PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA NONDESTRUKTIF DENGAN METODE NEAR INFRARED REFLECTANCE (NIR) DAN JARINGAN SARAF TIRUAN

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA NONDESTRUKTIF DENGAN METODE NEAR INFRARED

REFLECTANCE (NIR) DAN JARINGAN SARAF TIRUAN

OLEH : HARMI ANDRIANYTA F051020131

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2006

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan adalah karya saya sendiri dengan komisi pembimbing Dr. Ir I Wayan Budiatra, M.Agr dan Dr. Ir Suroso, M.Agr dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun.

Sumber informasi

yang berasal dari atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Agustus 2006

Harmi Andrianyta NRP. F051020131

ABSTRAK HARMI ANDRIANYTA. Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan. Dibimbing oleh I WAYAN BUDIASTRA sebagai Ketua, SUROSO sebagai Anggota.

Penelitian ini bertujuan untuk mengkaji penerapan teknologi Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan (JST) untuk menentukan kadar proksimat dan asam amino jagung. Pada penelitian ini spektrum NIR yang digunakan adalah panjang gelombang 900 – 2000 nm dengan interval 5 nm. Hasil pengukuran adalah data reflektan dari 50 sampel jagung masing-masing 220 titik pengukuran. Data reflektan ini selanjutnya ditransformasi menjadi nilai absorban dengan Log (1/R). Analisis komponen utama digunakan untuk mengekstrak seluruh data absorban dan reflektan menjadi beberapa komponen utama (PC) yang bersifat tidak menghilangkan variasi data asal dan tidak saling berkorelasi. Jaringan saraf tiruan (JST) digunakan untuk kalibrasi penentuan kadar proksimat dan asam amino jagung dengan spektrum NIR. Struktur JST yang dikembangkan terdiri atas tiga lapisan (lapisan input, lapisan terselubung dan lapisan output). Sebagai input digunakan 5, 10 dan 15 komponen utama dari data absorban dan data reflektan dikombinasikan dengan 4, 6, 8, 10 dan 12 noda lapisan terselubung. Output dari JST ini adalah pendugaan komposisi kimia jagung secara simultan dan terpisah. Metode pelatihan JST yang digunakan adalah backpropagation dengan laju pelatihan dan momentum adalah 0.4 dan 0.8 menggunakan fungsi transfer sigmoid. Pada pelatihan JST digunakan 35 sampel dan 15 sampel lainnya digunakan untuk validasi. Untuk mengevaluasi kinerja JST digunakan parameter Standar error validasi (SEv) dan koefisien keragaman (CV) dari hasil pendugaan secara simultan dan terpisah. Hasil pendugaan JST terbaik untuk proksimat diperoleh dengan menggunakan model output komposisi kimia secara terpisah. Protein dapat diduga dengan baik menggunakan input data absorban 10 PC dan 6 noda lapisan terselubung (CV= 0.118%, SEv=0.001%), lemak menggunakan data absorban dengan 10 PC dan 4 noda lapisan terselubung (CV=0.054%, SEv=0.222%), kadar air dengan input data absorban 15 PC dan 6 noda lapisan terselubung (CV=0.047%, SEv=0.004%) dan karbohidrat menggunakan input input data reflektan 15 PC dan 6 noda lapisan terselubung (CV=0.002%, SEv=0.001%). Pendugaan asam amino terbaik JST juga diperoleh dengan output secara terpisah. Tyrosin dan threonin dengan menggunakan input data reflektan, CV dan SEv masing-masing adalah (2.101% dan 0.006%) dan (0.119% dan 0.0003%). Methionin, lysin, arginin dan leusin dengan menggunakan data absorban masing-masing CV dan SEv adalah (0.076% dan 0.0%), ( 0.597% dan 0.001%), (6.633% dan 0.036%) dan (0.340% dan 0.002%). Hasil penelitian ini dapat diterapkan pada industri yang bergerak dalam penentuan mutu jagung sebagai bahan pakan ternak dan pengujian mutu jagung secara rutin dalam skala besar karena hasil prediksi cukup tepat, hemat dalam hal waktu aplikasi dan tidak tergantung pada kapasitas laboratorium.

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA NONDESTRUKTIF DENGAN METODE NEAR INFRARED REFLECTANCE (NIR) DAN JARINGAN SARAF TIRUAN

HARMI ANDRIANYTA

Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Teknologi Pasca Panen

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2006

Judul Tesis

: Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan

Nama

: Harmi Andrianyta

NRP

: F051020131

Program Studi : Teknologi Pasca Panen

Disetujui, 1. Komisi Pembimbing

Dr. Ir. Suroso, M.Agr. Anggota

Dr. Ir. I Wayan Budistra, M.Agr. Ketua

Diketahui,

2. Ketua Program Studi Teknologi Pasca Panen

Dr. Ir. I Wayan Budiastra, M.Agr.

Tanggal Ujian : 19 Juli 2006

3. Direktur Sekolah Pascasarjana

Dr. Ir. Khairil Anwar Notodiputro, MS.

Tanggal Lulus :

RIWAYAT HIDUP Penulis dilahirkan di Sicincin (Sumatera Barat) pada tanggal 8 Maret 1979 sebagai anak tunggal pasangan Ibu Zuhaimi dan Bapak Baharuddin. Jenjang pendidikan sejak dari SD sampai SMU diselesaikan di kota asal penulis. Pada tahun 1997 penulis diterima pada Program Studi Pemuliaan Tanaman Jurusan Budidaya Pertanian IPB melalui jalur USMI (Undangan Seleksi Masuk IPB). Gelar Sarjana Pertanian diperoleh pada tahun 2002.

Pada tahun yang sama penulis melanjutkan pendidikan S2 di IPB

Program Studi Teknologi Pasca Panen atas biaya sendiri. Selama mengikuti perkuliahan S1 penulis menjadi asisten praktikum mata kuliah Botani Umum dan Taksonomi Tumbuhan Tingkat Tinggi pada tahun 2000. Karya Tulis Penulis dengan judul ”Uji Ketahanan 12 Genotipe Padi Gogo Terhadap Penyakit Blas Daun dengan Metode Inokulasi Semprot dan Metode SCAR (Sequence Characterized

Amplified Region)” pernah dimuat di Bulletin Agronomi pada Tahun 2002. Pada tahun 2004, penulis diterima sebagai Pegawai Negeri Departemen Pertanian di Lingkup Badan Penelitian dan Pengembangan Pertanian. Unit kerja Balai Besar Pengkajian dan Pengembangan Teknologi Pertanian sebagai Calon Peneliti. Sampai sekarang penulis masih bekerja di instansi tersebut.

PRAKATA Puji syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan.

Tema yang dipilih adalah

metode nondestruktif dalam penentuan komposisi kimia dengan judul “ Penentuan Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan. Terimakasih penulis ucapkan kepada Dr. Ir. I Wayan Budiastra, M.Agr, Dr. Ir. Suroso, M.Agr sebagai Ketua dan Anggota Komisi Pembimbing, Dr. Ir. I Wayan Astika, MSi sebagai dosen penguji yang telah banyak memberi masukan dan perbaikan tesis ini.

Di samping itu penghargaan penulis sampaikan Kepada Bapak Sulyaden,

Asisten Laboratorium TPPHP Departemen Teknik Pertanian, yang telah banyak membantu selama penulis melakukan penelitian.

Penulis juga menyampaikan

terimakasih kepada laboran di laboratorium Kimia Pangan, Departemen Ilmu dan Teknologi Pangan IPB dan Laboratorium Analisis Kimia Balai Litbang Pasca Panen. Tak lupa penulis juga mengucapkan terimakasih kepada rekan-rekan seangkatan TPP 2002 atas bantuan dan dukungannya.

Ungkapan terimakasih yang mendalam penulis

persembahkan untuk Ibunda Zuhaimi dan keluarga atas dukungan doa, biaya dan kasih sayangnya. Semoga Allah SWT membalas semua kebaikan dengan sesuatu yang jauh lebih baik. Akhir kata penulis berharap semoga karya ilmiah ini bermanfaat.

Bogor,

Agustus 2006

Harmi Andrianyta

Karya ini kupersembahkan untuk Suamiku tercinta, Hari Hermawan Sutan Bandaro

DAFTAR ISI

Halaman DAFTAR TABEL ........................................................................................ viii DAFTAR GAMBAR .....................................................................................

ix

DAFTAR LAMPIRAN ..................................................................................

x

PENDAHULUAN Latar Belakang....................................................................................1 Tujuan .............................................................................................3 TINJAUAN PUSTAKA Jagung ........................................................................................... 4 Teknologi Near Infrared ..................................................................... 7 Jaringan Saraf Tiruan ........................................................................10 Principal Component Analysis (Analisis Komponen Utama)...................14 METODOLOGI PENELITIAN Tempat dan Waktu Penelitian............................................................ 18 Bahan dan Alat................................................................................. 18 Diagram Alir Penelitian...................................................................... 21 Pengukuran Spektrum Pantulan (Reflektan) ....................................... 22 Pengukuran Kadar Air ....................................................................... 23 Penentuan Kadar Karbohidrat............................................................ 23 Penentuan Kadar Protein .................................................................. 24 Penentuan Asam Amino .................................................................... 24 Penentuan Kadar lemak .................................................................... 25 Pengembangan Model Jaringan Saraf Tiruan ...................................... 25 Analisis Data .................................................................................... 26 HASIL DAN PEMBAHASAN Data Absorban dan Reflektan NIR Jagung.......................................... 28 Data Kimia Proksimat dan Asam Amino Jagung .................................. 30 Pendugaan Proksimat Jagung dengan JST Output Terpisah................. 31 Data Absorban ................................................................................. 31 Data Reflektan ................................................................................. 32 Pendugaan Proksimat Jagung dengan JST Output Secara Simultan ..... 36 Data Absorban ................................................................................. 36 Data Reflektan ................................................................................. 37 Pendugaan Asam Amino Jagung dengan JST Output Secara Terpisah.. 39 Data Absorban ................................................................................. 39 Data Reflektan ................................................................................. 41

Pendugaan Asam Amino Jagung dengan JST Output Secara Simultan.. 44 Data Absorban ................................................................................. 44 Data Reflektan ................................................................................. 45 SIMPULAN DAN SARAN Simpulan ......................................................................................... 49 Saran ............................................................................................ 49 DAFTAR PUSTAKA .................................................................................... 50 LAMPIRAN................................................................................................ 53

DAFTAR TABEL

Halaman 1 Komposisi Kimia Jagung (% Bobot Kering) .................................................... 5 2 Persyaratan Mutu Jagung Untuk Perdagangan ............................................... 6 3 Persyaratan Mutu Jagung Sebagai Bahan Pakan ............................................ 7 4 Hasil Analisis Proksimat dan Asam Amino Jagung.......................................... 31 5 Rekapitulasi Nilai CV Validasi Proksimat Output Terpisah Data Absorban dan Data Reflektan .................................................................................... 34 6 Hasil Prediksi Terbaik JST Output Proksimat Secara Terpisah ........................ 35 7 Rekapitulasi Nilai CV Validasi Proksimat Output Simultan Data Absorban dan Data Reflektan .......................................................................................... 39 8 Rekapitulasi Nilai CV Validasi Asam Amino Output Terpisah Data Absorban dan Data Reflektan .......................................................................................... 42 9 Hasil Prediksi Terbaik JST Output Asam Amino Output Secara Terpisah.......... 43 10 Rekapitulasi Nilai CV Validasi Asam Amino Output Terpisah Data Absorban dan Data Reflektan .......................................................................................... 47

