SKRIPSI
OLEH :
IQBAL HARDIANSYAH 150308005
PROGRAM STUDI KETEKNIKAN PERTANIAN FAKULTAS PERTANIAN
UNIVERSITAS SUMATERA UTARA
2020
IQBAL HARDIANSYAH: Identifikasi Kadar Air dan Lemak Kopi Green Beans Arabika Sumatera Utara Dengan NIRS dan Jaringan Syaraf Tiruan, dibimbing oleh ADIAN RINDANG.
Penentuan kadar air dan lemak untuk kopi green beans Arabika Lintong dan Sidikalang dapat dilakukan dengan Near Infrared Spectroscopy (NIRS) dan Jaringan Syaraf Tiruan (JST). Penelitian ini bertujuan untuk mendapatkan spektrum dan nilai kadar air serta lemak secara destruktif untuk masing-masing jenis kopi dan kemudian akan dipilih arsitektur JST terbaik untuk proses prediksinya. Metode NIRS menghasilkan spektrum karekteristik dari 180 sampel kopi yang harus dilakukan pengolahan data awal berupa MSC, segmentasi dan Principle Component Analysis (PCA) kemudian dijadikan input JST dengan data destruktif sebagai target pelatihan. JST yang dibangun divariasikan jumlah hidden layer dan iterasinya. Hasil penelitian menunjukan kadar air kopi Lintong teridentifikasi dispektrum 1209,48 nm, 1458 nm dan 1933,49 nm sedangkan lemak pada spektrum 1728,91 nm dan 1761,08 nm. Kopi sidikalang kadar airnya teridentifikasi pada 1208,31 nm, 1459,43 nm dan 1939,49 nm untuk lemak pada spektrum 1731,3 nm dan 1760,56 nm. Arsitektur JST terbaik untuk menduga kadar air kopi Lintong adalah 15-7-1 iterasi 5.000 dan lemak 15-12-1 iterasi 1.000, sedangkan untuk kadar air kopi Sidikalang dengan arsitektur 15-7-1 iterasi 1.000 dan lemak 15-12-1 iterasi 15.000.
Kata Kunci: Kopi, Lintong, Sidikalang, NIRS, JST
ABSTRACT
IQBAL HARDIANSYAH: Identification of Water and Fat Content of North Sumatra Arabica Green Beans Coffee with NIRS and Artificial Neural Networks, supervised by ADIAN RINDANG.
Determination of water and fat content for Lintong and Sidikalang arabica green beans coffee can be done with Near Infrared Spectroscopy (NIRS) and Artificial Neural Networks (ANN). The aim of this study was to obtained the spectrum and values of water and fat content destructively for each type of coffee and then the best ANN architecture will be chosen for the prediction process. The NIRS method can find a spectrum of characteristics from 180 coffee samples that must be processed by pre treatment using MSC, segmentation and Principle Component Analysis (PCA) and then made into ANN input with destructive data as a training target. The ANN to be built the number of hidden layers and iterations will be varied. The results showed the Lintong coffee water content was identified at 1209.48 nm, 1458.58 nm and 1933.49 nm, while the fat in the spectrum of 1728.91 nm and 1761.08 nm. The water content of sidikalang coffee was identified at 1208.31 nm, 1459.43 nm and 1939.49 nm for fats in the spectrum of 1731.3 nm and 1760.56 nm. The best ANN architecture for estimating Lintong coffee water content is 15-7-1 5000 iterations and fat 15-12-1 1000 iterations, whereas for Sidikalang coffee water content with architecture 15- 7-1 1000 iterations and fat 15-12-1 15000 iterations.
RIWAYAT HIDUP
Penulis dilahirkan di Binjai pada tanggal 26 Juni 1997 dari Bapak Alamsyah dan Ibu Tuti Hariyani. Penulis merupakan anak pertama dari tiga bersaudara. Tahun 2015 penulis lulus dari SMAN 5 Binjai di tahun yang sama penulis lulus di Fakultas Pertanian Universitas Sumatera Utara melalui jalur undangan (SNMPTN). Penulis memilih minat Prosesing, Program Studi Keteknikan Pertanian.
Selama mengikuti perkuliahan, penulis aktif sebagai Anggota dan menjadi Badan Pengurus Harian (BPH) Ikatan Mahasiswa Keteknikan Pertanian (IMATETA) Divisi Pendidikan dan Pengkaderan tahun 2016/2017 dan pernah menjadi asisten praktikum matakuliah Elektronika tahun 2017.
Penulis melaksanakan praktek kerja lapangan (PKL) di PTPN II PKS Pagar Merbau Kabupaten Deliserdang tahun 2019. Penulis juga pernah mengikuti Kuliah Kerja Nyata (KKN) di Desa Telagah Kecamatan Sei Bingai Kabupaten Langkat tahun 2019.
KATA PENGANTAR
Puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa, karena atas limpahan berkah, rahmat, dan karunia-Nya penulis dapat menyelesaikan skripsi ini tepat pada waktunya. Adapun judul skripsi ini adalah “Identifikasi Kadar Air dan Lemak Kopi Green Beans Arabika Sumatera Utara dengan NIRS dan Jaringan Syaraf Tiruan” yang merupakan salah satu syarat untuk mendapatkan gelar sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian Universitas Sumatera Utara, Medan.
Penulis mengucapkan terima kasih kepada kedua orangtua serta keluarga besar yang selalu mendoakan dan memberi dukungan moril maupun materil, terimakasih juga penulis sampaikan kepada Ibu Adian Rindang, STP., MSi. Selaku dosen pembimbing karena atas bimbingannya penulis dapat menyelesaikan skripsi ini. Penulis juga mengucapkan terimakasih kepada dosen pembanding atas saran dan kritiknya dalam menyempurnakan skripsi ini dan seluruh staf pengajar serta pegawai di Program Studi Keteknikan Pertanian dan Universitas Sumatera Utara atas bantuannya dalam memberikan dana penelitian TALENTA USU.
Penulis menyadari bahwa skripsi ini masih memiliki banyak kekurangan dan kelemahan. Oleh karena itu penulis mengharapkan kritik dan saran yang bersifat membangun untuk menyempurnakan draft ini. Akhir kata penulis mengucapkan terima kasih.
