Karakteristik Gelombang NIR Benih Padi
Panjang gelombang NIR yang digunakan pada penelitian ini berada pada kisaran 1000-2500 nm dengan resolusi 1 nm. Gelombang NIR yang ditembakkan pada sampel benih sebagian akan diserap (absorban) dan sebagian lagi akan dipantulkan (reflektan).
Prinsip pengukaran spektra adalah dengan memancarkan sinar lampu halogen ke sampel, sinar tersebut diterima sebagai energi yang memicu terjadinya getaran dan regangan pada kelompok ikatan atom O-H, N-H, dan C-H. Ikatan atom tersebut merupakan komponen utama pembentuk kandungan organik. Sebagian energi yang diberikan akan diserap untuk melakukan getaran dan regangan alami dan sisanya akan dipantulkan. Energi pantulan akan diterima detektor sebagai data frekuensi getaran dalam bentuk analog, selanjutnya data analog tersebut akan ditransformasi dengan metode fourier sehingga menjadi data spektra reflektan (Gambar 18), sementara untuk memperoleh data absorban, data reflektan ditransformasi dengan log(1/Reflektan) seperti terlihat pada Gambar 19.
R
afle
kt
an
Panjang Gelombang (nm) Gambar 18 Spektra reflektan benih padi
Absor
ba
n
Panjang Gelombang (nm) Gambar 19 Spektra absorban benih padi
Spektra absorban pada Gambar 19 menunjukkan adanya beberapa puncak penyerapan gelombang yaitu pada panjang gelombang 1200, 1450, 1780, 1940, 2100, 2276, 2336 dan 2500 nm.
Tabel 5 Ikatan atom dan struktur kimia yang merupakan puncak gelombang pada spektra absorban benih padi
Panjang Gelombang Getaran ikatan Atom Struktur
1200 C-H str. Pati, CH3 *
1450 O-H str. Air, Pati *
1780 C-H str. Selulosa *
1940 O-H str. + O-H def. Air *
2100 O-H def. + C-O str. Pati *
2276 O-H str. + C-C str. Pati *
2336 C-H str. + C-H def. Selulosa *
2500 C-H str. + C-C str. Pati *
* Sumber : Osborne et. al. (1993)
Gambar 19 dan Tabel 5 menunjukkan bahwa kandungan utama benih padi terdiri dari karbohidrat (pati, selulosa) dan air. Leonard dan Martin (1963) melaporkan bahwa karbohidrat merupakan komponen terbesar dalam beras pecah kulit yaitu 84%.
Semakin tinggi nilai reflektan menunjukkan bahwa energi gelombang yang diserap benih (absorban) semakin kecil. Hal ini berarti bahwa konsentrasi bahan organik pada panjang gelombang tersebut juga kecil, demikian juga sebaliknya.
1200 1450 1780 1940 2100 2276 2336 2500
Pengaruh Pengusangan terhadap Kadar Air Benih Padi
Benih padi merupakan bahan yang bersifat higroskopis, dimana pada kondisi setimbang kadar air bahan dipengaruhi oleh kelembaban lingkungan. Peningkatan kandungan air benih akibat pengusangan dapat dilihat pada Gambar 20a. Kadar air dan lama pengusangan memiliki hubungan yang bersifat eksponensial dan memiliki hubungan yang sangat kuat dengan koefisien korelasi r sebesar 0.9981. Semakin lama benih dipaparkan pada RH tinggi, maka kandungan air benih semakin tinggi hingga mencapai kondisi jenuh. Semakin tinggi kadar air maka kecepatan dan kemampuan dalam menyerap air semakin rendah, hal ini dapat dilihat dari semakin landainya kurva pada kadar air tinggi.
Gambar 20 Pengaruh lama pengusangan pada suhu 45oC dan RH >90% terhadap (a) Kadar air, (b) Spektra Absorban-SNV pada 1450 nm
Copeland dan McDonald (1995) menyatakan bahwa kelembaban lingkungan yang tinggi akan meningkatkan kadar air benih. Peningkatan kadar air menyebabkan peningkatan aktifitas biokimia benih, seperti peningkatan aktifitas enzim hidrolitik yang meningkatkan proses respirasi dan peningkatan asam lemak bebas. Sementara itu suhu tinggi menyebabkan proses laju reaksi kimia dalam benih menjadi lebih cepat. Peningkatan kadar air juga menyebabkan peningkatan aktifitas enzim lipoksigenase yang mengoksidasi lemak dan menghasilkan radikal bebas.
Penyerapan air terhadap gelombang NIR salah satunya terjadi pada kisaran panjang gelombang 1450 nm oleh atom O-H. Gambar 20b menunjukkan semakin
lama waktu pengusangan, semakin tinggi intensitas penyerapan air, yang berarti semakin besar kandungan air dalam bahan.
