Bab II Tinjauan Pustaka

Bab II Tinjauan Pustaka

II.1.

Objek Pengamatan, Teh Hitam

Teh adalah suatu minuman yang dihasilkan dari infusi daun dari tanaman Camellia sinensis atau Thea sinensis di dalam air panas dalam beberapa menit. Ia merupakan suatu minuman khas yang telah dikenal selama ribuan tahun, sejak manusia menemukan cara untuk memanaskan objek di dalam air (merebus).

Cina adalah suatu negara dengan kebudayaan teh paling tua, dimulai pada masa permulaan Kekaisaran Cina (Kaisar Kuning), lebih kurang 2737 SM (Lam, 2001).

Teh hitam sendiri merupakan salah satu dari 3 macam pengolahan teh yang umum dikenal, di luar teh hijau dan teh oolong. Ia memenuhi sekitar 90 % dari produksi teh hitam di dunia (Hicks, 2001), dan menguasai 90 % pasar konsumsi teh Amerika (Lam, 2001).

Produsen utama teh adalah sebagai berikut. Data berdasarkan produksi total yang dihasilkan pada tahun 1995. (Hicks, 2001). 1. India, 754 000 ton. 2. Cina, 609 000 ton. 3. Sri Lanka, 246 000 ton. 4. Kenya, 245 000 ton. 5. Indonesia, 133 000 ton. 6. Jepang, 85 000 ton. 7. Bangladesh, 47 000 ton. 8. Argentina, 42 000 ton. 9. Malawi, 34 000 ton. 10. Tanzania, 24 000 ton.

Sebagai minuman yang umum dikonsumsi dalam kehidupan rumah tangga, ia telah lama dikenal sebagai suatu minuman yang menyehatkan. Ia kaya akan beragam jenis polifenol seperti catechins, flavonols, theaflavins, dan thearubigins, 7

di luar kandungan kafein (Lam, 2001). Kandungan rerata zat gizi tersebut adalah seperti pada Tabel II-1 (Beverages Health and Vitality Team, Lipton, Unilever, 2005).

Tabel II-1 Komposisi teh (g per 100 g teh kering) (Beverages Health and Vitality Team, Lipton, Unilever, 2005)

Pelaksanaan tahapan produksi yang baik akan memberikan hasil produksi yang baik, termasuk dari sisi kandungan gizi. Tahapan produksi teh hitam adalah sebagai berikut (Ningrat, 2006). 1. Pelayuan 2. Penggilingan 3. Fermentasi5 / Oksidasi Enzimatis 4. Pengeringan 5. Sortasi

Masing – masing tahapan memberikan pengaruh nyata terhadap hasil akhir, contoh, kerataan sampel berkaitan erat terhadap proses sortasi. Fungsi evaluasi sendiri untuk membuktikan apakah tahapan produksi telah terlaksana dengan baik.

Penjelasan lebih lanjut mengenai teh hitam diberikan dalam rangkaian lampiran sebagai berikut. 1. Lampiran 1

Prosedur pengamatan fisik teh hitam

2. Lampiran 2

Klasifikasi teh hitam

3. Lampiran 3

Teknik pengambilan sampel formal

4. Lampiran 4

Kompetensi ahli organoleptik

5

Meskipun istilah ini umum digunakan, ia berbeda dengan fermentasi yang dikenal umum. Istilah ini merujuk kepada oksidasi enzimatis.

8

5. Lampiran 5 II.2.

Rincian penilaian ketampakan teh hitam

Pengolahan Citra

Citra adalah suatu objek yang dibuat untuk menghasilkan ulang sesuatu yang serupa dengan objek tertentu. Ia dapat berupa bentuk dua dimensi maupun tiga dimensi. Ia juga dapat bersifat nyata atau abstrak dan tetap atau volatil.