DAFTAR GAMBAR

Halaman 1 Jagung ..................................................................................................... 5 2 Sel Saraf (neuron) dengan Akson dan Dendrit(www.praweda.co.id)............... 10 3 Model Jaringan Saraf Tiruan (Takagi, 1997)................................................. 10 4 Vektor Principal Component Analysis (www.optimaldesign.com) .................... 15 5 Sistem Deteksi NIR Hasil Modifikasi (Budiastra dan Ahmad, 2005) ................. 19 6 Sampel Jagung Utuh Untuk Scanning NIR.................................................... 19 7 Sistem Pengukuran NIR (Budiastra dan Ahmad, 2005).................................. 20 8 Diagram Alir Penelitian............................................................................... 21 9 Model Jaringan Saraf Tiruan ....................................................................... 26 10 Spektrum Reflectan NIR Pada Beberapa Sampel Jagung ............................... 28 11 Spektrum Absorban NIR Pada Beberapa Sampel Jagung .............................. 29 12 Kumulatif variasi dari 15 komponen utama A) Absorban B) Reflektan............. 30 13 CV Validasi Proksimat Output Terpisah Menggunakan Data Absorban............. 32 14 CV Validasi Proksimat Output Terpisah Menggunakan Data Reflektan............. 33 15 Perbandingan Nilai Dugaan JST Dengan Nilai Kimia Proksimat ....................... 35 16 CV Validasi Proksimat Output Simultan Menggunakan Data Absorban ............ 36 17 CV Validasi Proksimat Output Simultan Menggunakan Data Reflektan ............ 37 18 CV Validasi Asam Amino Output Terpisah Menggunakan Data Absorban......... 40 19 CV Validasi Asam Amino Output Terpisah Menggunakan Data Reflektan......... 41 20 Perbandingan Nilai Dugaan JST Dengan Nilai Kimia Asam Amino ................... 43 21 CV Validasi Asam Amino Output Simultan Menggunakan Data Absorban......... 44 22 CV Validasi Asam Amino Output Simultan Menggunakan Data Reflektan......... 46

DAFTAR LAMPIRAN

Halaman 1 Nilai CV JST Proksimat Output Terpisah Menggunakan Data Absorban ........................................................................................... 53 2 Nilai CV JST Proksimat Output Simultan Menggunakan Data Absorban ........................................................................................... 54 3 Nilai CV JST Proksimat Output Terpisah Menggunakan Data Reflektan ........................................................................................... 55 4 Nilai CV JST Proksimat Output Simultan Menggunakan Data Reflektan ........................................................................................... 56 5 Nilai CV JST Asam Amino Output Terpisah Menggunakan Data Absorban......... 57 6 Nilai CV JST Asam Amino Output Simultan Menggunakan Data Absorban ........ 58 7 Nilai CV JST Asam Amino Output Simultan Menggunakan Data Reflektan ........ 59 8 Nilai CV JST Asam Amino Output Simultan Menggunakan Data Reflektan ........ 60 9 Analisis Kimia 50 Sampel Jagung.................................................................. 61 10 Nilai 15 Komponen Utama Hasil Ekstrak Dari Data Absorban NIR Jagung ....... 63 11 Nilai 15 Komponen Utama Hasil Ekstrak Dari Data Reflektan NIR Jagung ....... 66 12 Deskripsi Varietas Jagung .......................................................................... 69 13 Korelasi Protein dan Asam Amino Jagung.................................................... 70

PENDAHULUAN Latar Belakang Jagung merupakan tanaman pangan yang banyak dibudidayakan di Indonesia selain padi. Tanaman jagung telah diperkenalkan di Indonesia sejak awal abad ke 16 oleh bangsa Portugis dan Spanyol dari daerah tropis Amerika melalui Eropa, India dan Cina. Dalam tiga dasawarsa terakhir telah berkembang secara luas plasmanutfah dan varietas baru jagung di Indonesia.

Produksi jagung tahun 2005 (Ramalan II)

diperkirakan sebesar 11,74 juta ton pipilan kering atau naik sebesar 4,56 persen dibandingkan produksi tahun 2004 (11,23 juta ton). Kenaikan produksi jagung terutama disebabkan oleh kenaikan produktivitas dengan adanya perubahan varietas yang ditanam petani dari varietas lokal ke varietas komposit atau hibrida (BPS, 2005). Jagung di Indonesia pada umumnya diusahakan pada lahan-lahan marginal, yang rawan kekeringan dan tanah yang kurang subur. Faktor lainnya seperti keasaman tanah, masalah gulma yang bersifat persisten dan terbatasnya modal serta kurangnya infestasi alat menjadi faktor penyebab tidak optimalnya produksi jagung di Indonesia. Oleh karena itu untuk memenuhi kebutuhan jagung dalam negeri kita masih mengimpor jagung setiap tahunnya yaitu sebesar US$125.5 juta.

Kegunaan jagung di Indonesia

sebagian besar adalah untuk pakan ternak dan industri (sekitar 70%) sedangkan sisanya adalah untuk konsumsi manusia dalam bentuk olahan jagung. Permintaan jagung untuk bahan baku pakan ini terus meningkat seiring dengan berkembangnya sektor peternakan. Pengendalian mutu merupakan usaha mempertahankan mutu selama proses produksi sampai produk berada di tangan konsumen pada batas yang dapat diterima dengan biaya seminimal mungkin. Pengendalian mutu jagung pada saat pasca panen dilakukan

mulai

pemanenan,

pengeringan

awal,

pemipilan,

pengeringan

akhir,

pengemasan dan penyimpanan. Pemanenan dilakukan pada saat jagung telah mencapai masak fisiologis yaitu berkisar 100 hari setelah tanam tergantung dari jenis varietas yang digunakan. Pada

umur demikian biasanya daun jagung/klobot telah kering dan berwarna kekuningkuningan. Selanjutnya dipisahkan antara jagung yang layak jual dengan jagung yang busuk, muda dan berjamur untuk dilakukan proses pengeringan. Penanganan pascapanen ini memegang peranan penting dalam kualitas dan pengolahan jagung selanjutnya baik sebagai bahan baku pakan atau bahan makanan manusia. Keberhasilan pengembangan jagung

tidak hanya ditentukan oleh tingginya

produktivitas saja tetapi juga oleh mutu produk, agar komoditas tersebut mampu bersaing, dan memiliki keunggulan kompetitif. Dengan demikian pengendalian mutu memegang peranan yang penting dalam menjamin mutu jagung. Karena produksi jagung cukup besar, maka diperlukan teknik/metode yang dapat menentukan mutu jagung dengan cepat dan akurat. Teknologi Near infrared dikembangkan sebagai salah satu metode yang nondestruktif, dapat menganalisa dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana dan tidak memerlukan bahan kimia. Aplikasi teknologi NIR diawali Norris dan Hart (1965) yang mengukur kadar air yang terkandung dalam biji dengan menggunakan transmitance spectroscopy. Hasil temuan mereka adalah kadar air dalam biji-bijian (bahan) dapat diukur pada panjang gelombang 1940 nm. Kays et al. (1997, 2002) memprediksi kandungan serat makanan yang dapat larut dan tidak dapat larut pada biji-bijian dengan near infrared reflectance spectroscopy, pengukuran kekerasan biji gandum (Delwiche, 1993). Cravener et al. (2001) memprediksi kandungan asam amino pada pakan ternak dengan metode kalibrasi genetika algoritmajaringan saraf tiruan. Teknologi NIR dapat memprediksi secara akurat asam amino esensial pada gandum, barley, sorgum, jagung dan beras pada panjang gelombang 1100 – 2500 nm menggunakan data absorban (Fontaine et al. 2002). Untuk mendapatkan informasi yang diinginkan dari spektrum infra merah dekat banyak ditentukan oleh kualitas spektrum yang dihasilkan dan metode kalibrasi yang digunakan untuk menganalisa spektrum. Terdapat beberapa metode kalibrasi yang tersedia yang paling sederhana adalah dengan melihat perbedaan dalam kurva nilai log

(1/R) yang sering disebut delta optical data, metode linier regresi berganda (MLR), regresi komponen utama (PCA), regresi parsial kuadrat terkecil (PLS) dan jaringan saraf tiruan (JST) (Osborne et al. 1993). Jaringan saraf tiruan adalah salah satu metode yang dikembangkan untuk kalibrasi spektrum infra merah dekat (Osborne et al., 1993). Paterson (1995) menyatakan bahwa JST merupakan suatu model sederhana dari sistem saraf biologis yang meniru cara kerja otak manusia dalam memecahkan masalah yang dihadapi. Keuntungan dari metode JST adalah dapat membentuk fungsi nonlinier dan hanya memerlukan data masukan dan keluaran tanpa mengetahui dengan jelas proses dalam JST. Selain itu JST memiliki kemampuan generalisasi dan adaptive learning. Analisis komponen utama (PCA) telah digunakan oleh Siska & Hurburgh., (1996) untuk menyeleksi 410 sampel jagung yang akan digunakan pada pengukuran berat jenis jagung dengan Near Infrared Transmittance. Di bidang peternakan Hsieh et al. (2002) menggunakan analisis PCA berdasarkan skor untuk mereduksi dimensi data spektrum NIR. Hasil analisis PCA ini akan dijadikan noda input dalam membangun jaringan saraf tiruan algoritma penjalaran balik (backpropagation). Senduk (2002) juga telah menggunakan analisis PCA untuk mereduksi dimensi data pantulan infara merah pada penentuan tingkat ketuaan dan kematangan sawo. Tingkat keakuratan 100% dicapai pada 10 dan 15 komponen utama pada berbagai jumlah lapisan terselubung. Tujuan Penelitian ini bertujuan untuk mengkaji penerapan teknologi NIR dan JST dalam menentukan kadar proksimat dan asam amino jagung.

TINJAUAN PUSTAKA Jagung Jagung adalah anggota famili Graminae, siklus hidup tanaman jagung adalah tanaman semusim, berpenampilan tegak, termasuk tumbuhan semak, menghasilkan biji pada tongkol. Klasifikasi jagung berdasarkan taksonomi adalah sebagai berikut (Rukmana, 1997) : Kingdom

: Plantae

Divisio

: Spermatophyta

Subdivisio

: Angiospermae

Kelas

: Monocotyledoneae

Ordo

: Poales

Famili

: Graminae (Poaceae)

Genus

: Zea

Spesies

: Zea mays

Para ahli botani dan pertanian mengidentifikasi bentuk asli tanaman jagung ke dalam tujuh jenis yaitu sebagai berikut.

1) jagung gigi kuda / dent corn (Zea mays

identata ) 2) jagung mutiara / flint corn (Z.mays indurata) 3) jagung manis / sweet corn (Z.mays saccharata) 4) jagung berondong / pop corn (Z. mays everta) 5) jagung pod /

pod corn (Z. mays tunicata) 6) jagung ketan / waxy corn (Z. mays ceratina) 7) jagung tepung / flour corn (Z. mays amylacea). Produksi utama usaha tani tanaman jagung adalah biji. Biji jagung merupakan sumber karbohidrat yang potensial untuk bahan pangan ataupun nonpangan. Produksi sampingan berupa batang, daun, dan kelobot dapat dimanfaatkan sebagai bahan pakan ternak ataupun pupuk kompos. Kandungan kimia jagung terdiri atas air 13.5%, protein 10%, lemak 4%, karbohidrat 61 % gula 1.4%, pentosan 6%, serat kasar 2.3%, abu 1.4% dan zat lain-lain 0.4%. Komposisi kimia bagian-bagian biji jagung disajikan pada Tabel 1.

Tabel 1 Komposisi Kimia Bagian-Bagian Jagung (% Bobot Kering) No.

Komponen

Lapisan luar

Lembaga

Endosperm

1

Protein

6.2

21.0

11.0

2

Minyak

1.5

32.0

1.5

3

Karbohidrat (bebas N)

74.1

34.0

86.5

4

Serat kasar

17

2.9

0.0

5

Mineral

1.2

10.1

0.5

Sumber : Kent-Jones dan Amos (1967) dalam Rukmana (1997).

Jagung merupakan salah satu komoditas palawija utama di Indonesia dengan luas panen 42-46% dari luas panen palawija. Sejak tahun 1990 total produksi jagung di Indonesia meningkat sehingga memungkinkan untuk memenuhi kebutuhan jagung dalam negeri.

Tahun 1990 dan 1992 lebih 137 ton jagung diekspor ke pasar internasional.

Permintaan jagung untuk pemenuhan kebutuhan makanan ternak meningkat hingga 11% di tahun 1995 (Sarono et al. 2001).

Tongkol jagung dengan baris biji yang

sempurna seperti terlihat pada Gambar 1.