Pengaruh Pengusangan terhadap Protein Terlarut
Perubahan protein terlarut akibat pengusangan sangat fluktuatif, namun memiliki kecenderungan eksponensial menurun (Gambar 21a).
Gambar 21 Pengaruh lama pengusangan pada suhu 45oC dan RH >90% terhadap (a) protein terlarut, (b) Spektra Absorban-SNV pada 1000-1015nm, (c) Spektra Absorban-SNV pada 2070-2085 nm, (d) Spektra Absorban-SNV pada 2148-2178nm
Benih dengan kadar air tinggi dapat mengalami peroksidasi lemak akibat aktifitas enzim lipoksigenase dan menghasilkan radikal bebas. Radikal bebas tersebut dapat menyebabkan denaturasi protein (Copeland dan McDonald 1995) sehingga menurunkan kandungan protein terlarut yang dapat digunakan benih saat berkecambah (Kapoor et al. 2011).
Koefisien korelasi r antara protein terlarut dengan lama waktu pengusangan sebesar 0.6026. Hal ini menunjukkan bahwa protein terlarut dengan lama waktu
a
b
pengusangan memiliki hubungan yang kuat, namun parameter lama pengusangan hanya mampu menduga 36.32% parameter protein terlarut dengan tepat, hal ini ditunjukkan dengan nilai koefisien determinasi R2 sebesar 0.3632.
Protein yang digunakan oleh Soltani (2003) untuk menduga viabilitas benih pada panjang gelombang 1722 dan 2110 nm, tidak menunjukkan adanya puncak gelombang pada absorban benih padi. Hal ini terjadi karena kandungan protein pada benih padi sangat kecil.
Menurut Kapoor et al. (2011) benih yang mengalami kemunduran buatan, kandungan protein terlarutnya mengalami penurunan. Hal ini juga dapat dilihat pada spektra absorban benih padi yang diberi praperlakuan standard normal variate (SNV). Pada rentang 1000-1015, 2070-2085, 2148-2178 nm (Workman 2001), bentuk gelombangnya hampir sama tetapi intensitas penyerapannya menurun seiring dengan lama pengusangan (Gambar 21b-d).
Pengaruh Pengusangan terhadap Asam Lemak Bebas
Perubahan asam lemak bebas akibat pengusangan sangat fluktuatif, namun memiliki kecenderungan eksponensial menaik (Gambar 22a). Copeland dan McDonald (1995) menyatakan bahwa kadar air benih yang tinggi menyebabkan peningkatan aktifitas biokimia benih seperti peningkatan aktifitas enzim hidrolitik yang meningkatkan proses respirasi dan peningkatan asam lemak bebas. Hubungan antara asam lemak bebas dengan lama waktu pengusangan sangat lemah, hal ini diindikasikan dengan kecilnya nilai koefisien korelasi r yaitu 0.5335. Lemahnya hubungan tersebut diduga karena terlalu kecilnya kandungan lemak di dalam benih padi yaitu hanya sebesar 2.2% (Leonard dan Martin 1963) sehingga data yang diperoleh sangat fluktuatif.
Lemak yang dilaporkan oleh Olesen et al. (2011) berpotensi untuk menduga viabilitas benih bayam pada 1350 nm, tidak menunjukkan adanya puncak gelombang pada spektra absorban, hal ini terjadi karena kandungan lemak pada benih padi sangat kecil berkisar 2,2% (Leonard dan Martin 1963). Gelombang yang muncul di sekitar 1350 nm memiliki bentuk yang sama namun intensitas penyerapannya semakin meningkat seiring dengan lamanya waktu pengusangan
(Gambar 22b). Gholami dan Golpayegani (2011) juga menyatakan bahwa dengan pengusangan selama 5 hari dapat meningkatkan asam lemak bebas.
Gambar 22 Pengaruh lama pengusangan pada suhu 45oC dan RH >90% terhadap (a) asam lemak bebas, (b) Spektra absorban-SNV pada 1350 nm, (c) Spektra absorban-SNV pada 1415 nm
Lemak juga dapat dideteksi pada panjang gelombang 1415 nm (Workmen 2001). Gelombang Absorban-SNV benih padi yang muncul pada panjang gelombang tersebut memiliki bentuk yang sama namun intensitas penyerapannya semakin meningkat seiring dengan lama waktu pengusangan (Gambar 22c).
