23 METODOLOGI PENELITIAN Waktu dan Tempat Penelitian ini dilaksanakan selama 6 bulan, dimulai pada bulan Februari-Juli 2011. Pengambilan data dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Bahan dan Alat Bahan yang digunakan adalah buah belimbing manis jenis Dewi, sebanyak 229 buah yang berasal dari Depok dengan berat 200-250 gram dan tingkat kematangan indeks 4, teobendazol, air, aquadest dan aquabidest. Alat yang digunakan dalam penelitian ini adalah sebagai berikut: spektrometer NIRFlex N-500 (fiber optic solids) dengan panjang gelombang 800-2500 nm, rheometer model CR300, refraktometer, electric conductivity meter (Horiba D-24), pHmeter, kamera digital, refrigirator dan chamber, perangkat lunak pengolah data. Prosedur Tahap I Tahap ini bertujuan untuk mengembangkan model kalibrasi dan melakukan validasi dari data spektra NIR dan data destruktif pH buah belimbing, dan menentukan persamaan regresi pH terhadap kemiringan (slope) ion leakage (IL) dari data destruktif. Sebanyak 63 buah belimbing disortasi dan dipilih yang berbentuk normal, permukaan kulit buah bersih, bebas cacat dan bercak jamur serta penyakit. Sesampainya di laboratorium, belimbing dicuci sampai bersih lalu dicelupkan kedalam teobendazol 10 ppm selama 3 menit sebagai disinfektan untuk membunuh kuman dan penyakit patogen, selanjutnya belimbing dikeringkan dengan cara diangin-anginkan. Setelah kering, buah diletakkan didalam chamber dan kemudian disimpan di dalam refrigerator bersuhu 5oC, 10oC dan suhu ruang selama 30 hari. Pengukuran parameter dilakukan sebanyak 21 kali untuk buah yang disimpan pada suhu 5oC dan 10oC, yaitu hari ke-0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28 dan 30. Pada suhu ruang pengukuran dilakukan pada hari ke-0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12 dan 14. Setiap satu kali pengukuran menggunakan 3 sampel sebagai ulangan. Diagram alir penelitian seperti yang terlihat pada Gambar 14 berikut.
24 Mulai
Sortasi
Buah belimbing (63 buah)
Perendaman dengan TBZ
Penyimpanan pada suhu 5, 10 oC, suhu ruang
Pengukuran parameter
Reflektan NIR
pH
Ion leakage
Membangun Model kalibrasi Analisis regresi Metode PLS
Metode JST Validasi
TPT, Kekerasan, dan Susut bobot
Perubahan mutu buah (C)
Persamaan regresi pH terhadap kemiringan (slope) ion lekage (B)
Model kalibrasi terbaik (A)
Selesai
Gambar 14 Diagram alir tahapan penelitian pertama Pengukuran Metode Non destruktif (Pengambilan Spektra NIR) Pengukuran reflektan NIR pada satu sampel buah belimbing dilakukan pada 3 titik yang berbeda yaitu pada bagian pangkal, tengah dan ujung buah (Gambar 15), menggunakan NIRFlex N-500 (fiber optic solids) pada panjang gelombang 10002500 nm dengan interval 0.4 nm. Setiap buah memiliki 3 set data reflektan. Dengan demikian, diperoleh total data reflektan sebanyak 189 pada penyimpanan 5 oC selama masa simpan. Data reflektan tersimpan dalam database NirCal 5.2 yang merupakan program olah data yang terintegrasi dengan spektrometer NIRFlex N-500. Spektrometer ini menggunakan detektor extended range lnGaAS dengan kontrol
25 temperatur. Prinsip pengukuran spektra adalah menembakkan cahaya dari lampu halogen ke sampel. Sebagian energi akan diserap dan sebagiannya lagi akan dipantulkan. Energi yang dipantulkan akan diterima oleh detektor sebagai data frekuensi getaran dan akan ditransformasi dengan menggunakan metode Fourier menjadi grafik data reflektan (Anonim, 2008).