Gambar 1 Jagung. Varietas jagung yang ditanam di Indonesia terdiri dari 23% jagung hibrid, 37% varietas baru open pollinated berdaya hasil tinggi (contoh Arjuna, Kalingga, Rama), 2.5 % varietas open pollinated berdaya hasil tinggi yang lama (contoh Genjah, Metro, Harapan Baru) dan varietas lokal 37%. Varietas hibrid yang masih digunakan di Indonesia adalah C-1, C-2, Cargill-3, CPI-1, CPI-2, Pioneer-2 dan IPB. Perusahaan yang

menghasilkan varietas hibrid dan benih open pollinated yaitu PT. Pioneer Hibrida Indonesia, PT. BISI, PT. Sang Hyang Sri/Cargill Indonesia. Jagung hibrid dibuat dengan cara mempersilangkan dua buah galur bersaudara (inbreed line) yang unggul. Oleh karena itu perlu dipilih populasi sumber galur, membuat galur dari sumber galur kemudian menguji daya gabung umum dan daya gabung khusus (combining abality) galur-galur tersebut (Welsh & Mogea, 1991). Jagung manis merupakan jagung biasa yang mengalami mutasi pada lokus Su yang terletak pada kromosom ke-4. Endosperm jagung manis mempunyai kadar gula tinggi dibandingkan kadar pati serta transparan dan keriput saat kering. Penanganan pasca panen jagung dapat meningkatkan daya gunanya, sehingga lebih bermanfaat bagi kesejahteraan manusia. Hal ini dapat ditempuh dengan cara mempertahankan kesegaran atau mengawetkannya dalam bentuk asli maupun olahan sehingga dapat tersedia sepanjang waktu sampai ke tangan konsumen dalam kondisi yang dikehendaki konsumen. Persyaratan mutu jagung untuk perdagangan menurut SNI dikelompokkan menjadi dua bagian yaitu persyaratan kualitatif dan persyaratan kuantitatif. Persyaratan kualitatif meliputi : 1) Produk harus terbebas dari hama dan penyakit 2) Produk terbebas dari bau busuk maupun zat kimia lainnya (berupa asam) 3) Produk harus terbebas dari bahan dan sisa-sisa pupuk maupun pestisida 4) Memiliki suhu normal. Sedangkan persyaratan kuantitatif dapat dilihat pada Tabel 2. Tabel 2 Persyaratan Mutu Jagung Untuk Perdagangan No. 1. 2. 3. 4. 5.

Komponen Utama Kadar Air Butir Rusak Butir Warna Lain Butir Pecah Kotoran

I 14.0 2.0 1.0 1.0 1.0

Persyaratan Mutu (% maks) II III IV 14.0 15.0 17.0 4.0 6.0 8.0 3.0 7.0 10.0 4.0 3.0 5.0 1.0 2.0 2.0

Sumber : SNI dalam Kristanto (2006).

Sedangkan persyaratan mutu jagung sebagai bahan pakan harus memenuhi standar zat anti nutrisi/racun pada batas tertentu sehingga tidak membahayakan ternak yang memakannya maupun manusia yang mengkonsumsi hasil ternak tersebut.

Berdasarkan SNI 01-4483-1998 jagung sebagai bahan pakan ternak dikelompokkan dalam satu tingkatan mutu. Persyaratan mutu jagung sebagai bahan baku pakan yang harus dipenuhi adalah seperti pada Tabel 3. Tabel 3 Persyaratan Mutu Jagung Sebagai Bahan Pakan Persyaratan mutu

Nilai

Kadar air (maksimum) % Kadar protein kasar (minimum) % Kadar serat kasar (maksimum) % Kadar abu (maksimum) % Kadar lemak (minimum) % Mikotoksin : 1). Aflatoksin (maksimum) ppb 2). Okratoksin (maksimum) ppb Butir pecah (maksimum) % Warna lain (maksimum) % Benda asing (maksimum) % Kerapatan (minimum) kg/cm3 Sumber : SNI 01-4483-1998.

14.0 7.5 3.0 2.0 3.0 50 5.0 5.0 5.0 2.0 700

Kualitas biji jagung ditentukan oleh banyak faktor diantaranya adalah waktu pemanenan yang tepat dan layak.

Banyak petani memanen jagung lebih cepat dari

waktu yang seharusnya (kadar air tinggi) dengan berbagai alasan. Di Thailand, alasan petani memanen jagung lebih awal adalah karena hujan (> 25% petani), tidak tersedia tenaga kerja (>15% petani), ketidak seragaman kadar air (8-50% petani). Panen pada kadar air tinggi dan penanganan pascapanen kurang baik mendorong tingginya susut. Susut dapat berupa susut kuantitas seperti dimakan hama (tikus, serangga dan burung) atau susut kualitas misalnya butir terserang cendawan dan terdapat aflatoksin sebagai akibat sampingan dari cendawan.

Teknologi Near Infra Red Infrared merupakan gelombang elektromagnetik dengan kisaran panjang gelombang lebih panjang dari spektrum cahaya tampak yaitu berkisar antara 700 – 3000 nm atau 0.7-3 µm (Mohsenin, 1984). Ahli spektroscopy membagi infrared atas tiga bagian yaitu near, middle, dan far infrared. Untuk berbagai tujuan penelitian, kisaran panjang gelombang near infrared adalah 800 – 2500 nm (Ruiz, 2001). Hal yang

terpenting dari aplikasi near infrared (NIR) reflektan dan absorban elektromagnetik ini adalah untuk menganalisis komponen, deteksi kualitas dan pemasakan (Mohsenin, 1984), teknologi NIR juga sangat sederhana dan bersifat nondestruktif bila diaplikasikan dalam pengukuran bahan-bahan kimia komplek seperti bahan pakan ternak, persiapan pembuatan ramsum dan komposisi ramsum ternak (Dyer & Feng, 1997). Murray dan Williams (1987) menerangkan bahwa radiasi elektromagnetik dapat diekspresikan dalam batasan-batasan seperti frekuensi (v), panjang gelombang (λ), jumlah gelombang (v ). Frekuensi dinyatakan dalam satuan seperdetik (sec-1) yang menunjukkan jumlah gelombang secara lengkap yang terjadi dalam satu unit waktu. Panjang gelombang adalah jarak dalam mikrometer atau nanometer antara titik yang ekivalen pada gelombang secara berturut-turut dan jumlah gelombang adalah banyaknya gelombang dalam tiap satu cm rentetan gelombang yang ditulis sebagai resiprokal sentimeter (cm-1). Ketiga parameter ini mempunyai hubungan sebagai berikut : λv = c

(1)

v = 1/λ

(2)

Dimana v adalah frekuensi dalam siklus per detik (Hertz, HZ), λ adalah panjang gelombang (nanometer atau mikrometer) dan c adalah kecepatan cahaya 2.998X1010 cm/sec. Keunggulan dari gelombang infra merah menurut Osborne et al. (1993) dalam analisa bahan makanan adalah merupakan gabungan antara tingkat ketepatan, kecepatan, dan kemudahan dalam melakukan percobaan (prosedur tidak rumit). Spektrum pantulan infra merah dekat dihasilkan karena ada korespondensi dengan frekuensi vibrasi dari molekul-molekul yang ada dalam bahan organik yang bersifat spesifik, sedangkan yang tidak berkoresponsensi tidak memantulkan infra merah. Jordon, (1996) menyatakan bahwa NIR diaplikasikan untuk bahan-bahan organik yang kaya dengan ikatan O–H

(seperti kadar air, karbohidrat, lemak), ikatan C–H

(seperti bahan–bahan organik turunan minyak bumi) dan ikatan N–H (seperti protein dan asam amino). Cara kerja dari alat NIR adalah dengan menghubungkan (korelasi) secara

statistik sinyal NIR pada beberapa panjang gelombang tertentu dengan karakteristik atau kandungan bahan yang diukur. Spektrum pantulan dan serapan infra merah dekat membawa banyak sekali informasi karena setiap molekul terdiri dari banyak ikatan-ikatan kimia. Keragaman spektrum pantulan itu merupakan hasil pengukuran parameter-parameter yang digambarkan dalam bentuk panjang gelombang, amplitudo, dengan tinggi dan puncak gelombang serta lebar gelombang yang beragam menjelaskan intensitasnya. Keragaman informasi ini menyulitkan dalam hal menginterpretasikan spektrum. Untuk menganalisa spektrum pantulan inframerah dekat maka nilai hasil pengukuran laboratorium diperlukan untuk mengetahui hubungan antara spektrum pantulan dengan nilai referensi hasil pengukuran di laboratorium menggunakan metode matematika dengan cara mengkalibrasinya. Kesulitan dalam kalibrasi menurut Osborne

et al. (1993) adalah masalah informasi alam yang kompleks dalam spektrum infra merah sehingga setiap puncak gelombang hampir selalu tumpang tindih (overlapping) dengan puncak-puncak yang lain. Beberapa metode kalibrasi yang berbeda telah dikembangkan dalam membuat persamaan kalibrasi yang dapat mendeskripsikan informasi dari spektrum NIR. Budiastra

et al. (1998) menggunakan metode stepwise multiple linear regression dalam membangun persamaan kalibrasi untuk menduga kadar gula bebas dan asam malat pada mangga dan apel.

Lammertyn et al. (1998) menganalisis data NIR spectroscopy

menggunakan multivariate kalibrasi seperti Principal Component analysis (PCA), Principal

Component Regression (PCR) dan Partial Least Square Analysis (PLS) dalam memprediksi sifat-sifat fisik apel. Fontaine et al. (2002) mengaplikasikan algoritma Modified Partial

Least-Square regression (MPLS) dalam membangun persamaan kalibrasi pada prediksi asam amino untuk meningkatkan keakuratan formulasi pakan ternak. Schmilovitch et al. (2000) membandingkan tiga metode kalibrasi (PCA, PLS dan MLR) dan menyimpulkan bahwa untuk parameter pariode penyimpanan, ketegaran (kekerasan), kandungan gula dan keasaman metode PLS terlihat menghasilkan kalibrasi yang terbaik.

Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu bentuk sederhana dari sistem saraf pusat pada saraf biologis. Jaringan saraf yang saling berhubungan ini memilki kemampuan untuk merespon setiap masukan yang diberikan dan dapat mempelajari (to learn), mengadaptasi (to adapt) setiap kondisi lingkungan (environment) yang diberikan (Paterson, 1995). Gambar sel saraf biologi dan bagian-bagiannya seperti pada Gambar 2.

Gambar 2 Sel saraf (neuron) dengan akson dan dendrit (www.praweda.co.id). Fungsi utama dari jaringan saraf biologi adalah menghasilkan output berdasarkan jumlah dari perkalian sinyal dari neuron lain dengan karakteristik fungsi pseudo-step. Fungsi kedua neuron adalah untuk mengubah laju transmisi pada sinapsis untuk optimasi jaringan secara keseluruhan. Model jaringan saraf tiruan menirukan perkalian input-input dan satu output, penggantian fungsi hubungan input-output dan pembobot sinapsis yang adaptif (Takagi, 1997). Model Jaringan Saraf Tiruan seperti pada Gambar 3. 1 x1

W0

w1 X2

Y

W2 W3

xn Gambar 3 Model Jaringan Saraf Tiruan (Takagi, 1997).

Seperti halnya manusia, jaringan saraf tiruan juga memiliki neuron atau biasa disebut noda (node) dan merupakan unit komputasi yang paling sederhana pada setiap lapisan JST. Jaringan Saraf Tiruan belajar dari pengalaman melalui pelatihan dengan memberikan contoh yang berulang-ulang ke dalam jaringan (memberikan pengalaman). Cara kerja dari JST adalah dengan menjumlahkan seluruh masukan setelah diberi suatu pembobot dan memasukkan hasil penjumlahan ini dalam suatu fungsi aktivasi yang berfungsi untuk mengubah suatu nilai yang tidak terbatas menjadi nilai yang terbatas atau dikenal sebagai fungsi pemampat.

Untuk mendapatkan kemampuan noda yang

lebih tinggi maka dirangkaikan beberapa buah noda mengikuti konfigurasi seri-paralel membentuk JST. Noda-noda pada lapisan input tidak melakukan perhitungan tapi hanya mendistribusikan masukan. Aturan belajar dalam JST adalah untuk mengubah-ubah faktor bobot yang terdapat dalam JST tersebut dan merupakan serangkaian algoritma yang dapat mengadaptasi/mengubah-ubah

faktor

bobotnya

sehingga

diperoleh

bobot

yang

diinginkan (sesuai target yang ditentukan). Kemampuan jaringan saraf tiruan terletak pada nilai-nilai bobot interkoneksinya.

Untuk memperoleh nilai bobot yang benar

jaringan saraf tiruan dilatih berdasarkan suatu prosedur yang disebut training set (pelatihan).