Pengaruh Pengusangan Terhadap Viabilitas Benih
Pengusangan pada penelitian ini bertujuan untuk memperoleh berbagai tingkat nilai viabilitas. Pengaruh pangusangan benih padi pada suhu 45 oC dan RH > 90% selama 8 hari dengan interval 2 hari terhadap viabilitas benih dapat dilihat pada Gambar 23.
a
b
Gambar 23 menunjukkan bahwa perlakuan pengusangan dapat menyebabkan beberapa tingkat kelompok benih (lot) berdasarkan nilai daya berkecambah. Lot pertama adalah benih tanpa pengusangan dan 2 hari pengusangan, lot kedua adalah benih dengan 4 dan 6 hari pengusangan dan lot ketiga adalah benih dengan 8 hari pengusangan. Secara umum semakin lama waktu pengusangan menyebabkan penurunan viabilitas baik daya berkecambah, indeks vigor maupun potensi tumbuh maksimum. Penurunan viabilitas (daya berkecambah) pada benih padi karena perlakuan pengusangan, juga dilaporkan oleh Kapoor et al. (2011), Gholami dan Golpayegeni (2011).
Gambar 23 Pengaruh lama pengusangan pada suhu 45 oC dan RH >90% dengan daya berkecambah (DB), indeks vigor (IV) dan potensi tumbuh maksimum (PTM)
Korelasi antara lama pengusangan dengan masing-masing parameter viabilitas sangat tinggi, yang ditunjukkan dengan besarnya nilai koefisien korelasi r yaitu 0.9950 untuk daya berkecambah, 0.9473 untuk indeks vigor dan 0.9747 untuk potensi tumbuh maksimum. Hal ini menunjukkan bahwa perlakuan pengusangan pada suhu 45 oC dan RH > 90% telah mampu menurunkan tingkat viabilitas benih. Setelah pengusangan selama 8 hari terjadi penurunan rata-rata daya berkecambah dari 90.22% menjadi 40.17%.
Penurunan daya berkecambah tersebut juga disampaikan oleh Dalapati (2012) yang melakukan pengusangan (43-45oC, RH 100%) terhadap lima varietas
padi gogo (Situ patenggang, Limboto, Inpago 4,5, dan 6) selama 5 hari dan diperoleh penurunan rata-rata daya berkecambah dari 97.06% menjadi 4.93%. Cutrisni (2011) juga melakukan pengusangan (40-45oC, RH 100%) terhadap padi sawah, padi gogo, dan padi rawa selama 6 hari. Hasil penelitiannya menunjukkan adanya penurunan rata-rata daya berkecambah padi sawah dari 91% menjadi 1%, padi gogo dari 91% menjadi 4.8% dan padi rawa dari 88.4% menjadi 0%.
Model PCA –JST Propagasi Balik Deskripsi Data
Data input berupa data spektra benih padi yang telah diusangkan pada suhu 45oC dan RH>90% selama 0-8 hari dengan interval 2 hari. Data input yang
digunakan adalah spektra reflektan (R), absorban (A) serta spektra reflektan dan absorban yang diberi praperlakuan normalisasi 0-1 (Norm), standard normal variate (SNV), turunan pertama Savitzky-Golay (dg1) dan turunan kedua Savitzky-Golay (dg2) yang dapat dilihat pada Lampiran 1.
Tabel 6 Karakteristik nilai parameter benih padi yang digunakan dalam kalibrasi dan validasi
Parameter Set Data N Mean Min Maks Stdev
Kadar Air (KA) Kalibrasi 120 18.3783 11.8500 22.7639 3.4421
Validasi 60 18.4161 11.9143 22.5974 3.4487
Protein Terlarut (P) Kalibrasi 120 9.1677 3.7605 16.9073 3.5915
Validasi 60 9.1366 3.8595 15.6925 3.5176
Asam Lemak
Bebas (ALB) KalibrasiValidasi 12060 10.332410.3324 4.20634.6252 25.632524.4445 6.46016.5397
Daya Berkecambah
(DB) KalibrasiValidasi 12060 76.171875.8667 14.000016.6667 98.000096.0000 21.855322.1873
Indeks Vigor (IV) Kalibrasi 120 39.7329 0.6667 86.6667 28.1100
Validasi 60 41.5116 0.6667 85.3333 28.9517
Potensi Tumbuh
Maksimum (PTM) KalibrasiValidasi 12060 95.932795.5638 72.666775.3333 100.0000100.0000 6.25096.2994
Principal Component Analysis (PCA)
Data spektra benih padi memiliki sifat non linear dan memiliki ukuran matrik data yang besar yaitu 1500variabel x 180data sehingga sulit dalam pengolahannya, oleh karena itu perlu dilakukan reduksi data dengan PCA (analisis
komponen utama) dimana data akan direduksi menjadi satu set data yang linear dan lebih sedikit akan tetapi menyerap sebagian besar jumlah varian dari data awal.
Analisis komponen utama dilakukan dengan menggunakan software SPSS Statistic 19. Proses running data untuk kalibrasi dan validasi dilakukan secara terpisah. Komponen utama (PC) diekstrak sebanyak 20 komponen dimana dengan 20 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Persentase variasi kumulatif dari komponen utama dapat dilihat pada Lampiran 2. Persentase variasi kumulatif 20 komponen utama dapat dilihat pada Tabel 7.