Pangkal Tengah Ujung
Gambar 15 Pengambilan spektra NIR buah belimbing Pengukuran Parameter CI Ion Leakage Pengukuran ion leakage (IL) dilakukan pada sampel buah belimbing yang disimpan pada suhu 5oC. IL diukur berdasarkan perubahan nilai konduktivitas listrik larutan dengan menggunakan electric conductivity meter (satuan mS). Pengukuran dilakukan pada daging buah belimbing yang telah dipotong berbentuk kubus dengan ukuran 1cm3 dan direndam di dalam aquabides (40 ml) yang nilai konduktivitas awalnya telah diketahui (Gambar 16). Pengukuran dilakukan pada suhu ruang selama 240 menit, dengan selang waktu pengambilan data setiap 20 menit sekali. Setelah 240 menit pengukuran, sampel dihancurkan kemudian dimasukkan kembali kedalam aquabides selama 2 menit untuk diukur nilai total konduktivitas listriknya. Data yang diperoleh dinyatakan dalam satuan persen dari total konduktivitas listrik dalam larutan. Seperti pada penelitian Purwanto (2005) persamaan yang digunakan untuk mengukur perubahan IL adalah sebagai berikut: ( )
.............................................................................. 33
dimana: x = nilai konduktivitas listrik menit ke 20, 40, 60….240 y = nilai konduktivitas listrik akhir setelah dihomogenisasi.
26
3
1 cm
Gambar 16 Sampel buah belimbing untuk pengukuran IL pH Pengukuran pH dilakukan tepat pada bagian yang diambil spektra NIR. Bagian sampel buah tersebut diekstrak, kemudian diukur nilai pH dari ekstrak sampel tersebut dengan menggunakan pHmeter. Pengukuran Parameter Mutu Buah Susut Bobot Pengukuran susut bobot dilakukan dengan menggunakan timbangan digital. Pengukuran dilakukan sebelum buah belimbing disimpan (bo) dan setiap kali akhir pengamatan (bt). Selanjutnya susut bobot didapatkan dengan membandingkan pengurangan bobot awal pengamatan dan dinyatakan dalam persen (%). Rumus perhitungan susut bobot yaitu: ................................................................................................ 34 dimana: bo
= bobot awal pengamatan (g)
bt
= bobot akhir pengamatan (g)
Total Padatan Terlarut Total padatan terlarut daging buah belimbing diukur dengan menggunakan refraktomoter. Daging buah dilumatkan sehingga sari buahnya keluar, kemudian ditempatkan pada prisma yang sudah distabilkan pada suhu 25oC lalu dilakukan pembacaan nilai TPT sampel buah belimbing. Pengukuran terbaca dalam satuan %brix. Kekerasan Pengukuran kekerasan dilakukan dengan menggunakan rheometer model CR300 yang diset dengan mode 20, beban maksimum 2 kg, kedalaman penekanan 10 mm, kecepatan penurunan beban 60 mm/m dan diameter pluger jarum 5 mm. Nilai hasil pengukuran terbaca dalam satuan kg-force.
27 Pengembangan Model Kalibrasi NIR dengan Metode PLS Olah data metode PLS ini dilakukan menggunakan program NIRCal 5.2 yang terintregasi dengan alat spektrometer. Data hasil pengukuran adalah berupa data reflektan selanjutnya ditransformasikan menjadi nilai absorban dengan persamaan 4 dan kemudian dilakukan pretreatment data berupa normalisasi 0-1. Data absorban dibagi menjadi dua kelompok yaitu kelompok kalibrasi dan kelompok validasi dengan sampel yang berbeda. Jumlah data kalibrasi adalah 2/3 dari total data dan validasi 1/3 dari total data (Gambar 17). Mulai
2/3 Data Kalibrasi
Absorban NIR
pH
Normalisasi 0-1
Proses kalibrasi
1/3 Data Validasi
Absorban NIR
pH
Normalisasi 0-1
Model kalibrasi PLS
pH Model kalibrasi PLS
Validasi
r >, RMSE dan cv <
Selesai