Medan, Januari 2020
Penulis
DAFTAR ISI
Hal
ABSTRAK. ... i
RIWAYAT HIDUP ... ii
KATA PENGANTAR. ... iii
DAFTAR ISI. ... iv
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vii
DAFTAR LAMPIRAN ... viii
PENDAHULUAN... 1
Latar Belakang ... 1
Tujuan Penelitian ... 4
Manfaat Penelitian ... 4
TINJAUAN PUSTAKA... 5
Tanaman Kopi ... 5
Kopi Arabika ... 7
Kandungan Kimia Biji Kopi Arabika ... 7
Indikasi Geografis Kopi ... 8
Metode NIR Spectroscopy ... 9
Jaringan Saraf Tiruan ... 11
Principal Componenet Analysis (PCA) ... 16
Evaluasi Model... 17
METODOLOGI PENELITIAN ... 19
Waktu dan Tempat Penelitian ... 19
Bahan dan Alat ... 16
Metode Penelitian... 19
Akuisis Spektra Biji Kopi ... 19
Analisis Kimia ... 20
Kadar Air (Thermogravimetri) ... 20
Kadar Lemak (AOAC,2006) ... 20
Analisis Data Penelitian ... 21
Teknik JST ... 21
Persiapan Data Input ... 21
Jaringan dan Pembobot ... 22
Pelatihan dan Simulasi ... 23
HASIL DAN PEMBAHASAN ... 26
Analisis Spektra Kopi ... 28
Metode Destruktif ... 28
Koreksi MSC (Multiplicative Scattering Correction) ... 28
Segmentasi Data ... 30
AnalisisKomponen Utama ... 31
Perancangan Jaringan ... 33
Hasil Kalibrasi dan Validasi... 33
Evaluasi Model... 37
KESIMPULAN DAN SARAN ... 42
Kesimpulan ... 43
Saran ... 43 DAFTAR PUSTAKA ... 44 LAMPIRAN ... 49
DAFTAR TABEL
No Hal
1 Kandungan senyawa kimia kopi arabika... 8
2 Parameter pelatihan Levenberg-Marquardt... 24
3 Hasil kalibrasi dan validasi JST prediksi kadar air kopi Lintong ... 34
4 Hasil kalibrasi dan validasi JST prediksi kadar air kopi Sidikalang ... 35
5 Hasil kalibrasi dan validasi JST prediksi lemak kopi Lintong. ... 36
6 Hasil kalibrasi dan validasi JST prediksi lemak kopi Sidikalang ... 37
DAFTAR GAMBAR
No Hal
1 Biji kopi arabika matang. ... 6
1 Biji kopi arabika ... 6
2 Informasi vibrasi molekul gugus hidroksil x-h ... 10
3 Interaksi sinar inframerah terhadap bahan ... 10
4 Arsitektur lapisan tunggal ... 13
4 Arsitektur multi lapisan. ... 13
5 Vektor 2 dimensi PCA ... 17
5 Vektor 3 dimensi PCA ... 17
6 Arsitektur JST untuk menduga kadar air dan lemak ... 24
7 Flowchart kalibrasi dan validasi ... 25
8 Kurva reflektan kopi Lintong ... 26
9 Kurva reflektan kopi Sidikalang ... 27
10 Kurva absorban kopi Lintong... 27
11 Kurva absorban kopi Sidikalang ... 28
12 Kurva absorban kopi Lintong koreksi MSC ... 29
13 Kurva absorban kopi Sidikalang koreksi MSC ... 29
14 Persen kumulatif kopi Lintong ... 32
15 Persen kumulatif kopi Sidikalang ... 32
16 Plot kalibrasi dan validasi JST kadar air kopi Lintong ... 39
17 Plot kalibrasi dan validasi JST kadar air kopi Sidikalang ... 39
18 Plot kalibrasi dan validasi JST kandungan lemak kopi Lintong ... 40
19 Plot kalibrasi dan validasi JST kandungan lemak kopi Sidikalang ... 40
DAFTAR LAMPIRAN
No Hal
1 Diagram alir tahapan persiapan data JST. ... 47
2 Diagram alir tahapan pengembangan model kalibrasi ... 48
3 Bahan dan alat ... 49
4 Data kandungan kimia kadar air, lemak dan karbohidrat secara destruktif ... 50
5 Set data input JST kopi Lintong . ... 51
6 Set data input JST kopi Sidikalang ... 56
7 Bobot JST kadar air kopi Lintong ... 61
8 Bobot JST kadar air kopi Sidikalang ... 62
9 Bobot JST lemak kopi Lintong ... 63
10 Bobot JST lemak kopi Sidikalang ... 64
11 Hasil kalibrasi arsitektur JST terbaik kopi Lintong ... 65
12 Hasil validasi arsitektur JST terbaik kopi Lintong ... 67
11 Hasil kalibrasi arsitektur JST terbaik kopi Sidikalang ... 68
12 Hasil validasi arsitektur JST terbaik kopi Sidikalang ... 70
13 Glosarium JST ... 71
PENDAHULUAN
Latar Belakang
Kopi merupakan salah satu hasil tanaman perkebunan yang memiliki nilai ekonomis tinggi dengan nilai ekspor menurut data PDSIP (2017) sebesar 1,01 Miliar US$. Sejak abad ke 20 sampai sekarang produksi kopi dunia terus meningkat menurut Subandi (2011) disebabkan oleh peran kopi sebagai pelengkap variasi dalam minuman. Kopi termasuk tanaman penyegar sama seperti teh dan kakao. Indonesia sebagai negara berkembang merupakan negara penghasil
kopi terbesar keempat setelah Brazil, Vietnam, dan Kolombia (Purnamasari dkk., 2014).
Sentra perkebunan kopi di Indonesia berada di Pulau Sumatera.
Berdasarkan data yang dirilis dalam outlook Direktorat Jendral Perkebunan (2018) data hasil produksi kopi 2017 untuk urutan pertama produksi terbesar untuk di Pulau Sumatera ditempati oleh Sumatera Selatan dengan produksi rata-ratanya sebesar 121.252 ton, kemudian diurutan kedua dan ketiga ditempati oleh Lampung dengan produksi 110.045 ton dan Sumatera Utara dengan rata-rata produksi 59.135 ton. Hasil dari produksi kopi Indonesia tersebut diekspor ke negara Jepang, Jerman, dan Amerika Serikat serta menjadi sumber pendapatan yang cukup besar dari sektor non-migas (Dradjat dkk., 2007).
Hasil kopi di Provinsi Sumatera Utara mayoritas adalah jenis arabika hal tersebut sesuai data Dinas Perkebunan Sumut (2018) dengan luas lahan 61.231,44 Ha dan produksi 49.176,51 Ton. Kopi arabika ini termasuk kopi dengan rasa yang khas (speciality taste) bagi konsumen utama, yaitu Amerika Serikat. Jenis kopi
arabika Sumatera Utara sesuai data Kementrian Pertanian (2016) banyak dihasilkan di daerah Kabupaten Tapanuli Utara, Kabupaten Dairi, Kabupaten Simalungun, Kabupaten Karo dan Kabupaten Humbang Hasundutan. Kopi Sumatera Utara seperti kopi Lintong (Humbang Hasundutan) dan Sidikalang (Dairi) dalam kontribusinya untuk menyumbang angka produksi kopi di Indonesia dapat ditingkatkan apabila memiliki manajemen lepas panen yang baik.
Penanganan terhadap biji kopi Lintong dan Sidikalang setelah panen adalah pengeringan biji sehingga didapat biji kopi beras atau green beens dengan mencapai target kadar air dan lemak yang sesuai dengan kondisi simpannya yang menurut Pusat Penelitian Kopi dan Kakao (2016) kadar air layak simpan untuk biji kopi beras arabika adalah 10-13% dan kadar lemak di bawah 17%. Kadar air saat penyimpanan dapat dianalisa kandungannya dengan metode dekstruktif dan non dekstruktif. Proses analisa ini termasuk ke dalam bagian dari kontrol mutu namun untuk metode dekstruktif membutuhkan waktu dan biaya yang besar untuk proses analisanya (Rosita, 2016).
Teknologi yang dapat digunakan untuk identifikasi kandungan air dan lemak pada green beans arabika menurut Rosita (2016) sebenarnya sudah cukup mudah yaitu dengan metode non destruktif menggunakan NIRS dengan memanfaatkan radiasi gelombang sinar inframerah. Aplikasi NIRS banyak digunakan karena dapat digunakan spektrum yang kompleks sehingga dapat dilakukan analisa secara kualitatif dan kuantitatif. Dengan metode ini bahan yang akan dikaji akan lebih mudah prosesnya dan tidak memerlukan banyak biaya serta tidak merusak bahan yang akan diuji (Kurniawan, 2017).
Davies (2019) menyatakan sejak awal kemunculan teknologi NIRS pada 1881 oleh Abney dan Festing sudah banyak penggunaan metode NIRS dan teknik prediksi yang diaplikasikan untuk menduga kandungan senyawa dalam bahan pertanian seperti principal component regression (PCR), Partial Least Square (PLS). Metode PCR dan PLS yang dapat mengakomodasi data linear dengan baik. Metode prediksi alternatif yang dapat dilakukan adalah dengan metode jaringan syaraf tiruan (JST) yang dapat digunakan apabila metode PCR dan PLS tidak dapat mengakomodasi data non-linear. Penggunaan teknik NIRS dan metode prediksi JST akan menghasilkan hasil pendugaan yang baik dengan proses penerapan dengan biaya relatif murah (Andrianyta dan Budiastra, 2010).