Tabel 7 Persentase variasi kumulatif 20 komponen utama
Praperlakuan KA P ALB DB IV PTM R Kal 99.996 99.996 99.996 99.996 99.996 99.996 Val 99.997 99.997 99.997 99.997 99.997 99.998 Rnorm Kal 99.521 99.497 99.510 99.505 99.486 99.527 Val 99.599 99.635 99.619 99.625 99.658 99.592 RSNV Kal 99.916 99.910 99.910 99.910 99.916 99.912 Val 99.926 99.936 99.936 99.934 99.923 99.933 Rdg1 Kal 79.467 79.631 79.876 79.569 79.943 79.781 Val 84.700 84.753 84.331 85.016 84.383 84.636 Rdg2 Kal 61.338 61.746 61.563 61.685 61.745 61.690 Val 71.187 70.786 70.925 71.115 71.038 70.922 A Kal 99.996 99.996 99.996 99.996 99.996 99.996 Val 99.997 99.997 99.997 99.997 99.997 99.998 Anorm Kal 99.518 99.487 99.509 99.497 99.482 99.516 Val 99.581 99.637 99.612 99.626 99.649 99.600 ASNV Kal 99.889 99.888 99.890 99.883 99.889 99.886 Val 99.913 99.915 99.913 99.921 99.909 99.919 Adg1 Kal 78.793 78.851 79.134 78.880 79.121 79.232 Val 84.019 84.213 83.754 84.396 83.742 83.759 Adg2 Kal 58.822 59.041 59.109 59.051 59.228 59.145 Val 68.977 68.799 68.820 69.291 69.019 68.970
Tabel 7 menunjukkan bahwa dari 20 komponen utamayang diekstrak, spektra tanpa praperlakuan memiliki persentase variasi kumulatif tertinggi, kemudian diikuti oleh spektra yang mendapat perlakuan SNV, Normalisasi 0-1, turunan pertama dan terkecil perlakuan turunan kedua.
Persentase variasi kumulatif antara dataset kalibrasi dan validasi untuk setiap praperlakuan menunjukkan nilai yang relatif sama, kecuali pada
praperlakuan turunan pertama dan kedua dimana persentase dataset validasi lebih besar dari pada dataset kalibrasi.
Model Jaringan Saraf Tiruan
Model JST yang dikembangkan dalam penelitian ini adalah jaringan layar jamak (multi layer network) dengan 3 layer yaitu input, hidden, dan output layer
dengan fungsi aktivasi sigmoid pada hidden layer dan fungsi identitas pada output
layer. Pada hidden dan output layer ditambahkan komponen bias yang nilainya 1. Nilai bobot awal jaringan ditentukan secara acak. Jenis pelatihan yang digunakan adalah supervised feed forward backpropagation.
Input jaringan adalah komponen utama dari sepktra reflektan, absorban serta spektra reflektan dan absorban yang sebelumnya dilakukan praperlakuan berupa normalisasi 0-1, standard normal variate, turunan pertama Savitzky-Golay dan turunan kedua Savitzky-Golay.
Jumlah komponen utama yang digunakan sebagai input layer bervariasi (maksimal 20 PC) karena dengan 20 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Untuk mengoptimalisasi kinerja jaringan maka dilakukan kombinasi jumlah unit input, hidden dan jumlah unit output. Variasi unit input adalah 5, 10, 15 dan 20 PC sedangkan unit pada lapisan hidden adalah 5, 10, 15 dan 20 unit. Output layer
terdiri dari 2 variasi yaitu single output dan multi output.
Single output terdiri dari KA, P, ALB, DB, IV dan PTM. Multi output
terdiri dari 3 unit, 6 unit, 4 unit dan 2 unit output. Tiga unit output ada 2 jenis kombinasi yaitu P-ALB dan DB-IV-PTM. Enam unit output terdiri dari KA-P-ALB-DB-IV-PTM. Empat unit output terdiri dari KA-DB-IV-PTM. Dan terakhir dua unit output yaitu KA-DB. Nilai output layer adalah nilai referensi hasil pengukuran untuk setiap parameter yang dapat dilihat pada Lampiran 8.
Variasi input, hidden dan ouput layer dikombinasikan menjadi 800 skenario yang dapat dilihat pada Lampiran 3. Setiap skenario dilatih menggunakan modul jaringan saraf tiruan pada software MATLAB R2008b dengan kode program dan srtukur data input-target seperti pada Lampiran 4.
Pelatihan dengan algoritma backpropagation melatih jaringan untuk memperoleh keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan.