Citra dapat pula dipandang sebagai kumpulan titik dengan warna tertentu pada bidang 2 dimensi yang mewakili suatu objek (definisi citra raster). Titik – titik tersebut adalah yang dikenal dengan nama piksel. Dikenal pula bentuk pengolahan citra yang lain, misal, citra sebagai kumpulan objek (citra vektor).

Pengolahan citra adalah suatu bentuk pengolahan informasi, di mana masukan berupa sebuah atau rangkaian citra. Pengolahan citra dapat dibedakan ke dalam tiga kelompok6 berdasarkan tujuan penggunaan pengolahan citra, yakni grafika komputer, pengeditan citra, dan pengenalan pola (Munir, 2004). Hanya konsep pengenalan pola yang dapat dianggap relevan untuk dijabarkan dalam penelitian ini.

Pengenalan pola adalah suatu usaha untuk menginferensi informasi dari data mentah dan melakukan aksi berdasarkan kategori data. Pengenalan pola dilakukan untuk mengelompokkan data numerik dan simbolik secara otomatis oleh mesin (Munir, 2004).

Pengenalan pola sendiri sebenarnya merupakan suatu bidang ilmu yang luas, meliputi pelatihan mesin, penambangan data, dan interpretasi citra. Tujuan utama pengenalan pola adalah untuk menerjemahkan data mentah ke dalam bentuk data yang lebih mudah diolah untuk keperluan subjek.

6

Meskipun demikian, penulis buku tersebut memaparkan empat ruang penerapan dalam penjabarannya, yakni manipulasi data citra seperti steganografi.

9

Pola pikir yang berkaitan dengan pengolahan citra diberikan di dalam rangkaian lampiran berikut.

II.3.

1. Lampiran 6

Konsep ekstraksi objek

2. Lampiran 7

Konsep parameter ukur

Konsep Analisis

Korelasi, atau dikenal dengan nama lain koefisien korelasi menyatakan kekuatan dan arah hubungan linear antara dua variabel acak (Spiegel & Liu, 1999). Ia menyatakan kedekatan hubungan antara dua buah parameter, namun tidak berarti hubungan tersebut merupakan hubungan sebab akibat.

Korelasi dalam wujud matematis merupakan hasil bagi antara kovarian dari kedua parameter dengan standard deviasinya, didefinisikan dalam Persamaan II-1 (Spiegel & Liu, 1999).

𝑟= Persamaan II-1

𝑥𝑖 − 𝑥 𝑦𝑖 − 𝑦 𝑥𝑖 − 𝑥

2

𝑥𝑖 − 𝑥

2

Koefisien korelasi (Spiegel & Liu, 1999)

Variabel r merupakan suatu besaran yang bernilai antara -1 hingga 1, menyatakan keterikatan dan arah dari hubungan antara dua buah parameter . 1. Semakin besar nilai 𝑟 , semakin erat hubungan antara dua buah parameter (Spiegel & Liu, 1999). 2. Bila dua buah parameter memiliki hubungan positif atau berbanding lurus, nilai r akan positif.

Sebaran data atau standard deviasi merupakan suatu besaran yang melambangkan seberapa besar suatu data tersebar dalam suatu ruang nilai, atau seberapa besar variasi yang terjadi dalam suatu himpunan data. Standard deviasi merupakan statistik yang melambangkan seberapa erat semua sampel terkumpul di sekitar rerata data (Niles, 2007).

10

Semakin besar ketersebaran suatu data, maka semakin lemah hubungan antara parameter pembentuk data tersebut, digambarkan dalam Persamaan II-2 (Spiegel & Liu, 1999).

𝑥𝑖 − 𝑥 𝑁

𝜎= Persamaan II-2 II.4.

2

Standard deviasi (Spiegel & Liu, 1999)

Sistem Pakar

Sistem pakar merupakan suatu sistem komputer atau perangkat lunak yang dengan sengaja dibuat untuk menyelesaikan pekerjaan yang biasanya dikerjakan oleh seorang pakar (Rich & Knight, 1991).