Saat ini sudah banyak penelitian yang memanfaatkan kombinasi NIRS dan JST untuk sistem identifikasi dan membangun model prediksi kandungan kadar air dan lemak pada kopi seperti yang telah dilakukan oleh Aditama (2019) dimana pada biji kopi beras arabika gayo dan java prenger berhasil dibuat model kalibrasi dan validasi terbaik untuk kopi gayo dengan r = 0,96 menggunakan perlakuan awal normalisasi -1,1 dan r = 0,99 dengan koreksi MSC untuk kopi java preanger.
Penentuan kerusakan secara fisik terhadap parameter biji kopi secara non destruktif menggunakan NIRS juga telah dilakukan oleh Rodrigo dkk. (2012) pada kopi robusta Indonesia, robusta Vietnam, robusta Kolombia dan robusta Nikaragua dengan tingkat kesalahan relatif hanya 5%. Meskipun model untuk jenis arabika dari daerah lain telah berhasil didapatkan tetapi tidak dapat digunakan untuk kopi Lintong dan kopi Sidikalang karena kopi yang berasal dari daerah yang berbeda akan berbeda pula karakteristiknya.
Melihat potensi teknologi NIRS terdapat kemungkinan bahwa karakteristik dari kopi arabika Sumatera Utara seperti kopi Lintong (Humbang Hasundutan) dan kopi Sidikalang (Dairi) dapat segera diketahui menggunakan NIRS dengan mendapatkan spektra yang mencirikan kandungan kimia kopi secara non destruktif. Data karakteristik tersebut dapat menjadi acuan untuk membangun sistem prediksi berbasis kecerdasan buatan berupa JST yang diharapkan hasilnya nanti dapat digunakan untuk membangun suatau proses ataupun alat pemutuan secara mekanis sehingga dapat terjaga mutu kopi tersebut.
Tujuan Penelitian
1. Mendapatkan dan menganalisis spektra NIRS untuk masing-masing jenis kopi Green Beans Arabika Lintong (Humbang Hasundutan) dan Sidikalang (Dairi).
2. Mendapatkan arsitektur jaringan terbaik untuk memprediksi kandungan kadar air dan lemak masing-masing kopi dengan menggunakan JST.
Manfaat Penelitian
1. Dengan menggunakan NIRS dan JST terdapat potensi untuk menggunakannya dalam proses identifikasi kadar air dan lemak biji kopi green beans Arabika Lintong dan Sidikalang yang lebih mudah sehingga tidak diperlukan lagi metode destruktif.
2. Diharapkan data hasil identifikasi dapat menjadi suatu acuan standar untuk mengembangkan suatu alat bantu penentuan kadar air dan lemak untuk kopi Lintong dan Sidikalang.
TINJAUAN PUSTAKA
Tanaman Kopi
Kopi pada awalnya diyakini berasal dari benua Afrika yang kemudian menyebar ke seluruh pelosok dunia. Pada masa sekarang kopi luas ditanam di daerah Amerika Latin, Asia-Pasifik dan Afrika. Tanaman kopi dapat tumbuh dan berkembang pada lokasi tanam yang memiliki iklim tropis maupun subtropis (Kurniawan, 2017). Adapun kopi di klasifikasikan menurut Rahardjo (2012) sebagai berikut :
Kingdom : Plantae
Subkingdom : Tracheobionta Super Divisi : Spermatophyta Divisi : Magnoliophyta Kelas : Magnoliopsida Sub Kelas : Asteridae Ordo : Rubiales Famili : Rubiaceae
Genus : Coffea
Spesies : Coffea sp.
Varietas dari kopi pun memiliki keragaman yaitu jenis Coffea arabica L.
Coffea canephora, Coffea liberica, dan Coffea excels (Rahardjo, 2012).
Tidak semua wilayah dapat menghasilkan produk kopi yang baik. Menurut Darsiharjo dan Jupri (2015) tanaman kopi pada dataran tinggi akan menghasilkan hasil yang baik, namun kopi juga dapat ditanam pada dataran rendah tergantung
dari jenis kopinya. Untuk dataran tinggi dengan ketinggian >1000 mdpl varietas yang cocok adalah arabika, varietas robusta dapat tumbuh pada ketinggian 40-900 mdpl dan varietas liberika sesuai pada ketinggian 0-40 mdpl. Saat proses budidaya tanaman kopi dapat juga diberikan tambahan pupuk kimia maupun organik, harus diberi naungan dan dilakukan pemangkasan. Saat panen teknik panen dapat dilakukan dengan cara memetik buah (Hulupi dan Mertini, 2013).
Tanaman kopi akan berbunga jika usia tanaman sudah mencapai umur tiga tahun. Subandi (2011) menyatakan bahwa dalam kurun waktu 9-12 bulan untuk kopi arabika dan 10-11 bulan untuk kopi robusta bunga pada tanaman akan berubah menjadi buah matang namun hal tersebut dapat berubah sesuai dengan lingkungan tumbuh. Buah kopi mentah warnanya adalah hijau. Kemudian buah mentah akan berubah menjadi berwarna hijau gelap, lalu menguning dan saat buah matang akan berwarna merah (Panggabean, 2011).
(a) (b)
Gambar 1. (a) Buah kopi arabika matang (b) Biji kopi arabika (Sumber: Rosita, 2017)
Tanaman kopi memiliki buah yang tersusun atas daging buah dan biji.
Budiman (2012) menyebutkan bahwa pada pada daging buah terdapat lapisan luar kulit (ekokarp), lapisan daging (mesokarp), dan lapisan kulit tanduk (endokarp) yang merupakan lapisan tipis tetapi keras. Kopi pada dasarnya terdiri atas dua
butir biji, namun dapat juga kita temukan biji butir satu atau bahkan tidak berbutir sama sekali (hampa). Biji kopi sendiri tersusun atas kulit biji dan lembaga, bagian lembaga tersebut yang biasa kita olah (Tim Karya Tani Mandiri, 2010).
Kopi Arabika
Kopi arabika (Coffea arabica) menurut Kopidewa (2018) merupakan kopi yang awalnya ditemukan di pegunungan Etiopia, Afrika. Pada habitat asalnya tumbuhan ini tumbuh di bawah kanopi hutan tropis yang rindang. Tanaman ini adalah jenis tanaman berkeping dua (dikotil) dengan akar tunggang pada sistem perakarannya. Kopi arabika dapat tumbuh pada daerah dataran tinggi dengan ketinggian tempat >500 mdpl dan akan berproduksi maksimal apabila dilakukan usaha budidaya pada ketinggian 1.000-2.000 mdpl. Curah hujan yang sesuai untuk pertumbuhan tanaman kopi arabika adalah 1.200-2.000 mm/tahun dengan suhu
udara 15-24oC. Tanaman ini tidak tahan pada suhu rendah di bawah 4oC (Tim Karya Tani Mandiri, 2010).
Kadungan Kimia Biji Kopi Arabika
Semua produk pangan pada dasarnya mengandung air begitu pula dengan kopi green beans arabika. Medonca dkk. (2007) menyatakan pendugaan kadar air pada kopi sangat penting untuk mengetahui mutu dari produk tersebut karena kandungan air dapat mempengaruhi pertumbuhan kapang, produksi mycotoxin, faktor kimia-fisika, laju fermentasi, dan tampilan sensoris. Kadar air suatu bahan biasa dinyatakan dalam persen terhadap berat basah atau disebut kadar air basis basah, dan berat kering atau kadar air basis kering (Agustina dkk., 2016).
Caporaso dkk. (2018) menyebutkan bahwa pada biji kopi terdapat kandungan lemak. Minyak atau lemak yang terkandung di dalam kopi menurut
Herlina dan Ginting (2002) termasuk lemak nabati karena berasal dari tumbuhan.