Pelatihan backpropagation meliputi tiga fase. Fase pertama merupaka fase maju dimana pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan fungsi aktifasi. Fase kedua adalah fase mundur dimana selisih antara keluaran jaringan dengan target yang diinginkan merupakan eror yang terjadi. Eror tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di output layer. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang terus-menerus hingga kondisi penghentian terpenuhi.
Pada penelitian ini kondisi penghentian didasarkan atas tiga kategori yaitu jumlah iterasi, minimum eror dan jumlah maksimum kegagalan iterasi dalam penurunan eror. Jumlah iterasi yang digunakan adalah 100 epoch, dengan target eror sebesar 0 dan maksimum kegagalan penurunan eror adalah 5 epoch.
Pada penelitian ini data dibagi menjadi dua bagian yang saling terpisah yaitu data pelatihan yang dipakai untuk mengenali pola (kalibrasi) dan data yang dipakai untuk pengujian (validasi). Perubahan bobot dilakukan berdasarkan data pelatihan akan tetapi eror yang terjadi dihitung berdasarkan semua data (pelatihan dan pengujian). Selama eror terus menurun pelatihan terus dilakukan namun bila eror sudah meningkat (sebanyak 5 iterasi), pelatihan dihentikan karena jaringan sudah mulai mengambil sifat yang hanya dimiliki oleh data pelatihan tetapi tidak dimiliki oleh data pengujian dan jaringan sudah mulai kehilangan kemampuan melakukan generalisasi.
Selama pelatihan dilakukan perubahan bobot dan bias dengan penurunan gradien (gradient descent) menggunakan momentum disebut learngdm. Bobot dan bias diubah pada arah dimana eror menurun paling cepat yaitu dalam arah negatif gradiennya. Untuk menghindari perubahan bobot yang terlalu mencolok akibat data yang sangat berbeda dengan yang lain, perubahan bobot dilakukan berdasarkan arah gradient pola terakhir dan pola yang dimasukan sebelumnya
(momentum). Apabila pola data terakhir memiliki pola serupa maka perubahan bobot dilakukan dengan cepat, namun bila data terkakhir memiliki pola yang berbeda dengan pola sebelumnya, maka perubahan dilakukan dengan lambat. Parameter yang digunakan adalah laju pembelajaran dan konstanta momentum dengan nilai default yang diberikan yaitu 0.01 dan 0.9.
Selanjutnya untuk mengoptimasi penurunan eror digunakan fungsi pelatihan
resilient backpropagation (trainrp) dengan cara membagi arah dan perubahan bobot menjadi dua bagian berbeda. Ketika menggunakan penurunan tercepat, yang diambil hanya arahnya saja, sementara perubahan bobot dilakukan dengan cara yang lain dalam penelitian ini digunakan learngdm.
Hasil kalibrasi dan validasi untuk setiap sekenario dapat dilihat pada Lampiran 3. Untuk mempermudah pemilihan skenario terbaik, maka proses pemilihannya dilakukan secara bertahap. Dari Lampiran 3 selanjutnya dipilih kombinasi struktur JST terbaik untuk setiap jenis spektra dan hasilnya dapat dilihat pada Lampiran 5. Kemudian dilakukan pemilihan jenis spektra terbaik untuk setiap kombinasi jumlah output layer dan hasilnya dapat dilihat pada Lampiran 6. Sebagai tahap akhir, dilakukan pemilihan kombinasi jumlah output
terbaik untuk setiap parameter pengamatan dan hasilnya dapat dilihat pada Tabel 8.
Pemilihan model terbaik didasarkan pada rendahnya nilai SEC, rendahnya nilai SEP, tingginya nilai koefisien korelasi r, rendahnya selisih nilai SEC dan SEP serta tingginya nilai RPD (Hasbullah et al. 2002)
Tabel 8 Model JST terbaik untuk setiap parameter pengamatan
Parameter nario Ske Spektra JST Kalibrasi Validasi r SEC r SEP RPD Kadar Air 34 RSNV 5 10 1 0.9858 0.5787 0.9888 0.5162 6.6808 Protein Terlarut 65 Rdg2 5 5 1 0.9296 1.3290 0.9686 0.8879 3.9615 Asam Lemak Bebas 148 Adg2 5 20 1 0.9797 1.3077 0.9688 1.6232 4.0290 Daya Berkecambah 197 RSNV 10 5 3* 0.9040 9.3496 0.8947 9.9233 2.2359 Indeks Vigor 69 Rdg2 10 5 1 0.9631 7.5694 0.9645 7.8583 3.6842 Potensi Tumbuh Maks 69 Rdg2 10 5 1 0.9259 2.3617 0.9208 2.4634 2.5572 *) output : DB-IV-PTM
Hasbullah et al. (2002) menyatakan bahwa model yang akurat memiliki nilai RPD > 2.5. Pada Tabel 8 dapat dilihat bahwa semua parameter pengamatan memiliki nilai RPD yang besar dari 2.5 kecuali pada parameter daya
berkecambah. Semakin tinggi nilai RPD menunjukkan akurasi model yang tinggi. Dengan demikian dapat dikatakan bahwa gelombang NIR lebih akurat untuk menduga kadar air, protein terlarut, asam lemak bebas, indeks vigor dan potensi tumbuh maksimum dari pada daya berkecambah karena pengamatannya berupa kecambah normal yang dipengaruhi oleh banyak faktor.