Paterson (1995), mengklasifikasikan Jaringan Saraf Tiruan berdasarkan

strategi pelatihan atas tiga kelas yaitu : 1). Pelatihan terawasi (setiap contoh diberi nilai input dan terget, nilai output hasil perhitungan selama proses pelatihan dibendingkan dengan nilai target untuk menentukan besarnya galat. 2) Pelatihan reinforcement (nilai target tidak diberikan, hanya diberikan indikasi apakah nilai output JST sudah benar atau salah dan tugas JST adalah memperbaiki kinerja jaringan. 3) Pelatihan tak terawasi (sampel hanya diberi nilai input tanpa nilai target, sistem harus menemukan dan beradaptasi terhadap perbedaan dan persamaan dalam nilai input yang diberikan. Dalam penelitian ini digunakan metode pelatihan terawasi (supervised learning) dengan (Backpropagation). Algoritma penjalaran balik dapat diaplikasikan untuk jaringan saraf lapis jamak (multilayer network) yang menggunakan fungsi aktivasi yang berbeda

dan metode pelatihan terawasi. Kelebihan algoritma penjalaran balik ini dipilih karena dapat mempelajari contoh dan memproses data input non linier dan merupakan algoritma jaringan saraf tiruan yang paling umum digunakan. Terdapat tiga tahap pelatihan dalam backpropagation yaitu : 1) penghitungan ke depan dengan input data dari data training,

2) penghitungan dan penjalaran balik error dan 3) perbaikan

pembobot. Algoritma pelatihan penjalaran balik (backpropagation) dapat dijelaskan sebagai berikut (Paterson., 1995) : 1. Inisialisasi pembobot (W) Pembobot dipilih secara acak dalam kisaran nilai yang kecil [-n,n] kemudian setiap sinyal input diberikan kedalam noda input jaringan saraf untuk diproses dan dikirim ke noda didepannya. 2. Tentukan secara acak pasangan input dan target {xp,tp} dan hitung kearah depan nilai net input untuk masing-masing unit j dari lapis q. Sehingga

Oqj = f (∑iOiq-1wqji

(3)

Input pada lapisan satu diberi indeks dengan superscript 0 sehingga

O 0 j = xj

(4)

Jika telah diperoleh nilai net input untuk masing-masing unit pada lapisan sebelumnya langkah selanjutnya adalah memasukkan nilai net input setiap noda input ke dalam fungsi aktivasi. Fungsi aktivasi yang digunakan adalah binari sigmoid sebagai berikut

f(x)= Gunakan nilai OQj

1 1 + exp(− x)

(5)

computed oleh unit lapisan terakhir dan nilai target yang

berhubungan (tpj) untuk menghitung nilai delta δQj = (OQj - tpj )f’ (H Qj)

(6)

3. Hitung delta dari masing-masing lapisan di depan dengan penjalaran balik error menggunakan persamaan

δq-1j = f’ (H q-1j) ∑i δqj wqji

(7)

untuk semua j dari lapisan q = Q, Q-1, ..., 2. 4.

Langkah selanjutnya adalah memperbarui semua pembobot menggunakan persamaan

Wnewji = woldji + ∆wqji

(8)

Untuk tiap lapisan q, maka ∆wqji = η δqi Oq-1j

(9)

5. Kembali ke langkah 2 dan ulangi hingga mencapai total error pada tingkat yang dapat diterima. Dalam aplikasi jaringan saraf tiruan jumlah iterasi pelatihan merupakan faktor penting yang mempengaruhi kekuatan model (model robustness). Overtraining dan

undertraining dapat terjadi apabila iterasi training terlalu sedikit atau terlalu banyak. Hsieh et al. (2002) menyatakan bahwa jumlah iterasi yang kurang dari 40.000 menghasilkan akurasi yang lebih rendah sedangkan jumlah iterasi yang lebih dari 90.000 juga dapat menurunkan keakuratan. Laju pelatihan (learning rate) dan momentum diperlukan dalam jaringan saraf tiruan untuk mencapai kondisi optimal. Kondisi yang diinginkan dari suatu sistem jaringan saraf tiruan adalah galat yang kecil hingga mencapai minimum global bukan minimum lokal. Paterson (1995) menyatakan bahwa koefisien laju pelatihan (η) dalam delta rule secara umum menentukan ukuran penyesuain pembobot yang dibuat pada tiap-tiap iterasi dan karena itu mempengaruhi laju konvergensi. Apabila pemilihan laju pelatihan terlalu besar maka untuk mencapai konvergensi akan lebih lambat daripada penurunan error langsung. Sebaliknya laju pelatihan terlalu kecil penurunan error akan maju sangat kecil sehingga butuh waktu yang lama untuk mencapai konvergensi. Untuk memperbaiki laju konvergensi dapat juga dilakukan dengan cara menambahkan momentum. Penambahan momentum dapat membantu menghaluskan (smooth) penurunan error dengan mencegah perubahan ekstrim gradien karena anomali

lokal (Paterson, 1995). Burks et al. (2000) dan Hong et al. (2000) melaporkan bahwa nilai koefisien laju pelatihan dan momentum mempengaruhi akurasi backpropagation

training. Kisaran nilai momentum yang digunakan adalah 0.8 – 0.95 sedangkan nilai laju pelatihan berkisar antara 0.001 – 0.200.

Principal Component Analysis (Analisis Komponen Utama) Principal Component Analysis (PCA) dan Principal Component Regression (PCR) serta Partial Least Square (PLS) adalah suatu analisis statistik dengan teknik kalibrasi multivariate untuk membangun suatu model prediksi. Siska dan Hurburgh (1996), menggunakan analisis PCA untuk mengidentifikasi variasi-variasi utama pada spektrum absorban sampel jagung. Prosedur PCA mengelompokkan data dengan satu set faktor yang tidak berkorelasi satu sama lain. Lammertyn et al. (1998) menggunakan analisis PCA sebelum melakukan kalibrasi yaitu untuk menganalisis variasi spektrum dan spektrum yang dihilangkan tidak sempurna. Analisis PCA adalah suatu teknik reduksi data yang digunakan untuk mengekstrak beberapa peubah dari sejumlah besar peubah berguna untuk menghindari masalah overfitting

(peubah baru itu disebut komponen utama) dan merupakan

kombinasi linier pengukuran asli oleh karena itu memuat informasi dari seluruh spektrum (Osborne et al. 1993). Peubah-peubah baru diturunkan dalam arah menurun sehingga beberapa komponen pertama berisi sebanyak mungkin variasi data semula. Karena beberapa komponen pertama sudah berisi hampir seluruh variasi data asli, maka beberapa komponen utama pertama dapat digunakan untuk merepresentasikan data asli tanpa kehilangan informasi yang sangat berguna. Dasar dari analisis PCA ini adalah mendeskripsikan variasi sebuah set data dengan sebuah set data baru dimana peubahpeubah baru tidak berkorelasi satu sama lain. Gambar vektor dari analisis PCA seperti pada Gambar 4.

Gambar 4 Vektor Principal Component Analysis (www.optimaldesign.com). Misalkan terdapat p data (sampel) yang ditulis dalam bentuk matrik X (sampel adalah baris p)

x11 x12 ...

x1n

x21 x22 ...

x2n

X=

.

.

.

.

.

.

.

xp1 xp2 ...

. xpn

dimana p adalah sampel ke-p dan n adalah parameter ke-n yang diukur. Analisis PCA bertujuan untuk mendapatkan sebuah vektor berdimensi m, dimana m < n. Sehingga ruang

vektor

berdimensi

m

mencakup

hampir

seluruh

variasi

data.

Untuk

mendapatkannya, ruang vektor berdimensi n diproyeksikan ke ruang vektor berdimensi

m dengan memilih setiap arah variasi data maksimum tetapi setiap variasi tersebut saling tegak lurus/ortogonal.

Variasi-variasi inilah yang disebut komponen utama (Paterson,

1995). Metode PCA menurut Paterson (1995) dapat disimpulkan menurut algoritma berikut : 1. Tentukan komponen utama pertama mendekati arah variasi maksimum yi = Xwi dimana yi dan wi adalah vektor kolom.

(10)

Dengan catatan bahwa nilai ini harus dibatasi karena variasi dapat dibuat lebih besar dan semakin besar hanya dengan meningkatkan nilai wi. Hal ini dapat dilakukan dengan mengambil semua vektor bobot menjadi unit panjang melalui persamaan

wT1w1 = ∑i wi12

(11)

dimana WT adalah vektor transpose w1 2. Maksimumkan jumlah kuadrat dengan persamaan berikut : yTy1 = wTiXTXw1

(12)

Masalah maksimalisasi tipe ini dengan suatu persamaan yang terbatas dapat diselesaikan dengan mudah menggukan metode Lagrange. Suatu fungsi komposit baru L dibuat menggunakan kedua persamaan (10) dan (11) sebagai berikut :

L = wT1XTXw1 – λ (wT1w1 – 1)

(13)

Dimana λ adalah faktor pengali Lagrangian. Pada bagian kedua nilai w1 akan menjadi nol sesuai dengan persamaan (11). Sehingga pada saat ini (w1 = 0),

L kembali ke bentuk asal (persamaan 12). Untuk menyelesaikan permasalahan maka dicari turunan parsial dari nilai maksimum L terhadap w1, hasil persamaan dinolkan maka akan diperoleh : δL / δw1= 2XTXw1 – 2 λ1w1 = 0

(14)

XTXw1 = λ1w1

(15)

Dari persamaan (15) dan persamaan (12) dapat ditulis persamaan berikut : Y1Ty1 = w1T λ1w1 = λ1 wT1c w1 = λ1

(16)

Solusi y1 adalah komponen utama pertama dengan variasi λ1 maksimum, dengan catatan bahwa λ1 adalah suatu eigenvalue dari XTX.

3. Untuk mendapatkan komponen utama kedua y2 , digunakan prosedur yang sama seperti pada y1. Tetapi y2 tegak lurus terhadap y1. Dengan demikian harus dimaksimumkan Y2Ty2 = w2T XTXw2

(17)

Perlu diperhatikan dua batasan

w2Tw2 = 1 dan w1Tw2 = 0

(18)

Setelah itu dihitung batasan ortogonalitas yang baru sebagai berikut :

L = w2T XTXw2 – λ2 (w2Tw2 – 1) – μ w1Tw2 Dimana λ2 dan μ adalah faktor pengali Lagrangian.

(19)

Seperti pada persamaan

sebelumnya yaitu dengan mengambil turunan parsial terhadap w2, hasil persamaan dijadikan 0 maka akan diperoleh : μ = 2 w1T XTXw2 = 2 * 0 = 0 dan XTXw2 = λ2w2

(20)

sekarang λ2 menjadi eigenvalue terbesar kedua dari XTX 4. Proses selanjutnya diperoleh sebanyak p eigenvalue λ1, λ2, ..., λp dan terhubung dengan matriks ortogonal W = [ w1 w2 ... wp] dimana sekarang p komponen utama dari X berasal dari matriks Y = XC, dimana :

λ1 YTY = WT XTXW = Λ = 0

Merupakan matriks ortogonal.

0 ... 0

λ2 ... 0

.

.

0

0

λp

Karena Λ merupakan matriks diagonal dengan

elemen 0 maka dapat dilihat bahwa komponen utama Y adalah tidak berkorelasi (saling tegak lurus) dan jumlah kuadrat adalah λ1.

METODOLOGI PENELITIAN

Tempat dan waktu penelitian Penelitian dilaksanakan di laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) Departemen Teknik Pertanian, dan Laboratorium Kimia Pangan Departemen Ilmu dan Teknologi Pangan, Fakultas Teknologi Pertanian.