Lemak dan minyak adalah suatu kelompok yang termasuk kedalam jenis lipid, yaitu senyawa yang tidak dapat larut di dalam air. Kandungan lemak pada kopi arabika berkisar antara 15-17%. Lemak pada kopi umumnya tersusun atas 75%
triacylglycocerols diterpene-ester 20 %, sterols 2-3%, asam lemak jenuh 1% dan tocopherols 0,05% (Farah, 2012).
Tabel 1. Kandungan senyawa kimia kopi arabika
Komponen Konsentrasi g/100g
Arabika Green Beans Arabika Roasted
Kadar air 6,0-9,0 4,2-Tr
Gula pereduksi 0,1 0,3
Lemak 15,0-17,0 17,0
(Sumber : Farhaty dan Muchtaridi, 2016) Indikasi Geografis Kopi
Indikasi geografis adalah suatu hal yang sangat penting karena berkenaan dengan kekayaan intelektual. Secara internasional melalui artikel 22 ayat (1) yang dikeluarkan Trade Related Aspects of Intellectual Property Rights menyatakan bahwa faktor geografis suatu wilayah dari sebuah negara merupakan unsur pembentuk kualitas, reputasi atau karakteristik tertentu dari suatu produk yang akan mendapatkan perlindungan ini maka dari itu perlu segera melakukan analisa karakteristik kopi (Kurniawan, 2017).
Kopi arabika Sumatera Utara berasal dari tempat tumbuh yang berbeda dengan asal kopi lain. Keadaan geografis tempat tumbuh sangat mempengaruhi hasil dan kualitas tanaman kopi. Curah hujan, ketinggian, kemiringan, temperatur, dan kondisi tanah akan mempengaruhi karakteristik tanaman kopi. Sehingga biji kopi akan berbeda pada tiap asal wilayah tumbuhnya. Perbedaan tersebut juga
akan menciptakan citra organoleptik dan cita rasa kopi yang berbeda antara satu wilayah dengan wilayah lainnya yang tidak akan identik (Asfirmanto dkk., 2013).
Setiap jenis green beans yang berbeda akan menghasilkan rasa atau flavor yang berbeda pula. Hal tersebut pada dasarnya dipengaruhi oleh jenis kopi varietas kopi, cara pengolahan, cara roasting, penggilingan, penyimpanan, dan berbagai metode yang digunakan. Karakteristik seperti kadar air akan mempengaruhi tekstur dan rasa, kadar kafein akan mempengaruhi cita rasa pahit, lemak yang terdapat pada kopi akan mempengaruhi cita rasa, karena kadar lemak akan mempengaruhi rasa tengik saat penyimpanan (Hayati dkk., 2012).
Metode NIR Spectroscopy
Para ahli saat ini telah berusaha mengembangkan sebuah metode non destruktif sebagai cara lain yang dapat dilakukan untuk mendeteksi mutu dari suatu produk pertanian yang cepat, tidak merusak lingkungan dan tidak merusak bahan yang akan dikaji. Metode yang telah dikembangkan itu adalah Near Infrared Spectroscopy (NIRS) dengan metode ini menurut Munawar dan Budiastra (2009) kita tidak perlu menyentuh bahan yang akan dianalisa.
Teknologi NIRS diyakini memiliki tingkat akurasi yang tinggi pada hasil analisanya (Munawar dkk., 2017).
Analisa menggunakan NIRS pada dasarnya memanfaatkan gelombang elektromagnetik dengan interval 780 nm sampai 2.500 nm atau jumlah gelombangnya berkisar 4.000/cm hingga 12.000/cm. Dengan memanfaatkan gelombang elektromagnetik tersebut maka untuk analisa cukup hanya menggunakan preparat yang sangat sederhana dan tidak memerlukan bahan kimia
sehingga dapat dikatakan tidak menyebabkan polusi dan juga resiko akibat penggunaan bahan kimia (Schwaniger dkk., 2011).
Prinsip kerja NIRS adalah ikatan tunggal pada produk akan bergetar diakibatkan oleh adanya proses absorbsi radiasi gelombang inframerah oleh partikel penyusun produk. Adapun ikatan atom produk yang bergetar menurut Mohsenin (1984) adalah ikatan atom O-H, N-H dan C-H yang merupakan senyawa organik bahan. Pada saat bergetar pita penyerapan akan meningkat sesuai kombinasi gugus kimia dari bahan yang dapat dilihat pada Gambar 2. Saat pengujian perlu dilakukan tahap penyaringan data spektra karena spektra pada NIRS dapat menjadi rumit karena spektra yang dihasilkan menghasilkan puncak yang saling tindih (Karlinasari dkk., 2012).
Gambar 2. Informasi vibrasi molekul gugus hidroksil X-H (Sumber: Burns dan Ciurczak, 2008)
Gambar 3. Interaksi Sinar Inframerah Terhadap Bahan (sumber: Munawar, 2008)
Pada NIRS bahan yang diberi penyinaran gelombang elektromagnetik akan menghasilkan data berupa spektra reflektan. Nicolai dkk. (2007) menyatakan bahwasannya pada saat radiasi NIRS mengenai bahan maka karakteristik gelombang dari bahan mengalami perubahan, hal tersebut dipengaruhi oleh transmitan dan absorbansi radiasi oleh bahan. Perubahan tersebut berdasarkan kandungan kimia bahan. Energi dari gelombang NIRS sebagian akan diserap dan sebagian akan dipantulkan, energi yang dipantulkan akan ditangkap oleh detektor dan disajikan dalam bentuk data spektra reflektan (Firdaus dkk., 2014). Untuk mendapatkan data absorban spektra reflektan harus ditransformasi dengan persamaan berikut:
A = log ...(1) Berdasarkan hukum Beer-Lambert banyak nya cahaya dihamburkan dapat diketahui dengan persamaan berikut :
...(2)
Absorbansi dapat diketahui dengan persamaan:
A = -log T ...(3) dimana :
T = Transmitan
It = Intensitas cahaya setelah melewati sampel I0 = Intensitas cahaya datang
Pada dasarnya bentuk panjang gelombang dinyatakan dalam satuan nanometer (nm) dan jumlah gelombang dinyatakan dalam satuan sepercentimeter (cm-1).
Kedua satuan tersebut dapat dikonversi dengan persamaan :
λ (nm) =
( - )
...
(4) Dimana :Λ = Panjang gelombang (nm) v1 = Bilangan gelombang (cm-1) Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) pertama kali dimodelkan oleh McCulloch dan Pitch pada tahun 1943, kemudian pada tahun 1949 dilakukan pengembangkan JST yang pertama kali tentang learning rule. JST adalah suatu cabang ilmu dari bidang ilmu kecerdasan buatan (artificial intelligence). JST menurut Puspitaningrum (2006) dapat digunakan sebagai solusi untuk menyelesaikan masalah terutama di bidang-bidang yang memiliki sistem pengelompokan dan pengumpulan pola . JST mampu untuk melakukan proses input non linier dengan hubungan yang kompleks (Martinez dan Ponce, 2019).
Konsep dasar dasar pada sistem pemodelan JST menurut Kusumadewi (2003) adalah seperti sel syaraf pada manusia. Setiap satu neuron terhubung inti sel (nucleus) yang berperan sebagi inti proses, yang mana inti sel dianggap sebagai otak proses. Setiap pola-pola informasi input dan output yang diberikan kedalam JST diproses dalam neuron yang terkumpul di dalam layers neuron.