Gambar 24 Hasil kalibrasi dan validasi model JST terpilih
Walaupun daya berkecambah memiliki nilai RPD dibawah 2.5 namun nilai koefisen korelasi r validasi masih cukup tinggi yaitu 0.8947 dengan nilai R2
validasi sebesar 0.8005 yang berarti nilai perediksi NIR masih dapat menduga dengan tepat sebanyak 80.05% nilai daya berkecambah sebenarnya.
Grafik hubungan antara nilai duga parameter menggunakan NIR dengan nilai pengukuran sebenarnya menggunakan model JST terpilih dapat dilihat pada Gambar 24. Garis regresi antara data kalibrasi dan validasi pada Gambar 24 memiliki kemiringan yang hampir sama dan hampir berhimpit, hal ini menunjukkan bahwa pola data antara kalibrasi dan validasi hampir sama dan model yang dibangun mendekati stabil.
Model Partial Least Square Deskripsi Data
Data input yang digunakan adalah spektra reflektan (R), absorban (A), spektra reflektan dan absorban yang telah diberi praperlakuan normalisasi 0-1 (Norm), standard normal variate (SNV), turunan pertama Savitzky-Golay(dg1) dan turunan kedua Savitzky-Golay (dg2) yang dapat dilihat pada Lampiran 1.
Proses kalibrasi dan validasi menggukan software NIRCal 5.2. Pembagian sampel kalibrasi dan validasi dilakukan secara acak menggunakan NIRCal 5.2 lebih kurang 2/3 bagian sebagai data kalibrasi dan 1/3 bagian sebagai data validasi. Karakteristik sampel kalibrasi dan validasi dapat dilihat pada Tabel 9. Tabel 9 Karakteristik nilai parameter benih padi yang digunakan dalam kalibrasi
dan validasi
Parameter Set Data N Mean Min Max Stdev
Kadar air Kalibrasi 120 18.3298 11.8500 22.5974 3.4208
Validasi 60 18.5132 11.9180 22.7639 3.4879 Protein terlarut . Kalibrasi 120 9.0418 3.7605 15.6925 3.5017 Validasi 60 9.3885 4.1143 16.9073 3.6847 Asam lemak bebas Kalibrasi 120 10.3913 4.2063 24.4445 6.3589 Validasi 60 10.8929 4.6307 25.6325 6.7472 Daya berkecambah Kalibrasi 111 74.8903 14.0000 98.0000 22.9807 Validasi 69 77.9681 30.0000 96.0000 20.0709
Indeks vigor Kalibrasi 123 39.7222 0.6667 85.3333 28.0344
Validasi 57 41.6282 2.0000 86.6667 29.1506
Potensi tumbuh maksimum
Kalibrasi 105 95.3694 72.6667 100.0000 6.8547
Hasil kalibrasi dan validasi NIR dengan model PLS
Hasil kalibrasi dan validasi menggunakan model PLS (Partial Least Square) untuk setiap parameter dengan berbagai spektra dapat dilihat pada Lampiran 7. Selanjutnya dipilih model yang terbaik untuk setiap parameter yang dapat dilihat pada Tabel 10. Pemilihan model terbaik didasarkan pada rendahnya nilai SEC, rendahnya nilai SEP, tingginya nilai koefisien korelasi r, memiliki selisih nilai SEC dan SEP yang kecil serta memiliki nilai RPD yang besar (Hasbullah et al.
2002)
Tabel 10 Model PLS terbaik untuk setiap parameter pangamatan
Parameter Spektra Kalibrasi Validasi
R SEC R SEP RPD
Kadar Air A 0.9941 0.3717 0.9946 0.3632 9.6028
Protein Terlarut Rdg2 0.9082 1.4658 0.8187 2.1424 1.7199
Asam Lemak bebas R 0.9667 1.6263 0.9362 2.4177 2.7908
Daya Berkecambah Rdg2 0.8632 11.6003 0.8445 11.4524 1.7526
Indeks Vigor R 0.9282 10.4289 0.8983 12.1739 2.3945
Potensi Tumbuh Maks RSNV 0.8984 3.0105 0.8654 2.6904 1.9615
Hasbullah et al. (2002) menyatakan bahwa model yang akurat memiliki nilai RPD > 2.5. Pada Tabel 11 dapat dilihat bahwa hanya ada dua parameter yang memiliki nilai RPD yang lebih besar dari 2.5 yaitu kadar air dan asam lemak bebas, sementara parameter yang lain nilainya lebih kecil dari 2.5. Namun demikian keempat parameter yang nilai RPD nya kecil tersebut, memiliki nilai koefisien korelasi (r) yang tinggi (>0.8), baik untuk kalibrasi maupun validasi. Persamaan kalibrasi dan validasi dapat dilihat pada Gambar 25.
