikator. Sehingga diharapkan tidak terjadi perbedaan yang nyata antara data pengukuran secara destruktif dengan nilai reflektan NIR dan akan mempengaruhi tingkat keberhasilan model kalibrasi. Dalam rangka mengurangi tingkat kemungkinan nilaierrorpengukuran dari aspek
human error, maka sebelum dilakukan pengambilan data dilakukan latihan selama satu bulan.
serta pengamatan dan pengawasan yang maksimal selama proses pengambilan data. Walau sebaik apa pun metode, peralatan dan operator pengukuran, kesalahan dalam pengukuran pasti saja terjadi. Sehingga nilai pendugaan parameter mutu biji jarak pagar dengan menggunakan NIR disertakan dengan nilaierrornya,error yang dimaksud adalah nilai error dari NIR dan model penduganya, belum termasuk error yang terjadi selama pengukuran secara destruktif. Error yang terjadi selama proses pengukuran secara destruktif tidak dapat dinyatakan dalam
penelitian ini, karena tidak ada pembanding yang tingkat keakuratannya mencapai 100%. Sedangkan jika dilakukan pembandingan terhadap laboratorium yang terakreditasi, mempunyai perbedaan pendekatan waktu pengukuran dengan pendekatan waktu pengukuran yang digunakan dalam penelitian ini, mengingat masih banyak hal-hal yang belum terungkap tentang karakteristik biji jarak pagar tersebut sehingga pengukurannya pun tidak bisa diperlakukan dengan prosedur yang umum diterapkan laboratorium, apalagi dengan prosedur antrian dalam
proses pengukuran datanya.
Model PCA-BPNN
Principle Component Analysis (PCA)
Data spektra reflektan biji jarak digunakan sebagai input untuk analisa komponen utama, karena menggunakan panjang gelombang pada rentang
1000-2500 nm (10000-4000 cm-1) sehingga menghasilkan 1500 data spektra tiap sampel. Program MINITAB R-14 hanya dapat melakukan analisa komponen utama dengan matrik input 1000 kolom data, sehingga dalam penelitian ini hanya menggunakan 1000 data spektra. Agar tidak menghilangkan informasi yang dibawa oleh spektra, maka teknik pengurangan didasarkan pada karakteristik spektra. Karakteristik spektra dapat dilihat pada data spektra yang telah diturunkan, baik turunan pertama maupun turunan kedua. Seperti yang dapat dilihat pada Gambar 14 yang merupakan turunan kedua dari data spektra, pada
41
node yang digunakan adalah varibel model dan lapisan output merupakan nilai target.
Jumlah PC yang digunakan adalah bervariasi (maksimal 20 PC), karena dengan 20 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Untuk mengoptimasi kinerja jaringan maka dilakukan kombinasi jumlahnodeinput,nodepada lapisan terselubung dan target. Variasi node input dilakukan adalah 5, 10, 15, dan 20 PC sedangkan node pada lapisan terselubung dengan variasi 5, 10, 15, dan 20 node. Pada node output dilakukan 4 kombinasi yaitu tiga output secara bersamaan dan satu output untuk tiap parameter, dengan set data pelatihan dan kalibrasi dapat dilihat pada Lampiran 2 hingga Lampiran 3.
Parameter pelatihan yang digunakan antara lain laju pembelajaran (etha) dengan rentang nilai 0-0.9, konstanta momentum (alpha) dengan rentang nilai 0-0.9 dan konstanta persamaan sigmoid (temp) dengan rentang nilai 0-1. Pada penelitian ini menggunakan nilai etha 0.9, alpha 0.6 dan temp 1, proses iterasi dilakukan sebanyak 200 000 iterasi, pada iterasi ini nilai pengurangan error pelatihan sangat kecil sehingga model jaringan saraf dikatakan jenuh dan iterasi selesai. Pemilihan nilai parameter pelatihan JST dihasilkan dari proses trail and
error sehingga didapatkan kombinasi yang optimal seperti di atas, settingan pelatihan JST pada program JST yang dikembangkan Rudyanto dkk. (2003) dapat dilihat pada Lampiran 5.
Proses pelatihan dan pendugaan menggunakan arsitektur 20 variabel input, 10 simpul pada lapisan terselubung dan tiga output parameter (20-10-3) memberikan nilai RMSEC, RMSEP dan koefisien korelasi lebih baik. Kombinasi arsitektur jaringan ini menghasilkan 230 nilai penimbang. Nilai RMSEP yang dihasilkan adalah 3.718%, 1.314% dan 1.989% untuk kadar minyak, FFA dan kadar air sedangkan koefisien korelasi 0.848, 0.872 dan 0.993 untuk kadar minyak, FFA dan kadar air. Selain nilai RMSEC, RMSEP dan koefisien korelasi juga mempertimbangkan tingkat kestabilan sistem jaringan yang ditandai dengan
Gambar 18. Grafik perba determinasi (r2) validasi 0.719 dan 0.761 secara
rbandingan nilaierrorkalibrasi dan pendugaan kan arak pagar.
Validasi Model JST
si dan validasi model JST dapat dilihat pada Ga ada grafik di bawah terlihat bahwa nilai derajat d
ketiga parameter cukup baik, sedangkan nil asi untuk kandungan minyak dan kandungan FF ara berurutan. Pendugaan kandungan air dapat
g dicerminkan dari nilai derajat determinasi (r2) y ondisi ini menyatakan bahwa nilai reflektan NI ungan air dalam biji jarak lebih baik dibandingk FFA dan kadar minyak.
alibrasi dan validasi model JST untuk kandungan m