Lapisan input memiliki unit-unit input yang dapat menerima pola masukan data dari luar yang menggambarkan suatu permasalahan, lapisan tersembunyi output yang tidak dapat langsung diamati dan pada lapisan output ini merupakan solusi JST terhadap masalah (Elisa, 2016)
Terdapat tiga jenis jaringan pada Arsitektur JST yaitu jaringan lapisan tunggal, jaringan multi lapisan dan jaringan lapisan kompetitif . Pada jaringan
lapisan tunggal hanya terdiri dari 1 input dan 1 output yang terhubung melalui neuron. jaringan lapisan tunggal hanya menerima input lalu akan langsung mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Pada jaringan multi lapisan terdapat tiga jenis lapisan yaitu lapisan input, lapisan output dan lapisan tersembunyi sehingga dapat menyelesaikan masalah yang lebih kompleks. Pada jaringan lapisan kompetitif sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif (Kusumadewi, 2003).
(a) (b)
Gambar 4. (a) Arsitektur lapisan tunggal (b) Arsitektur multi lapisan (Sumber: Kusumadewi 2003)
Cara berlangsungnya proses pelatihan JST terbagi atas 3 jenis yaitu pembelajaran terawasi (supervised learning) pada jenis ini setiap pola yang diberikan telah diketahui keluarannya. Error digunakan untuk mengkoreksi bobot JST sehingga output yang dihasilkan akan mendekati pola target yang telah diketahui. Pembelajaran tak terawasi (unsupervised learning) selama proses pelatihan nilai bobot disusun dalam suatu range tertentu yang mana pelatihan ini
cocok digunakan untuk klasifikasi pola. Pembelajaran hibrida (hybrid learning) adalah metode kombinasi kedua pelatihan tersebut (Puspitaningrum, 2006).
Backpropagation (propagasi balik) adalah suatu metode pelatihan terawasi yang paling sering dipakai. Teknik ini banyak digunakan karena kemampuannya dalam menangani pola-pola kompleks. Sistem pada propagasi balik setiap satu input akan terhubung dengan satu lapisan tersembunyi dan terhubung dengan satu lapisan output. Arsitekturnya terdiri atas jaringan multi lapisan. Prinsip dari pelatihan ini adalah akan dilakukan perubahan bobot hingga didapat jaringan yang ideal dan kemudian jaringan dapat digunakan apabila telah melewati proses pelatihan (Puspitaningrum, 2006)
Terdapat 3 tahapan dalam pelatihan Backpropagation. Tahap pertama adalah tahapan maju. Pola input akan dihitung secara maju mulai dari layer masukan hingga layer keluaran dengan fungsi aktifasi yang telah kita tentukan pada awal pembentukan jaringan. Tahap kedua akan dilakukan penghitungan secara mundur. Perbedaan keluaran yang diinginkan merupakan sebuah kesalahan dalam backpropagation. Kesalahan yang terjadi akan dipropagasi secara mundur.
Proses propagasi akan dimulai dari node yang berhubungan langsung dengan unit- unit di lapisan keluaran. Tahap ketiga adalah modifikasi bobot untuk meminimalkan kesalahan yang terjadi (Deswari dkk., 2013). Adapun algoritma pelatihan Backpropagation sebagai berikut :
Langkah 1, inisialisasi semua bobot dengan bilangan acak kecil Fase I : Penjalaran maju
Langkah 2, tiap layer masukan menerima sinyal dan meneruskannya ke layer tersembunyi diatasnya
Langkah 3, semua keluaran layer tersembunyi zj (j = 1,2…,p) dihitung dengan persamaan:
z_netj = vjo +n ∑ ... (5) zj = f(z_netj) =
(
-
)
... (6) Langkah 4, semua keluaran layer output yk (k = 1,2,…,p) dihitung dengan persamaan:y_netk = wko + ∑ ... (7)
yk = f (y_netk) = ( ) ... (8) Fase II : Penjalaran Mundur
Langkah 5, Faktor δ layer output dihitung berdasarkan kesalahan setiap unit layer output yk (k = 1,2,…,p) dengan persamaan:
δk = (tk-yk) f’ ( k)= (tk-yk) yk (1- yk) ... (9) δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya. Suku perubahan bobot wkj (yang akan dipakai untuk merubah bobot wkj) dengan laju percepatan α dihitung dengan persamaan:
Δ kj = α δj zj ...(10) Dimana k = 1,2…,m dan j = 0, 1,…, p
Langkah 6, faktor δ layer tersembunyi dihitung berdasarkan kesalahan di setiap layer tersembunyi zj (j = 1,2,…,p) dengan persamaan:
δ_netj = ∑ δ ...(11) δj = δ_netj f’ ( j) = δ_netj zj (1-zj) ...(12) suku perubahan bobot vji (yang akan dipakai unuk merubah bobot vji) dihitung dengan persamaan:
Δ vji =α δj xi ...(13) dimana j = 1,2,…,m dan i = 0,1,…,p
Fase III : Perubahan Bobot
Langkah 8, Semua perubahan bobot dihitung, perubahan bobot garis yang menuju layer output dihitung dengan persamaan:
wkj(baru) = wkj(lama) + Δwkj ...(14) dimana k = 1,2,…,m dan j = 0,1,…,p), sedangkan perubahan bobot garis yang menuju ke layer tersembunyi dihitung dengan persamaan:
vji(baru) = vji(lama) + Δvji ...(15) Untuk simulasi JST dapat digunakan program Matrix Laboratory (Matlab). Matlab adalah software untuk pemrograman yang bekerja dengan konsep matrix dan mempunyai pustaka fungsi matematika dan rekayasa. Simulasi JST dapat dilakukan dengan menggunakan Neural Network Toolbox pada Matlab. Toolbox pada Matlab merupakan sebuah perpustakaan fungsi yang membantu Matlab dalam proses penyelesaian suatau kelompok masalah (Anwar, 2011).
Principal Component Analysis (PCA)
Principal Component Analysis (PCA) menurut Dunteman (1989) adalah suatu teknik statistik dimana dengan menggunakan teknik ini variabel asli dapat diubah menjadi variabel yang lebih kecil secara linier yang tidak berkorelasi dan mewakili informasi dari variabel asli. PCA memiliki tujuan untuk dapat menjelaskan bagian dari variasi dalam kumpulan variabel yang diamati atas dasar beberapa dimensi. PCA mampu meringkas pola korelasi antar variabel yang
diamati, mereduksi sebagian besar variabel menjadi sejumlah kecil faktor (Tabachnick, 2001).
Pada tahap awal PCA hal yang harus dilakukan adalah seleksi pengukuran variabel. Setelah itu dapat dilanjutkan dengan persiapan untuk matriks korelasi.
Tahapan selanjutnya proses ekstraksi faktor dari matriks korelasi. Untuk meningkatkan interpretasi kita harus melakukan rotasi faktor yang kemudian akan didapatkan hasil interpretasi. PCA dalam proses analisis nya dapat menggunakan bantuan software SPSS. pada hasil akhir akan didapatkan beberapa faktor dari variabel yang diamati (Umar, 2009).
(a) (b)
Gambar 5. (a) Vektor 2 Dimensi PCA (b) Vektor 3 Dimensi PCA (sumber: Shlens, 2014)
Evaluasi Model
Pada hasil pengukuran terdapat beberapa sumber kesalahan yang akan mempengaruhi hasil yang didapat. Widayati (2009) menyatakan bahwasanya sumber kesalahan bisa berasal dari alat ukur, objek yang diukur, lingkungan tempat pengukuran dan subjek yang melakukan pengukuran. Koefisien korelasi Pearson (r) dapat digunakan untuk mengetahui ada tidaknya hubungan antar variabel bebas dan variabel tidak bebas. Nilai koefisien korelasi harus berada pada nilai -1 dan 1 (-1≤ r ≤1). Korelasi variabel akan kuat jika koefisien korelasi lebih
besar dari -0,5 dan lebih kecil dari 0,5 (Budiwati dkk., 2010). Untuk persamaan koefisien korelasi adalah sebagai berikut :
∑ -∑ ∑
√ ∑ -(∑ ) √ ∑ -(∑ ) ...(16)
Coefficient of determination (R2) umumnya menyatakan pengaruh variabel x terhadap variasi naik turunnya variabel y. Jika nilai R2 semakin besar maka model semakin mampu menjelaskan variabel y. RMSE (Root Mean Square Error) menunjukan adanya selisih nilai hasil prediksi dan nilai hasil pengukuran.