Evaluasi Model JST dan PLS
Evaluasi model terbaik dari Model JST terpilih (Tabel 8) dan model PLS terpilih (Tabel 10) diperoleh model terbaik untuk masing-masing parameter pengamatan yang dapat dilihat pada Tabel 11 pemilihan parameter dilakukan dengan membandingkan nilai RPD, nilai r validasi dimana dari kedua nilai tersebut dipilih nilai yang terbesar, selain itu dilihat juga nilai SEC, SEP dan selisih nilai SEC dan SEP dimana dari nilai-nilai tersebut dipilih yang terkecil
Semakin besar nilai RPD menunjukkan bahwa model yang dibangun semakin akurat, semakin besar nilai r menunjukkan bahwa hubungan antara nilai duga dan nilai sebenarnya semakin kuat. Semakin kecil nilai SEC dan SEC menunjukkan bahwa penyimpangan nilai duga dari nilai sebenarnya semakin lebih kecil yang berarti nilai duga semakin akurat. Semakin kecil nilai selisih antara SEC dan SEP menunjukkan model yang dibangun semakin stabil. Hasil pemilihan model terbaik untuk masing-masing parameter dapat dilihat pada Tabel 11.
Pada Tabel 11 dapat dilihat bahwa hanya ada satu parameter yang memiliki nilai RPD lebih kecil dari 2.5 yaitu daya berkecambah dimana menurut Hasbullah
et al. (2002) model yang akurat memiliki nilai RPD>2.5. Walaupun daya berkecambah memiliki nilai RPD dibawah 2.5 namun nilai koefisen korelasi r validasi masih cukup tinggi yaitu 0.8947 dengan nilai R2 validasi sebesar 0.8005 yang berarti nilai prediksi NIR masih dapat menduga dengan tepat sebanyak 80.05% nilai daya berkecambah sebenarnya.
Berdasarkan nilai RPD peringkat parameter yang akurat dilakukan pendugaannya dengan NIR beturut-turut adalah kadar air benih, kandungan asam lemak bebas, protein terlarut, indeks vigor, potensi tumbuh maksimum dan terakhir daya berkecambah.
Tabel 11 Hasil evalusai model JST dan PLS untuk masing-masing parameter
Parameter Model Spektra Struktur Kalibrasi Validasi in h Out R SEC r SEP RPD Kadar Air PLS A - 0.9941 0.3717 0.9946 0.3632 9.6028 Asam Lemak Bebas JST Adg2 5 20 1 0.9797 1.3077 0.9688 1.6232 4.0290 Protein Terlarut JST Rdg2 5 5 1 0.9296 1.3290 0.9686 0.8879 3.9615 Indeks Vigor JST Rdg2 10 5 1 0.9631 7.5694 0.9645 7.8583 3.6842 Potensi Tumbuh Maks JST Rdg2 10 5 1 0.9259 2.3617 0.9208 2.4634 2.5572 Daya Berkecambah JST RSNV 10 5 3* 0.9040 9.3496 0.8947 9.9233 2.2359 *) output : DB-IV-PTM
Pengusangan benih pada suhu 45 oC dan RH >90% menyebabkan kadar air benih meningkat. Pada kondisi setimbang kadar air benih dipengaruhi kelembaban lingkungan. Semakin lama benih dipaparkan pada RH tinggi maka kada air benih semakin meningkat. Kadar air benih yang tidak diusangkan rata-rata 12.078% dan kadar air benih yang diusangkan selama 8 hari meningkat menjadi 21.476%.
Hasil penelitian menunjukan bahwa terjadi peningkatan asam lemak bebas dari 0.859 mg/gr pada benih yang tidak diusangkan dan menjadi 1.548 mg/gr pada benih yang diusangkan selama 8 hari. Peningkatan asam lemak bebas tersebut diduga karena adanya peningkatan kadar air benih yang mengakibatkan peningkatan aktifitas enzim hidrolitik. Pospolipid yang merupakan struktur membrane sel akan terhidrolisis menjadi gliserol dan asam lemak bebas. Peningkatan asam lemak bebas menyebabkan peningkatan keasaman sel yang tidak sesuai bagi sel untuk melakukan metabolism secara normal. Lebih lanjut
akan menyebabkan kerusakan protein enzim dan menurunkan/ menghilangkan aktifitasnya (Copeland dan McDonald 1995).