Bahan dan alat Bahan yang digunakan adalah jagung yang diperoleh dari Balai Penelitian Tanaman Pangan Cimanggu Bogor. Jagung yang digunakan terdiri dari tiga varietas yaitu CPI2, C7 dan Arjuna. Deskripsi dari masing-masing varietas jagung dapat dilihat pada Lampiran 12. Masing-masing varietas bervariasi komposisi kimianya, kadar air berkisar antara 3.9-12.6%, protein 7.2-10.3%, lemak 2.7-8.2% dan karbohidrat 72.6-82.4%. Bahan-bahan kimia yang digunakan untuk menganalisa komposisi kimia sampel dengan uji kimiawi antara lain : Asam perklorat, HCl 0.02 N, 1.9 mg K2SO4, 40 mg HgO, 2 ml H2SO4, H3BO3, NaOH-Na2S2O3. Pada penelitian ini dikembangkan sistem pengukuran NIR dengan melakukan modifikasi pada sistem deteksi pantulan NIR. Sistem deteksi yang dikembangkan akan dirancang sedemikian rupa dengan tujuan supaya pantulan dari sampel biji yang bentuk dan permukaannya tidak merata dapat dikumpulkan semua dalam integrating sphere. Pengukuran pantulan pada sampel tepung jagung, sampel holder diletakkan diluar

integrating sphere, sedangkan pengukuran sampel dalam bentuk biji utuh sampel holder diletakkan dalam integrating sphere. Alat-alat yang digunakan diantaranya adalah Near Infra Red Spektrofotometer. Peralatan ini terdiri dari 2 unit yaitu unit optik dan unit elektronik. Unit optik terdiri dari lampu halogen 150 watt (AT-100HG), pemutus cahaya (chopper,AT-100CH), penyaring cahaya (light filter), monokromator (Grating monochromator, SPG-1001R), pengumpul

cahaya (integrating sphere, ISR-260), cermin optik dan sensor optik (terdiri dari sensor lensa optik dan sensor PbS). Sedangkan unit elektronik terdiri dari penguat (Lock in Amplifier, Shimazu, AT-100AM), pengkonversi sinyal analog ke digital dan pembangkit sinyal (A/D Converter and Digital Output, PCL 812PG, PC Lab Card Inc), serta komputer (PC, pentium). Sistem deteksi terdiri dari cermin, integrating sphere, tempat sampel dan standar serta sensor PbS dirancang dan dibuat dari bahan aluminium seperti pada Gambar 5.

Cahaya dari monokromator

Cermin

Integrating sphere

Sensor

Sampel holder Gambar 5 Sistem Deteksi NIR Hasil Modifikasi (Budiastra dan Ahmad, 2005). Sampel jagung yang dideteksi dalam sampel holder adalah jagung utuh pipilan kering pada kadar air simpan (kadar air ± 14%) seperti pada Gambar 6.

Gambar 6 Sampel Jagung Utuh Untuk Scanning NIR.

Secara keseluruhan sistem pengukuran NIR dan modifikasi sampel holder terlihat seperti pada Gambar 7. Monokromator

Filter

Cermin Integrating Sphere

Motor Sensor

Lampu halogen chopper CONT

DO

Sampel

Komputer

Amplifier

A/D Converter

Gambar 7 Sistem Pengukuran NIR (Budiastra dan Ahmad, 2005).

Sistem NIR ini dihubungkan dengan komputer yang menjalankan 3 program yaitu : program untuk menjalankan motor, program pengkonversi data dari analog ke digital dan program yang menampilkan data sebagai tampilan grafik hasil pengukuran. Untuk analisis jaringan saraf tiruan digunakan komputer dekstop dengan program Backpropagation Neural Network Learning (Courtesy Dr. Suroso) dengan program Visual Basic dan program MINITAB Release 14 for windows untuk analisis PCA.

Diagram Alir Penelitian Langkah-langkah

yang

dilakukan

dalam

tahapan

penelitian ini disederhanakan dalam bentuk diagram seperti pada Gambar 8. 50 Sampel jagung

15 Sampel untuk validasi

35 Sampel untuk kalibrasi

Scanning NIR jagung dengan berbagai panjang gelombang Reflektan (R)

Transformasi data reflektan (R) menjadi data absorban Log (1/R)

Analisis berbagai komposisi kimia jagung dengan metode kimia

Scanning NIR jagung dengan berbagai panjang gelombang Reflektan (R)

Transformasi data reflektan (R) menjadi data absorban Log (1/R)

Penentuan komposisi Kimia (Referensi)

Analisis komponen utama

Analisis berbagai komposisi kimia jagung dengan metode kimia

Penentuan komposisi Kimia (Referensi)

Analisis komponen utama

Pelatihan Jaringan saraf tiruan

` Validasi

Standar error validasi

Koefisien Keragaman

Gambar 8 Diagram Alir Metodologi Penelitian.

Pengukuran Spektrum Pantulan (Reflektan) Sebelum dilakukan pengukuran, alat NIR dinyalakan terlebih dahulu kurang lebih 30 menit untuk mendapatkan sinyal analog yang stabil. Celah masuk pada monokromator diatur sebesar 500 µm, gain sebesar 200, chopper dan sensor PbS dalam keadaan aktif, waktu tanggap (respons) adalah smooth (1 ms). Filter yang digunakan untuk menyaring cahaya masuk dalam chopper yaitu filter dengan kode 046 untuk panjang gelombang 900 nm - 1400 nm dan untuk panjang gelombang 1400 nm – 2000 nm digunakan filter dengan kode 048. Pengukuran pantulan dilakukan dengan cara mengukur standar putih terlebih dahulu kemudian dilanjutkan dengan pengukuran sampel dengan cara menempatkannya butiran jagung pada unit deteksi. Cahaya dari lampu halogen pertama dipotong pada laju sebesar 270 Hz oleh pemutus cahaya (chopper) dan cahaya disaring oleh penyaring gangguan (inference) sebelum masuk ke dalam monochromator dan mengenai jagung. Pantulan cahaya dari jagung akan dikumpulkan oleh integrating sphere, ditangkap oleh sensor yang kemudian dikonversi dari data analog ke data digital oleh A/D Converter. Selanjutnya komputer mengirim sinyal digital ke motor untuk melakukan pemindaian gelombang NIR dan pengukuran pantulan dilakukan lagi dan seterusnya sampai pemindaian gelombang NIR selesai. Kemudian sifat pantulan dihitung, grafik spektrum diperagakan dan data direkam. Reflektan (pemantulan) dihitung dengan menggunakan persamaan sebagai berikut : R=

V Sampel V Standar

(21)

Dimana, V Sampel adalah tegangan pantulan sampel (volt) V Standar adalah tegangan pantulan standar putih (volt) Pantulan (R) didapatkan dari perbandingan intensitas pantulan dari jagung dengan intensitas pantulan standar putih. Sedangkan data absorbansi diperoleh dengan cara mentransformasikan nilai reflektan/pantulan kedalam bentuk log (1/R).

Pengukuran Kadar Air (Thermogravimetri) Cawan kosong dan tutupnya dikeringkan dalam oven selama 15 menit dan didinginkan dalam desikator selama 10 menit. Kemudian ditimbang ± 5 g butiran jagung sampel dan dimasukkan ke dalam cawan dan ditimbang dengan cawannya. Cawan beserta isi diletakkan di dalam oven selama 36 jam pada suhu 65 oC. Setelah 36 jam atau berat akhir stabil, cawan dimasukkan ke dalam desikator, ditutup dengan penutup cawan lalu didinginkan. Setelah dingin ditimbang kembali. Cawan dikeringkan kembali di dalam oven sampai memperoleh berat yang tetap. Kadar Air (%) (basis basah) dihitung dengan cara

Kadar Air =

W3 x100% W1

(22)

W1= berat sampel (g) W3= kehilangan berat (g) Penentuan Kadar Karbohidrat (Cleg-Anthrone) Satu garam sampel kering dimasukkan ke dalam gelas ukur 100 ml bertutup. Kemudian ditambahkan 10 ml air dan diaduk menggunakan gelas pengaduk untuk mendispersi sampel seluruhnya. Ditambahkan 13 ml asam perklorat 52% dan diaduk selama 20 menit. Larutan diencerkan menjadi 100 ml dan dimasukkan ke dalam labu takar 250 ml. Selanjutnya diambil 10 ml dari ekstrak sampel diencerkan menjadi 100 ml dengan air. Satu ml sampel dipipet dan dimasukkan ke dalam tabung reaksi. Blanko dibuat dengan memasukkan 1 ml air ke dalam tabung reaksi. Lima ml pereaksi Anthorne dimaukkan ke dalam masing-masing tabung reaksi dan ditutup. Kemudian tabung reaksi dipanaskan pada suhu 100 oC selama 12 menit. Kemudian larutan dipindahkan ke dalam kuvet berdiameter 1 cm dan diukur absorbansi dengan spektrofotometer pada panjang gelombang 630 nm. Total karbohidrat =

25 x B AxW

(23)

Dimana, B=Absorban sampel, A=Absorban glukosa standar, W= Berat sampel (gram).

Penentuan Kadar Protein (metode Kjeldahl) Lima sampai 10 mg sampel (kira-kira akan membutuhkan 3 – 10 ml HCl 0.02 N) ditimbang, kemudian dimasukkan ke dalam labu Kjeldahl 30 ml. Ditambahkan 1.9 mg K2SO4, 40 mg HgO dan 2 ml H2SO4. Beberapa butir batu didih ditambahkan ke dalam labu dan dididihkan selama 1 – 1,5 jam sampai cairan menjadi jernih. Selanjutnya cairan didinginkan dan ditambahkan sedikit air secara perlahan-lahan. Isi labu dipindahkan ke dalam alat destilasi Erlenmeyer 125 ml berisi 5 ml larutan H2BO3 dan 4 tetes indikator (campuran 2 bagian metil merah 0.2% dalam alkohol) diletakkan di bawah kondensor. Kemudian ditambahkan 8-10 ml ml larutan NaOH-Na2S2O3 dan didestilasi dampai tertampung 15 ml destilat dalam Erlenmeyer. Tabung kondensor dibilas dengan air dan air bilasan dimasukkan ke dalam Erlenmeyer yang sama.

Isi Erlenmeyer diencerkan

sampai kira-kira 50 ml kemudian dititrasi dengan HCl 0.02 N sampai terjadi warna abuabu. Persentase N =

(ml HCl - ml blanko) x normalitas x 14.007 x 100 (24) mg sampel

Persentase Protein = %N X 6.25

(25)

Penentuan Asam Amino (AOAC, 2000) Penentuan asam amino dilakukan dengan menggunakan HPLC dan cationexchange resin dan post coulumn derivatization dengan ninhydrin atau optheldialdehide (OPA). Sampel dihidrolisis dengan menggunakan HCl 6N selama 18 – 24 jam dalam vacuum gauge. Untuk menghilangkan zat-zat yang dapat mengganggu reaksi pengkompleks-an antara PITC dengan asam-asam amino, maka ditambahkan metanol dan trietilamin (TEA) sebagai larutan pengering. Hasil reaksi yang terbentuk antara PITC dengan asam-asam amino merupakan senyawaan kompleks yang dapat dideteksi pada panjang gelombang 254 nm.

Penentuan kadar Lemak (metoda Soxhlet) Lima gram sampel tepung ditempatkan dalam jaringan timbel dan ditutup dengan kapas wool yang bebas lemak. Timbel yang berisi sampel diletakkan dalam alat ekstraksi Soxhlet. Pelarut dietil eter dituang ke dalam labu lemak secukupnya. Direfluks selama 5 jam sampai pelarut yang turun kembali ke labu lemak menjadi jernih. Kemudian didestilasi pelarut yang ada dalam labu lemak dan ditampung pelarutnya. Selanjutnya labu lemak yang berisi lemak hasil ekstraksi dipanaskan dalam oven pada suhu 105 oC. Setelah mencapai berat yang tetap, sampel didinginkan dalam desikator, labu dan lemaknya ditimbang. % lemak =

Berat lemak (g) x 100 Berat sampel (g)

(26)

Pengembangan Model Jaringan Saraf Tiruan (JST) Data hasil pengukuran adalah berupa data reflektan selanjutnya ditransformasi menjadi nilai absorban menurut persamaan Absorban = Log (1/Reflektan). Semua data dianalisis dengan metode Principal Component Analysis untuk memperoleh beberapa komponen utama. Komponen utama (PC) adalah hasil pemampatan data yang berisi informasi tentang nilai reflektan dan absorban NIR untuk menghindari masalah overfitting dan mendapatkan variabel baru tanpa kehilangan informasi awalnya (Osborne et al., 1993) diperlukan sebagai nilai masukan (input) pada jaringan saraf tiruan. Jaringan

saraf

tiruan

dilatih

dengan

menggunakan

algoritma

backpropagation (penjalaran balik). Fungsi transfer yang dipilih adalah fungsi sigmoid. Dalam pembelajaran backpropagation semua data input sudah dinormalisasi. Sampel yang digunakan sebagai pembelajaran (training) dalam jaringan saraf tiruan berjumlah 35 sampel sedangkan 15 sampel sisanya digunakan sebagai validasi untuk memperoleh nilai prediksi. Arsitektur JST yang dibuat terdiri dari tiga lapisan yaitu : lapisan input, lapisan terselubung dan lapisan output. Lapisan input JST terdiri dari 5, 10 dan 15 PC dari data

reflektan dan absorban NIR 3 varietas jagung. Jumlah iterasi disesuaikan dengan jumlah total pembobot dengan cara trial by error. Untuk memperoleh nilai bobot yang benar jaringan saraf tiruan dilatih berdasarkan suatu data yang disebut training set (pelatihan). Laju pelatihan dan momentum yang digunakan adalah 0.4 dan 0.8. Lapisan terselubung digunakan variasi noda 4, 6, 8, 10, dan 12 noda. Output JST adalah berupa kandungan proksimat dan asam amino dengan JST secara terpisah (output berupa nilai kandungan masing-masing komponen) dan secara simultan (output berupa nilai proksimat dan asam amino secara simultan). Pelatihan berakhir pada jumlah iterasi yang telah ditetapkan sehingga diperoleh nilai error yang kecil.