Suatu sistem pakar merupakan penerapan dari baik suatu kecerdasan buatan ataupun sistem dapat latih. Pilihan didasarkan pada bentuk basis pengetahuan yang akan direpresentasikan.

Sistem pakar sendiri dapat dikatakan sebagai suatu agen, yakni sesuatu yang dapat memahami lingkungan dengan pemindai dan melakukan tindakan dengan aktuator (Russell & Norvig, 2003). Ia dapat berbentuk sebagai berikut. 1. Agen refleks sederhana. 2. Agen refleks berbasis model. 3. Agen berbasis nilai kepuasan. 4. Agen dapat latih.

Dalam membentuk sistem pakar, perancang harus dapat memastikan hal – hal berikut berjalan dengan baik (Rich & Knight, 1991). 1. Pemasukan basis pengetahuan. 2. Menjaga konsistensi basis pengetahuan. 3. Menjamin kelengkapan basis pengetahuan.

11

Alan Turing mengajukan suatu tes sederhana untuk mengetahui tingkat kehandalan suatu sistem pakar; bila sistem pakar dan seorang pakar diminta untuk menyelesaikan suatu permasalahan yang sama dan interogator tidak dapat membedakan siapakah yang memberikan penyelesaian tersebut, maka sistem pakar telah lulus pengujian penerimaan. Pengujian ini dikenal dengan nama pengujian Turing (Russell & Norvig, 2003).

II.5.

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah program komputer yang beroperasi dengan meniru jaringan syaraf alamiah dalam otak manusia. Kemampuan utama dari jaringan syaraf tiruan adalah kemampuan untuk mensimulasikan Kemampuan pengenalan pola dalam otak manusia (Rich & Knight, 1991).

Salah satu contoh jaringan syaraf tiruan yang banyak dipakai untuk keperluan ilmiah adalah jaringan syaraf tiruan propagasi balik, seperti pada Gambar II-1 (Encyclopaedia Britannica, Inc., 2000).

Gambar II-1 Jaringan syaraf tiruan propagasi balik (Encyclopaedia Britannica, Inc., 2000)

Ciri dari jaringan syaraf tiruan adalah pengetahuan didistribusikan ke keseluruhan dari jaringan itu sendiri, tidak dengan menulis secara eksplisit pada program.

12

Jaringan dapat belajar tentang sesuatu dengan berinteraksi langsung terhadap objek yang diinginkan. Jaringan syaraf tiruan dapat melakukannya karena jaringan tersebut dibangun atas kelompok elemen proses (artificial neurons) yang dinamakan lapisan. Lapisan masukan menerima informasi dari lingkungan, dan lapisan keluaran memberikan hasil olahan jaringan berupa respon. Di antara kedua lapisan tersebut jaringan dapat memiliki satu atau lebih lapisan tersembunyi atau, lapisan tersembunyi, dinamakan demikian karena tidak ada kontak langsung dengan lingkungan, di mana sebagian besar pengolahan informasi berlangsung. Keluaran dari jaringan syaraf tiruan bergantung pada bobot (weight) dari hubungan antar neuron dari lapisan yang berbeda. Setiap besaran bobot mengindikasikan tingkat kepentingan relatif dari setiap hubungan. Jika total dari semua masukan terbeban yang diterima suatu neuron tertentu melebihi suatu nilai tertentu, neuron akan mengirimkan suatu sinyal kepada setiap neuron pada lapisan berikutnya.

Karakteristik di atas memberikan kemampuan kepada jaringan syaraf tiruan untuk mempelajari hubungan antara suatu kelompok set masukan dengan keluaran, termasuk hubungan yang tidak dapat dijelaskan dengan hubungan matematis biasa. Jaringan syaraf tiruan sangat efektif untuk diterapkan dalam permasalahan seperti identifikasi sampel, baik sampel suara maupun sampel citra, klasifikasi, kompresi data, optimasi, pemodelan, peramalan, pemecahan permasalahan kombinatorial, sistem kontrol adaptif, dan penggabungan data multisensorik.