Selain itu benih yang memiliki kadar air tinggi (melebihi 14%) mengalami peningkatan enzim lipoxygenase yang dapat menimbulkan radikal bebas. Radikal bebas akan merusak pospolipid dari membrane sel. Kerusakan pospolipid tersebut meyebabkan hilangya integritas membrane sehingga terjadi kebocoran cairan sel. Kebocoran membran ini dapat meyebabkan kemuduran benih dan menurunkan vigor benih (Copeland dan McDonald 1995).
Radikal bebas juga dapat merusak komponen lain selain lemak yaitu protein benih berupa protein enzim, protein cytokrome, protein kromosom (Copeland dan McDonald 1995). Kerusakan protein tersebut ditandai dengan menurunya kandungan protein terlarut dalam benih (Kapoor et al. 2011). Pada penelitian ini dapat dilihat bahwa terjadi penurunan kandungan protein terlarut dari 14.709 mg/gbahan benih yang tidak diusangkan menjadi 9.788 mg/gbahan pada benih yang diusangkan semala 8 hari.
Kerusakan membran sel dan kerusakan protein dapat meyebabkan kemunduran benih yang ditandai dengan penurunan mutu fisiologis benih baik berupa vigor (indeks vigor) maupun viabilitasnya (potensi tumbuh maksimum dan daya berkecambah). Gambar 23 memperlihatkan bahwa benih yang tidak diusangkan memiliki vigor dan viabilitas yang lebih tinggi bila dibandingkan dengan benih yang telah diusangkan selama 8 hari.
Dampak dari benih yang mendapat cekaman pengusangan pertama sekali akan terlihat pada vigornya. Gambar 23 memperlihatkan bahwa penurunan kurva indeks vigor lebih curam dibandingkan dengan daya berkecambah dan potensi tumbuh maksimum. Hal ini menunjukkan bahwa vigor lebih cepat terkena dampak cekaman pengusangan dibandingkan dengan viabilitasnya. Benih yang memiliki vigor tinggi sudah pasti memiliki nilai viabilitas yang tinggi, namun benih yang memiliki viabilitas yang tinggi belum tentu memiliki vugor yang tinggi. Oleh karena itu benih yang terkena cekaman bisa jadi memiliki viabilitas yang masih tinggi namun benih tersebut sudah tidak vigor lagi.
Dari uraian diatas secara umum perlakuan pegusangan meningkatkan kadar air benih, selanjutnya peningkatan kadar air menyebabkan kerusakan lemak
membran sel dan menyebabkan peningkatan asam lemak bebas. Peningkatan asam lemak bebas dan munculnya radikal bebas akan menyebabkan kerusakan protein sehingga menurunkan kandungan protein terlarut di dalam benih. Kerusakan membran dan kerusakan protein dapat menggangu proses metabolisme benih yang akhirnya menggagu proses perkecambahan benih dan berdampak pada penurunan vigor dan selanjutnya menurunkan viabilitas benih bahkan kematian benih.
Urutan tingkat keakuratan pendugaan parameter (Tabel 11) menggunakan NIR mulai dari kadar air hingga daya berkecambah diduga berhubungan dengan faktor sebab akibat terjadinya kemunduran benih. Semakin jauh parameter dari penyebab awal kemunduran benih, maka keakuratan dalam pendugaan juga semakin rendah karena semakin banyak faktor-faktor yang terlibat yang mempengaruhi dan terlibat pada parameter tersebut.
Kadar air memiliki RPD yang paling tinggi (9.6028) sementara daya bekecambah paling rendah (2.2359). Pada penelitian ini kadar air hanya dipengaruhi oleh satu faktor yaitu kelembaban lingkungan, sementara itu pada daya berkecambah dipengaruhi oleh banyak faktor selain yang telah disebutkan diatas juga dipengaruhi oleh faktor lain baik yang berhubungan dengan internal benih itu sendiri maupun faktor lingkungan pada saat pengecambahan benih.
Secara umum gelombang NIR berpotensi untuk menduga viabilitas dalam hal ini daya berkecambah. Model terbaik untuk pendugaan daya berkecambah menggunakan NIR adalah JST 10-5-3 dengan input berupa komponen utama dari spektra reflektan yang diberi praperlakuan SNV dan output terdiri dari 3 unit yaitu daya berkecambah, indeks vigor dan potensi tumbuh maksimum. Koefisien korelasi r validasi antara nilai duga NIR dengan pengukuran standard masih cukup tinggi yaitu 0.8947 dengan SEP 9.9233% dan selisih antara SEC-SEP sebesar 0.5737%.