Model Jaringan Saraf Tiruan seperti pada

Gambar 9. Lapisan Terselubung

Input

Output

PC1 Komponen Kimia 1

PC3

Komponen Kimia m

….

PC2

…. PCn Bias

Gambar 9 Model Jaringan Saraf Tiruan Tiga Lapis.

Analisis Data Nilai prediksi proksimat dan asam amino hasil JST akan divalidasi dengan nilai proksimat dan asam amino yang dilakukan secara kimia (nilai referensi). Untuk menentukan hubungan antara keduanya maka dihitung beberapa paramater yang dapat menjelaskan sejauh mana hasil prediksi itu baik atau kurang memuaskan. Paramater yang digunakan adalah Standard Error Validation (SEv), dan Coefficient of Variability

(CV).

A. SEv =

∑ (Yp − Ya )

2

(27)

n

B. CV = Dimana : SEv

SEv x100% (Williams in William and Norris, 1987) (28) y

= Standar Error Validasi (%)

Yp

= Nilai hasil dugaan JST (%)

Ya

= Nilai komposisi kimia dengan uji kimia (%)

y n

= Nilai rataan komposisi kimia sampel (%) = Jumlah sampel yang digunakan dalam validasi

CV

= Koefisien Keragaman (%)

Validasi dilakukan untuk menguji ketepatan prediksi JST terhadap contoh yang diberikan selama proses pelatihan. Proses validasi dilakukan dengan memberikan sampel data yang berbeda dengan data yang digunakan saat pelatihan sekaligus untuk melihat kemampuan JST dalam memberikan jawaban yang benar. Walpole (1995) menyatakan bahwa dengan simpangan baku (standar deviasi) saja kita tidak dapat mengatakan banyak mengenai keragaman satu kumpulan data. Ukuran lain yang mungkin lebih layak adalah koefisien keragaman (CV) yang didefinisikan sebagai V = σ x 100% menyatakan simpangan baku sebagai persentase dari nilai μ tengahnya.

Koefisien

keragaman

dapat

digunakan

untuk

membandingkan

dua

keragaman kelompok data yang selang nilainya jauh berbeda satu sama lain bahkan dapat digunakan untuk membandingkan keragaman dua atau lebih kelompok data meskipun satuan pengukurannya tidak sama. Fontaine et al. (2002) mendefinisikan CV (coefficient of variation) sebagai relatif standar deviasi (RSD) =

s x100 % untuk x

membandingkan keragaman crude protein dengan asam amino hasil kalibrasi NIRS. Fang et al., (2000) mengevaluasi performance JST dengan parameter RMS (root mean square error (√Σ(Yp-Ya)2/n), koefisien determinasi (R2) dan relatif error (RE = RMS/rataan data referensi x 100).

HASIL DAN PEMBAHASAN Data Absorban dan Reflektan NIR Jagung Hasl pengukuran dengan menggunakan alat Near Infrared Reflektan (NIR) Spectroscopy adalah berupa data pantulan (reflektan) jagung. Data reflektan NIR ini terlebih dahulu diubah kedalam data serapan (absorban) dengan melakukan trasformasi Log (1/R).

Perubahan ini dilakukan karena kandungan kimia bahan mempunyai

hubungan yang linier dengan data absorban NIR (Mohsenin, 1984). Menurut Ruiz (2001) setiap substansi bahan (material biologi) mempunyai spektrum NIR yang spesisifik. Apabila diuji dua sampel bahan yang mempunyai komposisi kimia dan komposisi fisik berbeda, maka akan terlihat perbedaan spektrum NIR.

Perbedaan komposisi bahan

dapat dilihat dari perbedaan puncak – puncak gelombang pada spektrum absorban. Spektrum reflektan NIR pada beberapa sampel jagung dapat dilihat pada Gambar 10.

1.4 1.2

Reflektan

1.0 0.8 0.6 0.4 0.2 0.0 900

1050

1200

1350

1500

1650

1800

1950

Panjang Gelombang (nm)

Gambar 10 Spektrum Reflectan NIR Pada Beberapa Sampel Jagung. Dengan menggunakan transformasi Log (1/R) data reflektan NIR yang diubah menjadi data absorban dapat dilihat pada Gambar 11.

Absorban = Log (1/R)

1.4 1.2 1 0.8 0.6 0.4 0.2 0 900

1050

1200

1350

1500

1650

1800

1950

Panjang Gelombang (nm) Gambar 11 Spektrum Absorban NIR Pada Beberapa Sampel Jagung. Perbedaan nilai absorban pada tiap panjang gelombang menunjukkan bahwa terdapat perbedaan komposisi kimia jagung.

Semakin besar kandungan suatu bahan

maka penyerapan semakin besar. Pada kurva spektrum absorban NIR jagung terlihat bahwa puncak gelombang terjadi pada 1430 dan 1930 nm yaitu penyerapan oleh karbohidrat, pada panjang gelombang 1200 nm penyerapan oleh protein, antara 1700 – 1800 nm terjadi penyerapan oleh lemak dimana penyerapan panjang gelombang standar untuk lemak pada 1722 nm, penyerapan oleh air pada panjang gelombang 970 dan 1190 nm (Osborne et al. 1993). Spektrum absorban dan reflektan sebelum dijadikan masukan (input) jaringan saraf tiruan dilakukan reduksi data untuk menghindari masalah overfitting dan juga untuk menghilangkan interkorelasi data sebagai syarat dalam input jaringan saraf tiruan. Metode yang digunakan untuk mereduksi data adalah analisis komponen utama. Pada penelitian ini (kisaran panjang gelombang 900 – 2000 nm dengan interval 5 nm) jumlah data yang diperoleh dari hasil pengukuran adalah 220 titik dengan jumlah sampel 50 buah. Semua data ini dijadikan masukan pada perhitungan analisis komponen utama. Dari hasil perhitungan komponen utama diekstrak sebanyak 15 komponen utama yang

selanjutnya dijadikan sebagai input pada jaringan saraf tiruan. Nilai komponen utama dari data absorban dan reflektan dapat dilihat pada Lampiran 10 dan Lampiran 11. Sedangkan kurva kumulatif variasi komponen utama data absorban dan reflektan dapat dilihat pada Gambar 12. 100.2

100

100 Kumulatif Variasi (%)

Kumulatif Variasi ( %)

100.2 99.8 99.6 99.4 99.2 99 98.8 98.6

99.8 99.6 99.4 99.2 99 98.8

1

3

5

7

9

11

Komponen Utama (PC)

A

13

15

1

B

3

5

7

9

11

13

15

Komponen Utama (PC)

Gambar 12 Kumulatif variasi dari 15 komponen utama A) Absorban B) Reflektan. Dari Gambar 12.A dapat dilihat bahwa komponen utama pertama pada data absorban sudah mengandung 98.8% variasi data, sedangkan komponen utama kedua mengandung 0.9% variasi data, komponen utama ketiga dan keempat mengandung 0.1% variasi data. Proporsi variasi data semakin kecil untuk komponen utama selanjutnya dan bernilai nol setelah tercapai 100% kumulatif variasi pada komponen utama kelima.

Pada Gambar 12.B terlihat bahwa komponen utama pertama

mengandung 99.3% variasi data, komponen utama kedua mengandung 0.6% variasi data dan komponen utama ketiga mengandung 0.1% variasi data.

Pada komponen

utama keempat dan seterusnya kumulatif variasi data sudah mencapai 100%.

Data Kimia Proksimat dan Asam Amino Jagung Data hasil analisis kimia dari 50 sampel jagung dapat dilihat pada Lampiran 9. Dari Tabel 3 terlihat bahwa kandungan utama jagung adalah karbohidrat dengan rata-rata 76.94%, protein 9.04%, kadar air dan lemak masing-masing 8.16% dan 4.62%. Komposisi asam amino pada jagung berkisar antara 0.13 – 0.54%. Urutan jumlah asam amino dari yang terbanyak sampai yang sedikit adalah leusin, arginin, tyrosin, threonin

methionin dan lisin.

Variasi data proksimat cukup besar terutama karbohidrat yaitu

2.51% sedangkan protein mempunyai variasi data yang kecil yaitu 0.79%. Semua jenis asam amino mempunyai variasi data yang kecil yaitu berkisar antara 0.02 – 0.07%. Tabel 4 Hasil Analisis Proksimat dan Asam Amino Jagung Komposisi

Rataan (%)

Stdev (%)

Maksimum (%)

Minimum (%)

Protein

9.040

0.792

10.330

7.265

Lemak

4.619

1.342

8.230

2.785

Kadar Air

8.158

2.131

12.655

3.955

Karbohidrat

76.949

2.511

82.445

72.655

Methionin

0.180

0.038

0.296

0.110

Lisin

0.133

0.028

0.193

0.087

Tyrosin

0.290

0.042

0.359

0.179

Threonin

0.249

0.034

0.332

0.163

Arginin

0.310

0.056

0.428

0.144

Leusin

0.544

0.079

0.692

0.387

Sumber : Data Primer dari 50 Sampel Jagung (2004).

Pendugaan Proksimat Jagung Dengan JST Output Terpisah Data Absorban Jaringan Saraf Tiruan dirancang untuk memprediksi kandungan proksimat (protein, kadar air, lemak dan karbohidrat) secara terpisah dengan menggunakan input komponen utama dari data absorban.

Koefisien keragaman (CV) dan Standar Error

Validasi (SEv) dari hasil validasi dapat dilihat pada Lampiran 1. Batasan Nilai CV yang dapat diterima terkait dengan aplikasi penelitian ini adalah 0 – 2%. Osborne et al. dalam William dan Norris (1987) menggunakan inframerah analyzer untuk formulasi makanan ternak (kandungan protein kasar, bahan organik dapat dicerna dan energi metabolik dengan standar deviasi (SD)= 0.33 dan CV= 2% untuk protein kasar dan SD=0.52, CV=0.66% untuk bahan organik dapat dicerna. Dari Gambar 13 terlihat bahwa kinerja JST dengan input 5 PC cukup akurat dalam memprediksi komposisi karbohidrat, protein dan lemak secara terpisah. Koefisien keragaman kurang dari 5% pada setiap noda lapisan terselubung. Sedangkan kadar air

mempunyai CV yang cukup tinggi dengan kisaran 9–10% pada tiap noda lapisan terselubung. Demikian juga pada input 10 PC, kisaran CV kadar air lebih besar (CV= 3-5%) daripada 3 komponen lainnya.

Namun pada 10 noda lapisan terselubung CV

kadar air mencapai nilai 3.203% tidak jauh berbeda dengan CV komposisi lainnya. 60

Koefisien Keragaman (% )

K oefisien K eragam an (% )

60 50 40 30 20 10

40 30 20 10 0

0 Protein

Lemak

Kadar Air

Protein

Karbohidrat

Komposisi Kimia

Lemak

Kadar Air

Karbohidrat

Komposissi Kimia

B

60

K oefisien K eragam an (% )

A

50

50 40 30 20 10 0 Protein

C 4 noda LT 6 noda LT LT = Lapisan Terselubung

Lemak

Kadar Air

Karbohidrat

Komposisi Kimia

8 noda LT

10 noda LT

12 noda LT

Gambar 13 Nilai CV Validasi Proksimat Output Terpisah A) 5 PC B) 10 PC dan C) 15 PC Data Absorban.

Data Reflektan Dengan menggunakan input berupa komponen utama dari data reflektan diperoleh hasil bahwa prediksi JST untuk karbohidrat mempunyai CV yang lebih kecil dibandingkan dengan tiga komponen lainnya. Kisaran CV karbohidrat dengan yaitu 0.002 – 3.418%. Hasil prediksi JST untuk protein mempunyai CV yang lebih kecil dengan menggunakan input 15 PC (1.24 – 5.09%). Prediksi JST untuk kadar air dan lemak kurang tepat menggunakan input data reflektan baik dengan 5, 10 maupun 15 komponen utama karena kisaran CV dan SEv cukup besar.