Ciri jaringan syaraf tiruan bila dibandingkan dengan pola inferensi lain adalah sebagai berikut. 1. Bila seseorang tidak dapat menginferensi suatu pola data dengan baik, atau suatu pola data memiliki ruang keadaan yang terlalu luas sehingga penjelajahan keseluruhan keputusan menjadi tidak efisien, penggunaan jaringan syaraf tiruan dapat menjadi suatu solusi elegan. Kebalikan dari ini juga berlaku, penggunaan jaringan syaraf tiruan terhadap suatu pola data sederhana atau dapat dengan mudah diinferensi merupakan pemborosan sumber daya.

13

2. Dibandingkan dengan metoda logika samar, ia dapat diterapkan terhadap suatu sistem keputusan yang melibatkan lebih dari satu parameter pengambilan keputusan, di mana hubungan antara pengambilan keputusan tersebut tidak diketahui sebelumnya. Di lain pihak, pengguna harus memiliki sedikit informasi tentang pola hubungan data bila ia menerapkan logika samar. 3. Dibandingkan dengan algoritma genetika, suatu sistem jaringan syaraf tiruan dapat dilatih untuk mengenali suatu keputusan di luar pola data yang diberikan. Penggunaan algoritma genetika mengharuskan pengguna untuk mengenali seluruh ruang keadaan.

Jaringan Syaraf tiruan dapat dikelompokkan berdasarkan paradigma pelatihan seperti pada Gambar II-2. Pada kuadran I, Jaringan Syaraf Tiruan harus dibimbing dalam penyimpanan pengetahuannya. Data dan masukan yang masuk akan diteruskan dan tidak diberikan umpan balik. Pada kuadran II, Pembimbingan tidak perlu dilakukan terhadap sistem, dan tidak diberikan umpan balik. Pada kuadran III, Pembimbingan tidak perlu dilakukan, namun diberikan umpan balik dalam pelatihan. Pada kuadran IV, Jaringan Syaraf Tiruan dalam proses belajarnya harus dibimbing dalam penyimpanan pengetahuannya serta data dan masukan yang dimasukkan akan diteruskan dan akan memberikan umpan balik (Kristanto, 2004).

Feed Forward

Feedback

I

IV

II

III

Supervised

Unsupervised

Gambar II-2

Paradigma Jaringan Syaraf Tiruan (Kristanto, 2004)

14

Jaringan syaraf tiruan dapat dikelompokkan pula berdasarkan pola hubungan antara masukan dengan keluaran sistem. Suatu jaringan dapat memperlakukan sama antara masukan dengan keluaran (seperti jaringan Hopfield) dan membedakan masing – masing ke dalam suatu entitas (misal, masukan dan keluaran).

Tipe pelatihan jaringan syaraf tiruan yang dikenal adalah sebagai berikut (Rich & Knight, 1991). 1. Pelatihan dengan pemberian saran. Dalam model ini, sistem diberikan semacam petunjuk bagaimana suatu target dapat dicapai. Contoh sederhana, pada jaringan syaraf tiruan searah, pelatihan dilakukan hingga selisih antara target nilai keluaran dengan keluaran jaringan lebih kecil dari suatu nilai target (lebih lanjut pada Lampiran 8). 2. Pelatihan dengan pemberian contoh. Pada model pelatihan ini, suatu sistem diberikan serangkaian pasangan nilai masukan dan keluaran yang diinginkan untuk dipelajari pola hubungannya. Secara sederhana, semua model pelatihan tersupervisi masuk ke dalam kelompok ini. 3. Pembelajaran dengan penyelesaian masalah. Dalam pembelajaran model ini, sistem diberikan suatu ruang penyelesaian masalah, di mana tidak diberikan suatu pola data sebagai target dalam pembelajaran. Secara sederhana, pelatihan jaringan tanpa supervisi mengikuti kaidah ini. 4. Pembelajaran dengan penemuan. Dalam jaringan syaraf yang dirancang untuk berjalan dengan pola pembelajaran ini, sistem diberikan suatu kondisi awal dan algoritma untuk memasukkan apa yang ia temukan ke dalam ingatan.