RMSEC adalah adalah kalibrasi dari RMSE dan RMSEP adalah validasi dari RMSE. Besarnya error akan diketahui dengan membandingkan nilai RMSEP dengan nilai tengah data yang dinyatakan dengan cv. Sebuah model dikatakan baik apabila memiliki nilai r dan R2 yang tinggi, nilai cv yang rendah (<5%) serta selisih nilai RMSEC dan RMSEP harus mendekati 0 (William dan Noris, 1990).
Nilai RMSE dan cv dapat dihitung dengan persamaan berikut:
√∑ ( - ) ...(17)
-
...(18)
METODE PENELITIAN
Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan mulai bulan Juni hingga bulan Agustus 2019 di Laboratorium Biosistem Program Studi Keteknikan Pertanian Fakultas Pertanian USU, Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPHP) Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian IPB dan Laboratorium Biosains Politeknik Negeri Jember.
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah biji kopi beras (green beans) yang diperoleh dari 2 daerah, yaitu kopi Lintong Kabupaten Humbang Hasundutan dan kopi Sidikalang Kabupaten Dairi.
Peralatan yang digunakan dalam penelitian ini adalah timbangan digital, cawan petri, grinder, saringan ukuran 50 mesh, pipet mikro, gelas ukur, desikater, spektrometer FT-NR (NIRFlex N-500, diproduksi oleh BUCHI Laborteknik AG, Switzerland), dan komputer personal yang dilengkapi dengan software Unscrambler v.10.5, software Minitab 19, software Ms. Excel dan software Matlab R2017a.
Metode Penelitian Akuisisi Spektra Biji Kopi
Akuisisi spektra reflektan dilakukan terhadap masing-masing sampel biji kopi beras. Sebanyak 100 gram biji kopi ditempatkan dalam cawan petri secara merata dan rapat dengan 4 lapisan tumpukan. Pengukuran reflektan dilakukan dengan memindai masing-masing sampel sebanyak 3 kali pada 3 titik berbeda dengan mengatur cawan petri berputar 360 derajat selama pemindaian sampel.
Rentang panjang gelombang NIR yang digunakan yaitu pada panjang gelombang 1000 nm hingga 2500 nm dengan interval 2 nm.
Analisis Kimia
1. Kadar Air (Metode Thermogravitimetri)
Cawan petri kosong dikeringkan dalam oven dengan suhu 105 oC selama 15 menit kemudian dimasukan ke dalam desikator selama 10 menit lalu ditimbang. Sampel yang sudah diambil data spektranya ditimbang sebanyak 4 gram dan kemudian diletakan pada cawan. Cawan beserta isinya kemudian dimasukkan ke dalam oven dengan suhu 105 oC selama 72 jam. Selanjutnya cawan dikeluarkan dari oven dan dimasukan kembali dalam desikator untuk proses pendinginan dan setelah selesai ditimbang kembali. Berat kopi sebelum dioven (A) merupakan berat total (kopi dan cawan) dikurangi berat cawan, sedangkan berat kopi setelah dioven (B) adalah berat total setelah dioven dikurangi berat cawan. Kadar air dapat dihitung berdasarkan Persamaan 19 (Athfiyah, 2017).
Kadar air (%𝑏𝑏) = 𝐴−𝐵/ 𝐴 𝑥100% ... (19) 2. Kadar Lemak (AOAC 2006)
Labu lemak disediakan sesuai ukuran alat ekstraksi soxhlet yang digunakan. Labu dikeringkan dalam oven menggunakan suhu 105-110 oC selama 15 menit, kemudian didinginkan dalam desikator dan ditimbang (A). Sampel sebanyak ± 5 gram ditimbang dalam kertas saring (B) dan ditutup dengan kapas bebas lemak. Kertas saring beserta isinya dimasukkan ke dalam ekstraksi soxhlet dan dipasang pada alat kondensor. Pelarut heksan dituangkan ke dalam labu soxhlet secukupnya. Dilakukan refluks selama 5 jam sampai pelarut yang turun
kembali menjadi bening. Pelarut yang tersisa dalam labu lemak didestilasi, lalu labu dipanaskan dalam oven pada suhu 105 oC. Setelah dikeringkan sampai berat tetap dan didinginkan dalam desikator, kemudian labu beserta lemak ditimbang (C) dan dilakukan perhitungan kadar lemak seperti pada Persamaan 20 (Athfiyah, 2017).
Kadar lemak (%𝑏𝑏) = 𝐶−𝐴 / 𝐵 𝑥100% ... (20) Analisis Data Penelitian
Data spektra yang diperoleh dari pengukuran yaitu berupa data reflektan, selanjutnya ditransformasikan menjadi spektra absorban dengan Persamaan 1 untuk memperoleh korelasi yang linier antara nilai serapan NIRS dengan data yang diperoleh dari metode kimia. Data spektra tersebut masih merupakan data mentah sehingga perlu dilakukaan metode pengolahan data awal untuk mengurangi noise yang disebabkan oleh pengaruh eksternal. pada penelitian ini digunakan metode multiple scatter correction (MSC) dengan Unscrambler v.10.5.
Teknik JST
1. Persiapan Data Input
Dari data spektra yang telah diolah dengan metode pre-treatment selanjutnya dilakukan analisis Principal Component (PC). Analisis PC dilakukan dengan menggunakan Minitab 19 dan analisis dilakukan terpisah untuk kopi Sidikalang dan kopi Lintong. Analisis PC yang dipilih adalah analisis PC untuk data kovarians. Hasil analisis ini hanya berupa bobot untuk tiap PC sehingga perlu dilakukan perkalian matriks dengan nilai spektra absorban yang didapat sehingga siap untuk dijadikan input JST.
Persiapan data input yang selanjutnya dapat dilakukan adalah memperlebar interval data absorban hasil pengukuran, kemudian harus dilakukan pereduksian data agar proses pelatihan JST menjadi lebih baik dan cepat mencapai nilai konvergensinya, data absorban direduksi dengan metode segmentasi. Adapun persamaan yang digunakan :
Segmen N log(1/R)xi =[ ( ⁄ ) ( ⁄ ) ( ⁄ ) ] . ...(21) Dimana :
N = jumlah segmen
xi = nilai reflektan pada panjanggelombang x urutan ke i
Data hasil segmentasi kemudian dibagi menjadi dua kelompok yaitu kelompok kalibrasi untuk pelatihan jaringan dan kelompok validasi untuk pengujian jaringan. Sebanyak 2/3 set data dipilih sebagai data pelatihan dan 1/3 data sebagai set pengujian. Pembagian ini dilakukan dengan memberikan kode
“1” untuk kelompok kalibrasi dan kode “0” untuk kelompok validasi.
2. Jaringan dan Pembobot
Jaringan yang digunakan adalah jaringan multi lapisan dan algoritma yang digunakan adalah backpropagation. Arsitektur dalam jaringan yang dibangun adalah jaringan lapisan jamak yang terdiri dari 3 lapisan, yaitu lapisan input berupa nilai PC dari absorban NIRS, lapisan tersembunyi dengan 2 layer dengan node yang divariasikan dan output berupa kadar air dan lemak.
JST backpropagation pada penelitian ini dikembangkan dengan Matlab R2017a. Tahap awal dalam mengembangkan JST pada Matlab adalah melakukan impor data yang telah disiapkan sebelumnya menggunakan Microsoft Excel.