Gambar 14 menunjukkan kisaran

koefisien keragaman semua komposisi proksimat dengan input 3 variasi komponen

80

Koefisien Keragaman (% )

Koefisien Keragaman (% )

utama dan 5 variasi lapisan terselubung.

70 60 50 40 30 20 10 0 Karbohidrat

Protein

70 60 50 40 30 20 10 0

Lemak

Karbohidrat

Komposisi Kimia

Koefisien Keragaman (% )

A

Kadar Air

80

Kadar Air

Protein

Lemak

Komposisi Kimia

B

80 70 60 50 40 30 20 10 0 Karbohidrat

C 4 noda LT 6 noda LT LT = Lapisan Terselubung

Kadar Air

Protein

Lemak

Komposisi Kimia

8 noda LT

10 noda LT

12 noda LT

Gambar 14 Nilai CV Validasi Proksimat Output Terpisah A) 5 PC, B) 10 PC dan C) 15 PC Data Reflektan. Berdasarkan nilai CV validasi proksimat jagung yang diperoleh dengan JST output terpisah menggunakan input data absorban (Gambar 13) dan data reflektan (Gambar 14) terdapat 30 kombinasi JST yang selanjutnya dipilih nilai CV yang paling kecil dari masing-masing tipe input. Nilai prediksi yang terkecil dari kedua jenis input ini dirangkum pada Tabel 5.

Tabel 5 Rekapitulasi Nilai CV Validasi Proksimat Output Terpisah Menggunakan Data Absorban dan Reflektan Absorban Komposisi

Input1

Noda LT

2

Reflektan

Output3

CV(%)

Input1

Noda LT2

Output3

CV(%)

Protein

10

6

1

0.118*

15

6

1

1.241

Lemak

10

4

1

0.054*

5

4

1

9.117

Kadar air

15

6

1

0.047*

5

10

1

9.762

Karbohidrat

10

4

1

0.518

15

6

1

0.002*

* Kombinasi yang dipilih 2 LT = Lapisan Terselubung

1 3

Input=Komponen Utama (PC) dari data absorban dan reflektan NIR Output=Masing-masing komposisi kimia.

Dari Tabel 5 dapat diterangkan bahwa JST dapat memprediksi komposisi proksimat (protein, lemak, kadar air dan karbohidrat) dengan akurat. Kemampuan JST dalam memprediksi komposisi kimia baik dengan menggunakan input data absorban maupun data reflektan terlihat dari nilai CV yang kurang dari 1%. Williams (1987) menyatakan nilai error NIR 0.3% dapat diterima dimana keakuratan standar analisis dengan metode referensi tidak lebih baik dari 0.3% sedangkan pengujian dengan NIR lebih murah dan lebih cepat.

Nilai standar error

laboratorium (SEL) dalam pengujian kandungan asam amino pada kedelai berkisar antara 5-10% kecuali untuk methionin (16%) dan sistein (13%) Pazdernik et al. (1997); kandungan serat dapat larut dan tak dapat larut SEL ditetapkan 0.29% (Kays et al. 2002) SEL penentuan kandungan protein dengan metode Kjeldahl adalah 0.25%, (Osborne

et al. 1993). Dengan menggunakan input komponen utama dari data absorban dan reflektan pada jaringan saraf tiruan dihasilkan nilai validasi dari kombinasi terbaik JST dengan CV yang kecil. Nilai prediksi terbaik dari JST dengan output kandungan proksimat secara terpisah dirangkum dalam Tabel 6.

Tabel 6 Hasil Prediksi Terbaik dari JST Output Proksimat Secara Terpisah Komposisi1

Input (PC)2

Noda LT3

Output4

CV (%)

10

6

1

0.118

10

4

1

0.054

15

6

1

0.047

6

1

0.002

ProteinA A

Lemak

A

Kadar air

KarbohidratR

15

1

A

R

Sumber data input yang digunakan = PC data Absorban = PC data Reflektan 3 Input = Komponen Utama (PC) dari data absorban dan reflektan NIR, LT = Lapisan Terselubung 4 Output = Masing-masing komposisi kimia. 2

Gambar 14 dibawah ini adalah perbandingan nilai proksimat dugaan JST dengan nilai kimia kombinasi JST terpilih. Koefisien determinasi (R2) protein adalah 0.78, kadar air (R2= 0.83), lemak (R2= 0.74) dan karbohidrat (R2 = 0.80). bahwa

lebih

dari

70%

variasi

komposisi

proksimat

Hal ini menunjukkan

dapat

dijelaskan

dengan

menggunakan JST. 10

12

R2 = 0.907

2

R = 0.8687 10

Nilai Kimia

Nilai Kimia

9.5 9 8.5

8 6

8

4

7.5 7.5

8

8.5

9

9.5

Nilai Dugaan JST

Protein n=35

4

10

8

10

12

Prediksi JST

Kadar Air n=35 82

8

R2 = 0.8382

2

R = 0.7544 7

80

Nilai Kimia

Nilai Kimia

6

6 5

78

76

4

74

3 3

Lemak n=35

4

5

6

Prediksi JST

7

8

74

76

Karbohidrat n=35

78

Nilai Dugaan JST

80

Gambar 15 Perbandingan Nilai Dugaan JST dengan Nilai Kimia Proksimat.

82

Pendugaan Proksimat Jagung Dengan JST Output Secara Simultan Data Absorban Pada penelitian ini JST juga dilatih untuk menghasilkan output proksimat secara simultan dengan variasi input dan lapisan yang sama dengan output secara terpisah. Hasil perhitungan koefisien keragaman dan standar error validasi dapat dilihat pada Lampiran 2. Gambar 15 adalah grafik kisaran CV validasi proksimat biji jagung semua kombinasi JST menggunakan data absorban. Secara umum hasil prediksi JST dengan input 5 dan 10 PC hanya akurat untuk 3 komponen. Pada input 5 PC JST kurang akurat dalam memprediksi kadar air (CV > 50%) sedangkan kandungan yang lainnya (protein, lemak dan karbohidrat) cukup akurat (CV < 10%). Sedangkan dengan menggunakan input 10 PC, komponen yang tidak dapat diprediksi dengan baik adalah lemak (CV > 60%), sementara 3 komponen lainnya mempunyai CV yang kecil. Pendugaan JST dengan menggunakan input 15 komponen utama pada 4 dan 8 noda lapisan terselubung CV keempat komponen yang diprediksi lebih kecil dibandingkan dengan kombinasi lainnya.

Hasil prediksi JST dengan output secara simultan yang diharapkan adalah

semua output (karbohidrat, protein, lemak dan kadar air) mempunyai nilai CV yang kecil pada kombinasi lapisan JST tertentu. Berdasarkan hal itu maka JST dengan input 15 PC dan 4 lapisan terselubung dapat memenuhi kriteria (kisaran CV = 0.44-12.31%).

K oefisien K eragaman (% )

K o e fis ie n K e ra g a m a n ( % )

140 120 100 80 60 40 20 0 Protein

Lemak

Kadar Air

120 100 80 60 40 20 0

Karbohidrat

Protein

Komposisi Kimia

A

140

Lemak

Kadar Air

Karbohidrat

Komposisi Kimia

B

Ko efisien Kerag am an (% )

140 120 100 80 60 40 20 0 Protein

C 4 noda LT 6 noda LT LT = Lapisan Terselubung

Lemak

Kadar Air

Karbohidrat

Komposisi Kimia

8 noda LT

10 noda LT

12 noda LT

Gambar 16 Nilai CV Validasi Proksimat Output Secara Simultan A) 5 PC, B) 10 PC, dan C) 15 PC Data Absorban.

Data Reflektan Komponen utama dari data reflektan digunakan sebagai input JST dan outputnya adalah komposisi proksimat secara simultan. Hasil validasi JST yang diperoleh diuji dengan parameter koefisien keragaman untuk mengetahui sejauh mana keakuratan hasil prediksi (Lampiran 10). Gambar 17 menunjukkan bahwa terdapat perbedaan kisaran CV dengan menggunakan input jumlah komponen utama yang berbeda.

Secara umum

dapat ditunjukkan bahwa kisaran nilai CV masing-masing komponen berada dibawah 50%. Hasil yang diharapkan adalah CV yang kecil dari keempat komponen proksimat yang diprediksi.

Prediksi terbaik kandungan proksimat secara simultan tercapai pada

input 10 PC dan 6 noda lapisan terselubung (CV= 0.05 – 8.32%). Input 5 PC tidak dapat

memprediksi kandungan lemak dengan baik (CV > 20%) demikian juga dengan input 15 PC hanya dapat memprediksi kandungan karbohidrat (CV< 10%). 50

Koefisien Keragaman (% )

Koefisien Keragam an (% )

50 40 30 20 10

40 30 20 10 0

0 Protein

A

Lemak Kadar Air Komposisi Kimia

Protein

Karbohidrat

Lemak

Kadar Air

Karbohidrat

Komposisi Kimia

B

Koefisien Keragaman (% )

50 40 30 20 10 0 Protein

C 4 noda LT 6 noda LT LT = Lapisan Terselubung

Gambar 17

Lemak

Kadar Air

Karbohidrat

Komposisi Kimia

8 noda LT

10 noda LT

CV Validasi Proksimat Output Secara Simultan A) 5 PC, C) 15 PC Data Reflektan.

12 noda LT

B) 10 PC dan

Hasil yang diperoleh dengan menggunakan input data absorban dan data reflektan kemudian digabungkan untuk memperoleh nilai CV yang paling kecil untuk output proksimat secara simultan. Dari 30 kombinasi yang diperoleh dipilih kombinasi yang menghasilkan nilai CV yang kecil untuk semua komposisi (protein, lemak, kadar air dan karbohidrat). Hasil pemilihan kombinasi terbaik dirangkum pada Tabel 7.

Tabel 7 Rekapitulasi Nilai CV Validasi Proksimat Output Secara Simultan Data Absorban dan Reflektan

Input1

Noda LT2

Output3

Absorban ---CV(%)--Protein

5

6

4

9.414

0.291

50.268

1.490

5

8

4

8.602

7.052

50.836

1.154

10

4

4

7.867

75.152

23.713

7.172

10

8

4

8.713

62.141

9.313

4.619

15

4

4

2.122

7.946

12.314

0.437

15

8

4

0.571

16.519

19.838

8.701

Lemak

Kadar Air

Karbohidrat

Reflektan ---CV(%)---

1 3

5

4

4

8.066

26.212

1.058

3.705

5

10

4

8.718

22.463

4.508

3.069

10

6

4

5.504

8.321

0.046

5.964

10

10

4

7.522

2.027

8.989

3.945

15

8

4

4.328

10.015

32.918

6.236

15

10

4

16.603

5.622

19.937

14.702

Input = Komponen Utama (PC) data reflektan dan absorban NIR Output= komposisi proksimat secara simultan.

2

LT = LapisanTerselubung

Berdasarkan Tabel 7 terlihat bahwa JST dengan output simultan untuk proksimat dapat memprediksi dengan baik maksimal 3 (tiga) komponen dari 4 (empat ) komponen yang diinginkan. Kombinasi JST yang menghasilkan Koefisien keragaman yang paling kecil untuk semua komponen proksimat diperoleh pada kombinasi input 10 PC dan 6 noda lapisan terselubung (CV protein= 5.504%, lemak=8.321%, kadar air=0.046% dan karbohidrat=5.964%.)

Pendugaan Asam Amino Jagung Dengan JST Output Secara Terpisah Data Absorban Jaringan saraf tiruan juga dilatih dengan menggunakan input komponen utama dari data absorban, 5 noda lapisan terselubung dan output adalah komposisi asam amino secara terpisah.

Dari 3 noda lapisan input, 5 noda lapisan terselubung dan output

komposisi asam amino secara terpisah diperoleh 15 kombinasi JST.

Masing-masing

kombinasi JST divalidasi dengan set data yang tidak digunakan dalam proses pelatihan untuk mandapatkan nilai prediksi JST.