Tipe jaringan syaraf tiruan yang dikenal adalah sebagai berikut. 1. Jaringan syaraf tiruan searah (feed forward neural network). Dalam jaringan syaraf tiruan tipe ini sistem jaringan syaraf tiruan membutuhkan masukan untuk diproses di dalam sistem secara bersamaan untuk memberikan keluaran yang diinginkan dalam pola

15

selaras, seperti pada Gambar II-3. Contoh jaringan syaraf tiruan dalam kelompok ini adalah sebagai berikut. a. Perseptron (perceptron7). Jaringan syaraf ini diperkenalkan oleh Frank Rosenblatt pada tahun 1957. Jaringan syaraf ini bekerja dengan pola pikir “keluaran dari sebuah agen merupakan jumlah dari persepsi terhadap informasi yang diberikan”, diberikan pada Gambar II-4 (Rich & Knight, 1991). Jaringan ini digunakan untuk permasalahan biner. b. Jaringan syaraf tiruan propagasi balik. Jaringan syaraf tiruan ini merupakan pengembangan lebih lanjut dari perseptron. Pada jaringan syaraf tiruan ini, ide bahwa pola hubungan antara masukan dan keluaran sistem bersifat kontinu diterapkan. Model ini didapat dengan menambahkan lapisan pengambil keputusan tambahan (lapisan tersembunyi, lebih lanjut pada Lampiran 8) sebelum lapisan pengambil keputusan. Jaringan ini dapat digunakan untuk penyelesaian permasalahan kontinu maupun biner, seperti pada Gambar II-1. c. Adaline (Adaptive Linear Neuron). Jaringan ini merupakan pengembangan

dari

perseptron

dengan

menambahkan

penerapan dari teknik nilai akar rerata kesalahan terkecil (Root Mean Square Error Method), dengan struktur seperti pada Gambar II-5. Beberapa buah Adaline dapat diserialkan sesuai kebutuhan (Multiple Adaline, Madaline). d. Jaringan berbasis fungsi radial. Jaringan ini merupakan pengembangan lebih lanjut dari jaringan syaraf tiruan propagasi balik. Sesuai namanya, fungsi aktivasi yang digunakan merupakan fungsi radial yang merupakan pengembangan dari Jarak Euclidian8.

7

Dimungkinkan merupakan portmanteau / akronim dar i perception neural network.

8 Jarak Euclidian adalah jarak relatif sebuah objek terhadap objek lain berdasarkan jumlah parameter dimensi yang diterapkan.

16

Gambar II-3

Jaringan syaraf tiruan searah

Gambar II-4

Perseptron (Artificial Neural Networks, 2007)

17

Gambar II-5

Adaline

Gambar II-6

JST Radial

2. Jaringan Kohonen, atau peta yang dapat mengatur diri sendiri (self organizing map). Jaringan ini memperlakukan sama antar masukan sebuah sistem dengan keluarannya, di mana pelatihan sistem dilakukan dengan pembelajaran kompetitif (Rich & Knight, 1991). Pada jaringan ini, pembelajaran dilakukan tanpa supervisi, dan pembelajaran dilakukan serentak terhadap setiap anggota peta tersebut. Salah satu penerapan metode ini adalah metode pengelompokan kerumunan data (data clustering), seperti pada Gambar II-7.