Langkah selanjutnya adalah menyiapkan variabel input, target dan test, pada
workspace. Variabel input berupa nilai PC pada set data pelatihan, variabel target berupa nilai kadar air dan lemak hasil laboratorium dan variabel test berupa nilai PC pada set data pengujian. Kemudian memunculkan tools neural network dengan kode “nntool” pada command window kemudian dibangun jaringan dengan fungsi pelatihan TrainLM (Levenberg-Marquardt) dengan melakukan impor variabel yang telah dibuat pada workspace kedalam nntool. Dalam penelitian ini digunakan fungsi aktivasi sigmoid bipolar (Tansig) pada lapisan tersembunyai dan lapisan output. Penghitungan error pada jaringan dipilih mean square error (MSE). Pembobot awal yang digunakan adalah pembobot awal random yaitu pembobot awal ditentukan secara acak dengan menggunakan bilangan acak kecil setiap jaringan backpropagation yang baru dibuat.
3. Pelatihan dan Simulasi Jaringan
Setelah jaringan terbentuk maka langkah selanjutnya yang dilakukan adalah melatih jaringan atau disebut juga sebagai proses kalibrasi. Sebelum melatih jaringan ada beberapa parameter yang harus diatur sebelum jaringan dapat dilakukan proses training. Parameter pelatihan yang tepat akan akan menghasilkan hasil kalibrasi yang optimal. Pada penelitian ini parameter yang dipilih dapat dilihat pada Tabel 2. Proses pelatihan dilakukan secara try and error karena belum adanya ketentuan baku yang dapat digunakan sebagai acuan dalam proses pembangunan jaringan dalam JST. Jika pelatihan telah selesai, jaringan dapat digunakan dalam pengenalan pola atau dalam penelitian ini disebut juga dengan tahap validasi. Set data input yang digunakan dalam simulasi jaringan ini memiliki pola yang serupa (tapi tidak sama) dengan data input pada pelatihan jaringan. Pada proses simulasi jaringan hanya tahapan propagasi maju saja yang
dilakukan karena tujuannya adalah untuk memprediksi keluaran jaringan. Secara teori, jika jaringan backpropogation dilatih dengan baik dapat menghasilkan keluaran yang baik pula.
Tabel 2. Parameter pelatihan Levenberg-Marquardt
Parameter Nilai
Show 25
Epochs 1000-50000
Time Inf
Goal 0,001
Min Grad 1,00E-07
Max Fail 6
Mu 0,01
mu_dec 0,1
mu_inc 10
mu_max 10000000000
Gambar 6. Arsitektur JST untuk menduga kadar air dan lemak PC 1
PC 2
PC 3
PC n
Hidden Layer
Lemak KA
Gambar 7. Flowchart kalibrasi dan validasi JST Pengolahan data NIRS
2/3 Data kalibrasi 1/3 Data validasi Metode JST
Kalibrasi
Validasi model
1>r>0 1>R2 >0
5 % > cv >
0 % RMSEP- RMSEC= 0
Selesai Mulai
Persiapan sampel dan alat
tidak ya Pengukuran spektra
NIRS kopi Sumatera Utara
ya tidak
Transformasi reflektan
Pengukuran dekstruktif kadar air
dan lemak kopi
HASIL DAN PEMBAHASAN
Analisis Spektra Kopi
Prinsip dasar pengukuran spektra kopi Sidikalang dan Lintong menggunakan Near Infrared (NIR) adalah menyinari sampel dengan lampu halogen. Sinar yang dihasilkan lampu tersebut diterima sebagai energi yang menyebabkan ikatan tunggal atom kopi bergetar menurut Rindang (2011) ikatan atom yang akan bergetar akibat gelombang elektromagnetik adalah ikatan atom O-H, C-O, C-C dan C-H. Ikatan atom tersebut akan bergetar dan melebar akibat adanya penyerapan radiasi gelombang inframerah.
Saat proses tersebut terdapat gelombang yang dipantulkan secara langsung atau disebut juga dengan pantulan langsung kemudian diserap oleh bahan lalu dipantulkan kembali atau disebut dengan pantulan semu. Energi yang saat terjadi pantulan semu tersebut akan ditangkap oleh detektor dan akan terbaca sebagai gelombang reflektan. Data gelombang tersebut adalah data frekuensi analog yang kemudian ditransformasikan ke dalam data spektra reflektan dengan metode transformasi fourier sehingga didapat kurva seperti pada Gambar 8 untuk kopi Lintong dan Gambar 9 untuk kopi Sidikalang.
2500 1750 1500 1000 Panjang Gelombang (nm)
Reflektan (nm) 0 0,1 0,2 0,3 0,4
Gambar 9. Kurva reflektan kopi Sidikalang
Kandungan air dan lemak pada kopi Sidikalang dan Lintong berhubungan dengan tingkat absorbansi terhadap gelombang NIRS yang dipancarkan.
Penyerapan gelombang menurut Burns dan Ciurczak (2008) akan bervariasi sesuai kandungan air dan lemak pada kopi. Berdasarkan pernyataan tersebut maka diperlukan data spektra absorban untuk proses pendugaan dengan spektra NIRS.
Pada Gambar 9 dan 10 kurva absorban tersebut dapat dilihat bahwa terdapat beberapa puncak dan lembah namun masih tumpang tindih sehingga diperlukan pengolahan data lanjutan yaitu berupa koreksi Multiplicative Scattering Correction.
2500 1750 1500 1000 Panjang Gelombang (nm)
Reflektan (nm) 0 0,1 0,2 0,3 0,4 Absorban (nm) 0 0,5 1,0 1,5 2,0
2500 1750 1500 1000 Panjang Gelombang (nm)
Gambar 10. Kurva absorban kopi Lintong
Metode Destruktif
Hasil analisa laboratorium untuk kadar air kopi green beans Arabika Lintong didapat hasil sebesar 10,26%-11,26% dan kadar lemak sebesar 14,80- 17,85%, sedangkan untuk kopi Sidikalang kadar airnya diketahui sebesar 9,87%- 11,57% dan kandungan lemak sebesar 12,2%-19,5%. Untuk hasil uji destruktif secara lengkap dapat dilihat pada Lampiran 4. Analisis kandungan kimia secara destruktif di laboratorium pada masing-masing biji kopi green beans bertujuan untuk mendapatkan data yang akan dijadikan sebagai target dari pelatihan JST karena jaringan yang akan dibangun menggunakan jenis pelatihan terawasi (supervised learning), sehingga sangat penting untuk mengetahui target pelatihan agar dapat diawasi tingkat kesalahan jaringan.
Koreksi MSC (Multiplicative Scattering Correction)
Spektra yang didapat dari hasil penembakan NIRS adalah sebanyak 1051 data. Saat akuisisi spektra kopi Sidikalang dan Lintong data absorban yang didapat masih memiliki nilai kesalahan atau noises. Faktor penyebab noises tersebut menurut Zulfahrizal dkk. (2014) adalah zat adiktif atau kandungan kimia pada kopi, ukuran biji kopi, jarak penyinaran, dan ruang udara antar biji kopi
Absorban (nm) 0 0,5 1,0 1,5 2,0
2500 1750 1500 1000 Panjang Gelombang (nm)
Gambar 10. Kurva absorban kopi Sidikalang
akibat adanya ruang kosong antar sampel yang menyebabkan sinar yang ditembakan memasuki ruang kosong antar tumpukan biji kopi tersebut dan alat akan tetap membacanya sebagai nilai gelombang reflektan.
Untuk mengurangi noises tersebut maka digunakan metode koreksi Multiplicative Scattering Correction (MSC) seperti yang dilakukan Aditama (2019) untuk mengurangi kesalahan pada data spektra nir kopi java arabika.