Gambar 17 Kalibrasi dan validasi NIR metode PLS Model kalibrasi merupakan model yang menunjukkan tingkat korelasi pH dengan absorban NIR, sedangkan validasi merupakan uji terhadap model kalibrasi. Validasi bertujuan untuk menguji ketepatan prediksi persamaan kalibrasi yang telah dibangun. Validasi dilakukan dengan memasukkan sampel data yang berbeda kedalam persamaan kalibrasi sehingga diperoleh data pH dugaan NIR. Pengolahan
28 awal (pretreatmen) dilakukan untuk mengurangi error akibat perbedaan partikel. Pretreatment yang dilakukan berupa normalisasi 0-1. Diagram alir pengembangan model PLS dapat dilihat pada Lampiran 11. Pengembangan Model Kalibrasi dengan Metode JST Persiapan Data Input JST Data yang digunakan sebagai input dalam program JST ini harus terlebih dahulu dipersiapkan. Tahapan pertama yang dilakukan dalam proses persiapan data ini adalah memperlebar interval data absorban hasil pengukuran. Data absorban awal memiliki jumlah sebanyak 1051 kolom data panjang gelombang dengan interval 0.4 nm. Data sebanyak ini tidak memungkinkan untuk dijadikan input pada pelatihan JST, sehingga dilakukan pereduksian data dengan proses segmentasi menggunakan persamaan (Ventura et al, 1998) : Segmen N log(1/R)xi = [log(1/R)xi + log(1/R)xi+1 ….. + log(1/R)xi+n] / N ............... 35 dimana: N
= jumlah segmen
xi
= nilai reflektan pada panjang gelombang x urutan ke-i
Nilai absorban kemudian dinormalisasi 0-1 dan dianalisis komponen utamanya dengan menggunakan metode PCA. Diagram alir persiapan data dapat dilihat pada Lampiran 12. Data absorban lalu dibagi dalam kelompak data kalibrasi dan validasi secara acak dengan menempatkan seluruh nilai maksimum dan minimum parameter input (PC) dan output (pH sampel pengukuran destruktif) dalam kelompok data kalibrasi. Sebanyak 2/3 data dan 1/3 bagian dari total data digunakan masing-masing untuk kalibrasi dan validasi. Data untuk kalibrasi dan validasi berasal dari buah yang berbeda (Gambar 18). Inisialisasi Jaringan Arsitektur JST yang digunakan adalah jaringan lapis jamak dengan satu hidden layer. Siang (2009) menyatakan bahwa jaringan dengan sebuah hidden layer saja sudah cukup bagi jaringan untuk mengenali sembarang perkawanan masukan dan target. Jaringan yang dikembangkan terdiri dari 3 lapisan yaitu lapisan input yang berupa nilai PC absorban NIR, lapisan tersembunyi dan lapisan output berupa nilai pH destruktif di suhu 5oC (Gambar 19).
29
Mulai
2/3 Data Kalibrasi
Absorban NIR
pH
1/3 Data Validasi
Absorban NIR
pH
Segmentasi
Segmentasi
Normalisasi 0-1
Normalisasi 0-1
Analisis PCA
Analisis PCA
Model kalibrasi PLS
Proses kalibrasi
pH Model kalibrasi JST
Validasi
Tidak
r > dan RMSE cv < Ya Selesai
Gambar 18 Kalibrasi dan validasi NIR metode JST PC1
PC2 pH PC3
PCn Lapisan input (Absorban NIR)
Lapisan tersembunyi
Lapisan output (pH)
Gambar 19 Arsitektur JST untuk menduga pH Algoritma pembelajaran yang digunakan adalah resilent backprobogation yang merupakan modifikasi dari backpropogation. Dalam melakukan pelatihan, JST diberikan data masukan dan data target (supervised learning). Langkah pertama
30 pembangunan sebuah jaringan syaraf tiruan backpropogation adalah dengan membuat inisiasi jaringan. Perintah yang digunakan untuk membentuk jaringan backpropogation adalah “newff” dengan kode sebagai berikut: net = newff(PR,[S1 S2...Si],{TF1 TF2...TFNi}, BTF,BLF,PFI);
dimana: net
= jaringan backpropogation terdiri dari n lapisan
PR
= matriks ordo ke Rx2 yang berisi nilai maksimum dan minimum R buah elemen masukan
Si (1,2,…n)
= jumlah unit lapisan ke-I (I = 1,2,..n)
Tfi (I = 1,2,..n)
= fungsi aktivasi yang dipakai pada lapisan ke-1. Default = tansig
BTF
= fungsi pelatihan jaringan. Default = traingdx
BLF
= fungsi perubahan bobot atau bias. Default = lerngdm
PF
= fungsi perhitungan error. Default = mse.