18

Gambar II-7 Penerapan jaringan Kohonen (Kohonen's Self Organizing Feature Maps, 2008) 3. Jaringan syaraf rekuren (recurrent network). Secara istilah, jaringan syaraf ini merujuk pada dua macam jaringan syaraf tiruan. Kedua macam jaringan syaraf ini merupakan jaringan syaraf di mana pola hubungan antara simpul pengambilan keputusan berhubungan satu dengan yang lain. a. Jaringan syaraf siklis. Pada jaringan syaraf ini, masukan dan keluaran sistem diperlakukan sederajat, dan pelatihan dilakukan dengan mempertarungkan setiap simpul di dalam sistem tersebut. Contoh jaringan seperti ini adalah sebagai berikut. 1. Jaringan Hopfield. Seperti jaringan Kohonen, setiap simpul di dalam jaringan terhubungkan satu dengan yang lainnya. Jaringan ini bekerja berdasarkan memodifikasi setiap nilai pada simpul dengan jumlah fungsi energi dari setiap simpul yang lainnya (pelatihan Hebbian), seperti pada Gambar II-8. Pengembangan versi lanjut dari jaringan Hopfield adalah jaringan Hopfield non statistik, di mana

19

hubungan antar parameter diturunkan dari hubungan logis kedua parameter tersebut.

Gambar II-8

Jaringan Hopfield 2. Mesin

Boltzmann.

Jaringan

ini

merupakan

pengembangan dari jaringan syaraf tiruan Hopfield. Sistem jaringan ini menerapkan teknik pendekatan tersimulasi (simmulated annealing) sebagai pengganti mode pelatihan Hebbian yang diterapkan pada jaringan Hopfield, seperti pada Gambar II-9.

Gambar II-9

Mesin Boltzmann (Wilson, 2007)

20

b. Jaringan syaraf rekuren. Pada jaringan syaraf ini, setiap unit pengambilan keputusan dapat memberikan lebih dari satu keputusan terhadap sebuah masukan. Sistem memberikan rangkaian keputusan secara sistematis berdasarkan masukan yang diberikan (Rich & Knight, 1991). Contoh jaringan seperti ini adalah sebagai berikut. 1. Jaringan Rekuren Sederhana, atau disebut juga jaringan Elman. Jaringan syaraf ini merupakan bentuk sederhana pengembangan dari perseptron maupun propagasi balik, di mana keluaran dari sistem dikembalikan sebagai masukan dari jaringan syaraf tiruan, seperti pada Gambar II-10. 2. Jaringan

Jordan.

Jaringan

ini

merupakan

pengembangan lebih lanjut dari jaringan syaraf tiruan propagasi balik, di mana ditambahkan pola pikir bahwa hasil keluaran terhadap masukan yang diberikan dari sebuah agen pengambil keputusan dapat berupa sebuah rangkaian tindakan, seperti pada Gambar II-11. 3. Jaringan Rekuren dengan Model Mental. Jaringan ini merupakan pengembangan lebih lanjut dari jaringan Jordan, di mana terhadap sistem diberikan suatu konsep modul ingatan / target rangkaian tindakan yang harus dapat ditangani oleh jaringan syaraf tiruan tersebut, seperti pada Gambar II-12.

21

Gambar II-10 Jaringan Elman (Wiki, 2005)

Gambar II-11 Jaringan Jordan (Rich & Knight, 1991)

22

Gambar II-12 Jaringan rekuran dengan model mental (Rich & Knight, 1991)

4. Jaringan

Syaraf

Modular.

Jaringan

syaraf

ini

merupakan

pengembangan lebih lanjut dari konsep jaringan syaraf tiruan rekuren. Pada konsep jaringan syaraf tiruan ini, beberapa jaringan syaraf tiruan dibentuk mengambil keputusan terhadap suatu permasalahan, dengan teknik kerjasama maupun kompetisi. Komponen jaringan syaraf yang dipakai dapat dibuat dari bermacam tipe jaringan syaraf tiruan. Pelatihan sistem dapat dilakukan secara mandiri maupun secara bersama – sama.

Di luar jaringan yang telah disebutkan di atas, dikenal beberapa konsep jaringan syaraf tiruan lain seperti jaringan syaraf terlatih instan, ingatan holografis asosiatif, jaringan syaraf impulsif, jaringan syaraf dinamis, dan jaringan syaraf dapat kembang.