Koreksi MSC tersebut dapat mengurangi amplifikasi (multiplicative scattering) dan offset pada
Air
Air
Air Lemak
Air Absorban (nm) 0 0,5 1,0 1,5
2.500 1.933,49 1.700 1.458,58 1.209,48 1000 Panjang Gelombang (nm)
Gambar 12. Kurva absorban kopi Lintong koreksi MSC Air
Air
Air Lemak
gelombang 1.000-1.800 nm. Hasil dari koreksi MSC pada penelitian ini dapat dilihat pada Gambar 12 untuk kopi Lintong dan Gambar 13 untuk kopi
Absorban (nm) 0 0,5 1,0 1,5
2.500 1.939,49 1.760 1.459,43 1.208,31 1.000 Panjang Gelombang (nm)
Gambar 13. Kurva absorban kopi Sidikalang koreksi MSC
Metode MSC juga membuat kurva absorban kopi Lintong dan Sidikalang menjadi terlihat jelas tiap puncak dan lembahnya, sehingga proses identifikasi kadar air dan lemak menjadi lebih mudah. Berdasarkan kurva spektra absorban NIRS tersebut dapat dilihat bahwa kadar air kopi Lintong terdapat pada panjang gelombang 1933,49 nm, 1458,58 nm dan 1209,48 nm, untuk kopi Sidikalang terletak pada panjang gelombang 1939,49, 1459,43 dan 1208,31 nm. Sedangkan untuk kandungan lemak kopi Lintong terdapat pada panjang gelombang 1761.08 nm dan 1728,91 nm, untuk kopi Sidikalang pada rentang panjang gelombang 1760,56 nm dan 1731,3 nm. Hasil analisa tersebut berdasarkan kurva informasi vibrasi molekul gugus hidroksil senyawa organik pada spektra absorban NIRS produk pertanian. Burns dan Ciurczak (2008) menyebutkan bahwa untuk kadar air dapat dilihat berdasarkan penyerapan energi ikatan atom O-H yaitu pada panjang gelombang 1.200-1.500 nm dan 1.900-2.000 nm sedangkan kandungan lemak dapat dilihat serapan energi ikatan atom C-H yaitu pada rentang panjang gelombang 1.700-1.800 nm.
Segmentasi Data
Data spektra yang telah dikoreksi tersebut masih terlalu banyak jumlahnya sehingga tidak dapat digunakan sebagai input JST. Data tersebut harus melalui tahap persiapan data selanjutnya yaitu proses pereduksian data menjadi lebih sedikit. Data direduksi dengan metode segmentasi yang mana pada tahap ini nilai spektra akan diambil nilai rata-ratanya pada masing-masing panjang gelombang untuk tiap titik tertentu. Rindang (2011) menggunakan segmentasi 6, 8 dan 10 untuk mereduksi data spektra yang akan digunakan dalam input JST sehingga dalam penelitian ini digunakan segmen 10. Data spektra diambil nilai rata-ratanya
setiap 10 rentang panjang gelombang. Tahapan ini sangat penting untuk mempersingkat masa pelatihan JST karena data sebanyak itu akan menyulitkan JST untuk mencapai tingkat konvergensinya.
Analisis Komponen Utama
Data spektra absorban yang telah disegmentasi masih cukup banyak jika dijadikan input pada jaringan yang akan dibangun. Input yang terlalu banyak akan menyebabkan jaringan sulit dilatih dan sulit mencapai nilai terbaiknya. Persiapan data yang harus dilakukan selanjutnya adalah mereduksi data yang interkolerasi dengan cara membangkitkan variabel baru menggunakan Principal Component Analisys (PCA). Variabel baru yang dihasilkan disebut dengan komponen utama atau Principal Component (PC). PC menjadikan input JST menjadi lebih sedikit namun dapat mewakili informasi dari spektra secara keseluruhan.
Data spektra absorban yang telah disegmentasi menjadi 150 data kemudian diambil cirinya sebanyak 20 PC. Pengambilan ciri dilakukan terpisah antara kopi Sidikalang dan Kopi Lintong. Hasil perhitungan PCA tersebut bahwa pada kopi Lintong persentase variasi kumulatif yang diwakili untuk data segmentasi 10 adalah sebesar 60% untuk PC 1 dan nilai variasi yang diwakili bertambah terus hingga mencapai nilai stagnan pada PC 14 yaitu sebesar 99,9%
kurva kenaikan nilai persen kumulatifnya dapat dilihat pada Gambar 14.
Sedangkan untuk kopi Sidikalang pada PC 1 sudah mewakili 67,4% variasi data dan nilai maksimumnya pada PC 15 yaitu pada persentase variasi 99.8% kurva kenaikan nilai persen kumulatif untuk kopi sidikalang dapat dilihat pada Gambar 15. Proporsi data ini akan semakin besar nilainya dan akan bernilai nol setelah variasi kumulatifnya mencapai 100% dan pada penelitian ini dicapai pada PC 20.
Nilai PC dianggap sebagai variabel baru tanpa menghilangkan informasi pada variabel awal yang sangat banyak tersebut jika persentase variasi nya berada antara 80-90%. Dalam penelitian ini digunakan PC 1 sampai dengan PC 15 sebagai nilai pembobot input untuk kalibrasi dan validasi JST yang akan dibangun karena sudah memawikili 99,9 variasi data untuk kopi Lintong dan 99,8 variasi data untuk kopi Sidikalang. Hasil dari analisis PC hanya merupakan bobot dari masing-masing PC yang tidak dapat digunakan secara langsung untuk input JST.
Tahapan selanjutnya yang harus dilakukan adalah mengalikan matriks antara nilai PC 15 dengan nilai spektra absorban NIRS hasil segmentasi. Hasil perkalian matriks tersebut adalah data nilai PC yang sudah dapat digunakan sebagai input JST (Lampiran 5 dan 6)
Gambar 14. Persen kumulatif PC kopi Lintong
30 40 50 60 70 80 90 100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
% Kumulatif
Jumlah PC
30 40 50 60 70 80 90 100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
% Kumulatif
Jumlah PC
Gambar 15. Persen kumulatih PC kopi Sidikalang
Perancangan Jaringan
Model jaringan yang digunakan dalam penelitian ini adalah multiple layer network backpropagation yang mana pada jaringan ini selain ada unit masukan dan keluaran ada unit lain yaitu lapisan tersembunyi (hidden layer). Pada lapisan input terdiri atas 15 node yang merupakan komponen utama yang telah dikalikan matriks dengan nilai spektra absorban, 1 hidden layer yang node nya divariasikan mulai dari 3, 5, 7, 9, 12, 15 dengan variasi iterasi mulai dari 1.000 sampai 15.000 serta memiliki 1 keluaran hasil pembelajaran berupa kadar air ataupun lemak.
Pada penelitian ini setiap perubahan jumlah hidden layer akan dilatih pada jumlah iterasi yang sama.
Jaringan arsitektur tersebut dibangun secara terpisah untuk kopi Lintong dan Sidikalang begitu pula untuk outputnya. Arsitektur JST kemudian dilatih dengan inisiasi random, fungsi pelatihan Levenberg-Marquart (TrainLm), fungsi adaptasi penurunan gradient (Learngdm) dan fungsi pembelajaran bipolar Tansig-Tansig. Pelatihan jaringan dilakukan agar jaringan yang terbentuk nantinya dapat mengidentifikasi kandungan air dan lemak pada kopi Lintong dan kopi Sidikalang jika diberi input serupa (tidak persis sama). Setelah proses pelatihan jaringan selesai dilakukan simulasi terhadap hasil pelatihan dengan memberikan input berupa set data validasi. Simulasi jaringan yang telah dilatih diharapkan dapat mengenali dan mengidentifikasi kadar air dan lemak untuk kopi Lintong dan kopi Sidikalang.
Hasil Kalibrasi dan Validasi
Suatu jaringan pada JST dikatakan baik menurut Rindang (2011) jika jaringan tersebut dapat mengenali nilai masukan yang serupa (tidak harus sama)