Dengan menggunakan perintah tersebut maka terbentuk jaringan dengan nama “net”. Fungsi aktivasi yang dipakai pada pelatihan jaringan adalah sigmoid biner (dalam MATLAB ditulis dengan logsig) dan fungsi identitas (dalam MATLAB ditulis dengan purelin). Pelatihan jaringan dapat dilakukan dengan menggunakan berbagai fungsi. Fungsi default yang dipakai dalam MATLAB adalah fungsi traingdx. Dalam pelatihan ini digunakan fungsi pelatihan resilent backpropogatin atau dalam MATLAB ditulis dengan trainrp. Fungsi trainrp berguna untuk mempercepat proses pelatihan jaringan. Perhitungan performa jaringan latih diukur dengan parameter kuadrat rata-rata kesalahan (mse). Inisialisasi Pembobot Dalam algoritma backpropogation diperlukan inisiasi pembobot awal yang akan mempengaruhi pencapaian titik minimum lokal ataupun global dan kecepatan konvergensinya. Pembobot awal ditentukan secara acak dengan menggunakan bilangan acak kecil setiap kali jaringan backpropogation baru dibuat. Dalam pelatihan jaringan ini digunakan pembobot awal Nguyen-Widrow, dengan cara ini inisiasi bobot dan bias ke unit hidden layer akan menghasilkan iterasi yang lebih cepat. Perintah yang digunakan untuk menuliskan pembobot Nguyen-Widrow adalah: net = initnw(net,i)
dengan perintah tersebut, MATLAB akan secara otomatis menginisialisasi bobot berdasarkan algortima inisialisasi Nguyen-Wodrow. Dalam perintah tersebut huruf
31 “i” menunjukkan indeks layer, untuk bobot yang menuju hidden layer yang akan diinisialisasi dengan bobot hasil algoritma Nguyen-Widrow dikodekan dengan indeks “1”, sedangkan untuk hidden layer ke lapisan output harus ditambahkan lagi perintah tersebut namun indeks yang digunakan diubah menjadi indeks “2”. Pelatihan Jaringan Setelah menginisialisasi jaringan dan bias awalnya, tahapan selanjutnya adalah melatih jaringan. Dalam MATLAB perintah yang digunakan untuk melatih jaringan dituliskan dengan perintah: [net,tr] = train(net,P,T)
dimana: net
= jaringan
P
= input jaringan
T
= target jaringan. Default = 0
tr
= record jaringan (epoch dan perf) Ada beberapa parameter pelatihan yang dapat diatur sebelum jaringan mulai
dilatih, pemilihan beberapa parameter ini dilakukan untuk mengoptimalkan hasil pelatihan (Tabel 3). Tabel 3 Parameter resilent backpropogation dalam pelatihan jaringan Parameter Nilai net2a.trainParam.show net2a.trainParam.epochs net2a.trainParam.goal net2a.trainParam.lr net2a.trainParam.showCommandLine net2a.trainParam.showWindow net2a.trainParam.min_grad net2a.trainParam.max_fail net2a.trainParam.delt_inc net2a.trainParam.delt_dec net2a.trainParam.delta0 net2a.trainParam.deltamax
25 100000 0.0001 0.8 0 1 1e-6 5 1.2 0.5 0.07 50.0
Simulasi Jaringan Setelah pelatihan selesai, jarinagan dapat digunakan dalam pengenalan pola. Set data input yang digunakan dalam simulasi jaringan ini memiliki pola yang serupa (tetapi tidak sama) dengan data input pada pelatihan jaringan. Dalam simulasi ini, hanya tahapan propogasi maju saja yang dilakukan karena tujuan dari simulasi ini adalah untuk memprediksi keluaran jaringan. Secara teori, apabila suatu jaringan backpropogation dilatih dengan baik, jaringan dapat memprediksi keluaran yang sama seperti target yang telah diajarkan selama pelatihan.