23

1. Jaringan impulsif merupakan pengembangan lebih lanjut dari jaringan syaraf tiruan searah seperti propagasi balik, di mana waktu pemasukan merupakan bagian dari parameter masukan yang diperhitungkan, dan sistem tidak harus memberikan keluaran pada setiap masukan, atau ia dapat memberikan keluaran pada waktu yang diinginkan, dengan struktur seperti pada gambar. 2. Jaringan syaraf dapat kembang adalah pengembangan dari jaringan syaraf tiruan searah, di mana berdasarkan waktu pelatihan, struktur jaringan syaraf tiruan diperbesar seiring dengan bertambahnya tingkat adaptasi jaringan tersebut terhadap masalah, seperti pada Gambar II-13.

Gambar II-13 Jaringan syaraf impulsif (Song, Zhang, & Kaang, 1999)

24

Gambar II-14 Jaringan syaraf dapat kembang (Chandra & Varghese, 2007)

Penulis tidak mendapatkan data yang cukup untuk jaringan syaraf tiruan ingatan holografis asosiatif, sehingga penulis tidak dapat memberikan pembahasan yang cukup untuk penelitian ini.

Sebagian besar jaringan syaraf merupakan jaringan syaraf berbasis hubungan (Rich & Knight, 1991), di mana sistem dirancang untuk dapat beradaptasi terhadap informasi yang diberikan dibandingkan dengan menyelesaikannya secara langsung. Pengecualian untuk ini (disebut juga jaringan syaraf tiruan simbolik) adalah jaringan Hopfield non statistik (Supriana & Zacharias, 2007).

25

Dari semua jaringan syaraf tiruan yang berkembang, bisa dikatakan bahwa pangkal perkembangan jaringan syaraf tiruan adalah pada jaringan syaraf tiruan propagasi balik; sebagian besar jaringan syaraf tiruan di atas merupakan pengembangan lebih lanjut dari jaringan syaraf tiruan ini, sehingga perilaku dari jaringan syaraf tersebut dapat dijadikan acuan bagaimana suatu sistem dapat belajar. Pembahasan lebih lanjut untuk jaringan syaraf ini diberikan pada Lampiran 8.

II.6.

Penelitian Terkait

Penelitian paling luas tentang penilaian mutu teh hitam dengan metode non invasif dilaksanakan oleh Borah dan Bhuyan. Beberapa penelitian yang telah dilaksanakan oleh para peneliti tersebut adalah sebagai berikut. Perlu diperhatikan bahwa penelitian dilakukan terhadap teh hitam CTC. 1. Telah dilakukan penelitian untuk mendapatkan umur oksidasi enzimatis9 optimal teh hitam pada tahapan oksidasi enzimatis dengan melihat nilai ketidaksamaan piksel berdasarkan nilai hue dari permukaan tumpukan teh tahap oksidasi enzimatis. Penelitian menunjukkan bahwa dari 10 sampel, sistem pengolahan citra dapat mendapatkan nilai umur oksidasi enzimatis optimal untuk 8 sampel (Borah & Bhuyan, Non-destructive testing of tea fermentation, 2005). 2. Penelitian untuk mendapatkan warna teh dengan tingkat oksidasi enzimatis optimal dengan mengekstraksi nilai warna hue dan saturasi (HSL) dari teh hitam masa oksidasi enzimatis. Untuk ekstraksi warna digunakan metoda nilai ketidaksamaan piksel. Dengan menggunakan sistem kluster analisis komponen utama, disimpulkan bahwa antara teh hitam pra, optimal, dan pasca oksidasi optimal terlihat perbedaan nyata. Dengan menggunakan metoda jaringan Kohonen dan jaringan syaraf tiruan radial didapatkan akurasi klasifikasi 86.67 % (Borah, Machine vision for tea quality monitoring with special emphasis on fermentation and grading, 2005). 9

Dalam tulisannya ia menggunakan istilah fermentasi yang lebih umum digunakan dalam sistem produksi teh meski pun istilah tersebut tidak tepat secara teknis. Untuk keseragaman, di penelitian ini digunakan istilah oksidasi enzimatis.