32 Perintah yang digunakan untuk simulasi jaringan di dalam MATLAB ditulis dengan perintah: [Y,Pf,Af,E,perf] = sim(net)
Perintah “sim” dalam MATLAB digunakan untuk pengujian jaringan yang sudah di latih dengan menggunakan set data pengujian (validasi). Evaluasi Hasil Kalibrasi dan Validasi Metode PLS dan JST Hasil kalibrasi dan validasi NIR dengan metode PLS dan JST dievaluasi berdasarkan nilai koefisien korelasi (r), coefficient of determination (R2), root mean square error (RMSE), dan coefficient of variation (cv). Nilai r menyatakan hubungan antara variabel x (peubah bebas) dan y (peubah tak bebas) dengan nilai -1 ≤ r ≤ 1, jika r mendekati 1 hubungan x dan y sangat kuat dan postif, sebaliknya jika nilai r mendekati 0 hubungan x dan y lemah sekali atau tidak ada hubungan dan jika nilai r mendekati -1 hubungan x dan y sangat kuat dan negatif (Supranto, 2000). Nilai R2 menyatakan besarnya kontribusi variabel x terhadap variasi naik turunnya variabel y. Semakin besar nilai R2 artinya model semakin mampu menjelaskan variabel y. Nilai RMSE merupakan selisih antara nilai hasil prediksi dengan nilai hasil pengukuran. RMSE kalibrasi disebut RMSEC dan validasi disebut RMSEP. Untuk mengetahui besar error, maka RMSEP dibandingkan dengan nilai tengah data yang dinyatakan oleh cv. Model yang baik memiliki nilai r dan R2 yang tinggi, nilai cv yang rendah, serta nilai RMSEC dan RMSEP yang hampir sama (Wiliam dan Norris, 1990). Nilai RMSE dan cv dihitung dengan persamaan sebagai berikut: ∑
√
............................................................................................... 36 ................................................................................. 37
Nilai x adalah nilai hasil pengukuran, y adalah nilai hasil prediksi NIR, dan n adalah jumlah data. Model dinyatakan baik jika nilai r dan R2 mendekati 1 dan nilai cv<5%. Model kalibrasi terbaik digunakan untuk memprediksi pH buah berdasarkan absorban NIR pada tahap kedua. Penentuan Persamaan Regresi pH Terhadap Kemiringan Ion Leakage (IL) Hubungan pH dan ion leakege berdasarkan data destruktif ditentukan dengan analisis regresi menggunakan program microsoft exel. Persamaan regresi dapat
33 digunakan jika p-value <5%. Persamaan yang diperoleh digunakan untuk menentukan gejala chilling injury berdasarkan perubahan pH buah belimbing pada penelitian tahap kedua. Tahap II Tahap ini bertujuan untuk memprediksi nilai kemiringan (slope) IL buah belimbing selama penyimpanan berdasarkan perubahan pH secara tidak merusak. Pemilihan, perlakuan dan pengukuran buah pada tahap ini sama seperti pada tahap pertama, tetapi setelah pengukuran reflektan NIR buah langsung dimasukkan kembali kedalam chamber tanpa dilakukan pengukuran, pH, IL, kekerasan, TPT dan susut bobot. Sampel terdiri dari 10 buah monitoring. Diagram alir penelitian tahap kedua dapat dilihat pada Gambar 20. Data spektra absorban yang diperoleh dari 10 buah sampel monitoring diprediksi nilai pHnya menggunakan model PLS dan JST yang telah diperoleh pada tahap pertama. Pretreatment data yang digunakan pada data monitoring ini sama seperti pada masing-masing metode PLS dan JST. Data pH buah belimbing hasil prediksi metode PLS dan JST digunakan untuk memprediksi slope IL dengan persamaam regresi pH terhadap slope IL yang diperoleh pada tahap pertama, dengan diperolehnya nilai slope IL prediksi dapat diduga gejala CI sampel monitoring buah belimbing dengan melihat nilai tertinggi slope IL prediksi selama penyimpanan.
34
Mulai
Sortasi Buah belimbing ( 10 sampel monitoring)
Perendaman dengan TBZ Penyimpanan selama 30 hari pada suhu 5 oC
Pengukuran reflektan NIR
Spektra absorban
Pretreatment data Model kalibrasi terbaik untuk memprediksi pH pada penyimpanan suhu 5 oC (A) pH prediksi NIR Persamaan regresi pH terhadap kemiringan (slope) ion leakage (B) Kemiringan (slope) Ion leakage buah prediksi
Pola kemiringan (slope) ion leakage selama penyimpanan
Selesai
Gambar 20 Diagram alir penelitian tahap kedua