26

3. Penelitian untuk mendapatkan grade10 teh hitam berdasarkan tekstur (dimensional) permukaan tumpukan teh hitam. Dengan informasi peta tekstur permukaan teh hitam tersebut, pengguna dapat membedakan hingga 8 kelas teh hitam (teh CTC terdiri atas 10 kelas, penelitian tidak memasukkan 29 kelas teh ortodoks). Penelitian dapat membedakan hingga 80 % sampel kelas grade teh hitam11, menggunakan metoda kluster jaringan Kohonen (Borah, Machine vision for tea quality monitoring with special emphasis on fermentation and grading, 2005). 4. Penelitian untuk mendapatkan grade12 teh berdasarkan kandungan zat volatil dari teh hitam. Ia memisahkan sampel ke dalam kelas kluster aroma dengan jaringan Kohonen dan menentukan grade teh tersebut berdasarkan keputusan yang dihasilkan dengan metoda jaringan syaraf tiruan dengan akurasi 61.54 % (Borah, Machine vision for tea quality monitoring with special emphasis on fermentation and grading, 2005).

Penelitian ini merupakan pengembangan lebih lanjut dari penelitian pendugaan grade teh hitam. Dalam penelitian oleh Borah, ia memandang grade teh sebagai parameter mutu dari teh hitam. Penelitian ini dilakukan untuk mengenali nilai mutu teh hitam tanpa pengaruh dari faktor kelas ukuran (grade), di samping pengukuran korelasi antara kelas mutu dan kelas ukur yang dapat ditambang dari sampel teh hitam.

Penelitian oleh Sabry Shehata, Linda J. Cox, Jack K. Fujii, dan Carol Anne Dickson dengan judul Faktor yang Mempengaruhi Perkembangan Industri Teh di Hawaii menunjukkan bahwa Indonesia merupakan salah satu negara penghasil teh untuk ekspor terbesar di dunia, setelah India, China, Sri Lanka, dan Kenya 10

Dalam bagian dari disertasi tersebut, ia menyatakannya sebagai pengkelasan kualitas, ukuran, dan bentuk. Dalam metode yang ia terapkan, parameter yang ia tambang dipetakan ke parameter grade (kelas ukur), bukan kelas mutu. 11 Pengkelasan berdasarkan ukuran metric seharusnya dari partikel teh hitam, bukan ukuran partikel teh hitam nyata. 12 Dalam penelitian tersebut, Borah membagi sampel berdasarkan grade teh dan asal kebun teh tersebut ke dalam 13 sampel. Hasil klustering menyatukannya ke dalam 8 sampel. Seperti pada penelitian gradasi sampel teh hitam, ia memandang grade sebagai parameter kualitas. Grade sendiri secara definitif adalah ukuran partikel teh hitam.

27

(Shehata, Cox, Fujii, & Dickson, 2004). Penelitian lain oleh Alastair Hicks mendukung fakta tersebut (Hicks, 2001).

Peter Kuhne menulis bahwa teh merupakan salah satu minuman penting untuk anak – anak pada masa pertumbuhan. Dia menyarankan untuk memberikan teh buah dan teh aromatik seperti teh lemon dan teh mint untuk anak segala umur, dan teh fennel untuk infan dan balita (Kuhne, 2004).

Daniel S. Schmoldt telah menerapkan teknik kecerdasan buatan untuk melakukan analisis resiko untuk ekosistem hutan. Ia menulis tentang strategi penerapan sistem berbasis pengetahuan, logika tidak jelas (fuzzy), jaringan syaraf tiruan, dan jaringan kepercayaan Bayes untuk analisa resiko dalam ekosistem hutan, seperti bahaya api, serangga dan penyakit, meteorologi, dan bahaya antropogenik (Schmoldt, 2001).

28