Parameter pengujian yang digunakan untuk

mengetahui tingkat keakuratan prediksi JST adalah koefisien keragaman (%) dan standar error validasi (SEv). Gambar 18 adalah grafik koefisien keragaman nilai validasi asam amino dengan input 5, 10 dan 15 PC. Rekapitulasi koefisien keragaman dan standar error validasi asam amino dengan JST output secara terpisah dapat dilihat pada Lampiran 5. 50

Koefisien Keragaman (%)

Koefisien Keragaman (% )

50 40 30 20 10

30 20 10 0

0 Met

Lys

Tyr

Thr

Arg

Met

Leu

Lys

B

Komposisi Kimia

Tyr

Thr

Arg

Leu

Komposisi Kimia

50

Koefisien Keragaman (% )

A

40

40 30 20 10 0 Met

C 4 noda LT 6 noda LT LT = Lapisan Terselubung

Lys

Tyr

Thr

Arg

Leu

Komposisi Kimia

8 noda LT

10 noda LT

12 noda LT

Gambar 18 CV Validasi Asam Amino Output Terpisah A) 5 PC B) 10 PC dan C) 15 PC Data Absorban. Dari Gambar 18 terlihat bahwa secara umum koefisien keragaman asam amino dengan menggunakan input 5 PC, dapat memprediksi dengan cukup akurat leusin (CV= 0.40-2.65%), threonin (CV= 0.22-1.18%) dan methionin (CV= 0.25-1.92%). JST dengan input 10 PC dapat memprediksi leusin cukup akurat dengan CV=0.34-5.46%, tetapi komponen asam amino lainnya mempunyai CV yang lebih besar dari 5%. Kisaran CV paling kecil dari methionin tercapai pada JST dengan input 15 komponen utama yaitu

berkisar antara 0.076-5.97%. Komponen asam amino lainnya dapat diprediksi dengan baik menggunakan salah satu dari 15 kombinasi JST yang dilatih.

Data Reflektan Dengan menggunakan input komponen utama dari data reflektan JST dilatih untuk

menghasilkan

output

asam

amino

secara

terpisah.

Validasi

dilakukan

menggunakan set data yang tidak digunakan pada saat pelatihan, selanjutnya dihitung koefisien keragaman dari tiap-tiap kombinasi JST. 70

60

Ko efisien Kerag am an (% )

K o e fis ie n K e ra ga m a n (% )

70

50 40 30 20 10 0

50 40 30 20 10 0

Met

Lys

Tyr

Thr

Arg

Met

Leu

Lys

Tyr

B

Komposisi Kimia

Thr

Arg

Leu

Komposisi Kimia

(% )

70

Ko efisien Keragam an

A

60

60 50 40 30 20 10 0 Met

Lys

C 4 noda LT 6 noda LT LT = Lapisan Terselubung

Tyr

Thr

Arg

Leu

Komposisi Kimia

8 noda LT

10 noda LT

12 noda LT

Gambar 19 CV Validasi Asam Amino Output Terpisah A) 5 PC B) 10 PC dan C)15 PC Data Reflektan. Dari Gambar 19 terlihat bahwa terdapat variasi CV yang cukup besar terutama pada JST dengan input 10 dan 15 PC.

Pada Gambar 19.A dapat dilihat bahwa CV

threonin, arginin dan leusin berada pada kisaran < 10%. Sedangkan lysin, methionin dan tyrosin mempunyai CV > 10%. Dengan menggunakan input 10 PC nilai CV tyrosin berada pada kisaran antara 2.10-8.91% dan paling kecil diantara komponen asam amino lainnya. Koefisien keragaman yang paling besar adalah arginin dan lysin. Pada input

15 PC dengan 6 noda lapisan terselubung, CV leusin, threonin, methionin dan tyrosin berada pada kisaran < 10% sedangkan tyrosin dan arginin mempunyai kisaran yang > 13%. Koefisien keragaman dan standar error validasi dari semua kombinasi JST dapat dilihat pada Lampiran 7. Prediksi JST menggunakan input komponen utama absorban dan reflektan selanjutnya digabungkan untuk memperoleh CV asam amino yang lebih kecil dari dua sumber data tersebut. Nilai CV validasi asam amino terbaik menggunakan data absorban dan data reflektan dengan output secara terpisah dirangkum pada Tabel 8. Tabel 8 Rekapitulasi Nilai CV Validasi Asam Amino Output Secara Terpisah Menggunakan Data Absorban dan Reflektan Komposisi

Absorban

Reflektan

Input1

Noda LT2

Output3

CV(%)

Input1

Noda LT2

Output3

CV(%)

Methionin

15

6

1

0.076*

15

8

1

3.667

Lysin

15

4

1

0.597*

15

6

1

1.710

Tyrosin

10

10

1

24.098

10

4

1

2.101*

Threonin

5

4

1

0.222

5

12

1

0.119*

Arginin

10

8

1

6.633*

5

12

1

7.104

Leusin

10

12

1

0.340*

15

12

1

3.647

* Kombinasi JST yang dipilih 2 LT = Lapisan Terselubung

1 3

Input = Komponen Utama (PC) data absorban dan reflektan NIR Output = Masing-masing komposisi kimia.

Dengan menggunakan dua sumber data (absorban dan reflektan) seperti pada Tabel 6 dapat diperoleh nilai CV validasi asam amino yang lebih kecil. Prediksi JST untuk tyrosin dan threonin mencapai CV yang paling kecil dengan menggunakan input data reflektan yaitu kombinasi input 10 PC dan 4 noda lapisan terselubung untuk tyrosin dan input 5 PC dengan 12 noda lapisan terselubung untuk threonin. Empat komponen asam amino lainnya dapat diprediksi dengan cukup akurat menggunakan JST dengan input data absorban. Hasil prediksi terbaik dari JST dengan output asam amino secara terpisah dirangkum pada Tabel 9.

Tabel 9 Hasil Prediksi Terbaik dari JST Output Asam Amino Secara Terpisah Komposisi1 MethioninA LysinA TyrosinR ThreoninR ArgininA LeusinA

Input2 15 15 10 5 10 10

Noda LT3 6 4 4 12 8 12

Output4 1 1 1 1 1 1

CV(%) 0.076 0.597 2.101 0.119 6.633 0.340

1

Sumber data input yang digunakan A = PC data Absorban R = PC data Reflektan 3 Input = Komponen Utama (PC) dari data absorban dan reflektan NIR LT = Lapisan Terselubung 4 Output = Masing-masing komposisi kimia. 2

Hubungan antara nilai dugaan JST dengan nilai uji kimia masing-masing komposisi asam amino dibuat dalam grafik hubungan linier dan dihitung koefisien determinasi (R2) serta persamaan liniernya (Gambar 20). 0.7

R2 = 0.7393

0.32

0.6

Nilai Kimia

Nilai Kimia

R2 = 0.7906

0.5

0.28 0.24 0.2

0.4 0.4

0.5

Leusin, n=35

0.6

0.2

0.7

Nilai Dugaan JST

0.40

0.32

R2 = 0.6808

0.35 0.16 0.30

Nilai Kim ia

Nilai Kim ia

0.28

Nilai Dugaan JST

0.18

R2 = 0.6869

0.25

0.14 0.12

0.20 0.15 0.15

Arginin, n=35

0.20

0.25

0.30

0.35

0.10 0.10

0.40

0.14

Nilai Dugaan JST

0.16

0.18

0.40 2

R2 = 0.454

R = 0.5381 0.35

Nilai Kim ia

0.26

0.22

0.18

0.14 0.14

0.12

Lysin, n=35

Nilai Dugaan JST

0.30

N ilai Kimia

0.24

Tyrosin, n=35

0.30 0.25 0.20

0.18

Methionin, n=35

0.22 Nilai Dugaan JST

0.26

0.30

0.15 0.15

0.20

Threonin, n=35

0.25

0.30

0.35

Nilai Dugaan JST

Gambar 20 Perbandingan Nilai Dugaan JST dengan Nilai Kimia Asam Amino.

0.40

Pendugaan Asam Amino Jagung Dengan JST Output Secara Simultan Data Absorban Prediksi asam amino secara simultan dengan JST menggunakan input 3 (tiga) variasi komponen utama dari data absorban dan 5 (lima) noda lapisan terselubung diperoleh 15 kombinasi.

Hasil perhitungan koefisien keragaman dan standar error

validasi digunakan sebagai paramater dalam menentukan keakuratan prediksi JST. Rekapitulasi hasil perhitungan CV dan SEv dapat dilihat pada Lampiran 6. Dari Gambar 21 dapat dilihat bahwa prediksi asam amino dengan JST menggunakan input 5 PC mempunyai CV yang relatif lebih kecil kecuali untuk prediksi komposisi threonin. Dengan input 10 dan 15 PC variasi CV masing-masing noda lapisan terselubung sangat tinggi. Dari 6 output asam amino secara simultan hanya terdapat 3 asam amino yang mempunyai CV < 15% dan sisanya mempunyai CV yang > 15%. Dengan demikian penggunaan input 10 dan 15 PC tidak dapat memprediksi dengan efektif komposisi asam amino secara simultan. 100

Koefisien Keragam an (% )

Koefisien Keragam an (% )

100 80 60 40 20 0 Met

Tyr

Thr

Arg

Leu

Komposisi Kimia

60 40 20 0 Met

B

Lys

Tyr

Thr

Komposisi Kimia

Arg

Leu

100

Koefisien Keragam an (% )

A

Lys

80

80 60 40 20 0

C

Met

Lys

Tyr

Thr

Komposisi Kimia

Arg

Leu

Gambar 21 CV Validasi Asam Amino Output Secara Simultan A) 5 PC B) 10 PC dan C) 15 PC Data Absorban.

Pendugaan dengan input 10 PC menghasilkan keragaman nilai CV yang besar untuk tiap-tiap komponen pada noda lapisan terselubung yang sama. Dari Gambar 19 terlihat bahwa kisaran CV tiap komponen adalah 0.1-57.8%.

Tidak terdapat nilai CV

yang mempunyai kisaran kurang dari 10% pada satu kombinasi lapisan JST tertentu. Seperti halnya pendugaan JST dengan input 10 PC, dengan menggunakan input 15 PC diperoleh nilai CV yang sangat bervariasi. Semua komponen mempunyai kisaran CV yang besar pada semua lapisan terselubung. Hasil yang diinginkan dari JST output secara simultan adalah semua komponen yang diprediksi mempunyai tingkat keakuratan yang tinggi (nilai CV kecil). Bila terdapat satu atau lebih komponen dengan nilai CV yang besar maka pendugaan tersebut tidak dapat diaplikasikan dan dianggap tidak efektif.

Data Reflektan Pendugaan JST untuk asam amino secara simultan juga dilakukan dengan menggunakan input komponen utama data reflektan.

Dengan menggunakan 5 noda

lapisan terselubung dan output adalah enam (6) komponen asam amino secara simultan (methionin, lysin, tyrosin, threonin, arginin dan leusin) dilakukan validasi terhadap hasil pelatihan JST. Dari hasil validasi selanjutnya dihitung standar error validasi (SEv) dan koefisien keragaman untuk mengukur sejauh mana keakuratan prediksi JST. Rekapitulasi nilai CV dan SEv dapat dilihat pada Lampiran 8. Dari Gambar 22 terlihat bahwa prediksi asam amino secara simultan dengan JST menggunakan input data reflektan secara umum lebih akurat dengan input 5 PC (CV = 0.01 – 15%) kecuali leusin (CV > 20%). Pada tiap noda lapisan terselubung, nilai CV leusin lebih besar daripada yang lainnya sedangkan threonin mempunyai nilai CV yang selalu lebih kecil. Leusin dapat diprediksi dengan akurat (CV= 1.08%) pada input 10 PC dan 12 noda lapisan terselubung, tetapi pada kombinasi ini nilai CV komposisi yang lainnya sangat tinggi sehingga kombinasi ini tidak dapat digunakan sebagai model untuk pendugaan asam amino secara simultan. Input 15 PC dan 12 noda lapisan terselubung dapat memprediksi dengan cukup baik semua komposisi jagung.

Koefisien keragaman (CV) dari hasil pendugaan JST dengan menggunakan input data absorban digabungkan dengan CV hasil pendugaan JST menggunakan input data reflektan untuk mendapat kombinasi terbaik yang menghasilkan nilai dugaan yang

A

Koefisien Keragam an (% )

100 80 60 40 20 0

Met

Lys

Tyr

Thr

Arg

Leu

Komposisi Kimia

100 80 60 40 20 0

B

Met

Lys

Tyr

Thr

Arg

Leu

Komposisi Kimia

100

Koefisien Keragam an (% )

Koefisien Keragaman (% )

mendekati nilai referensi secara kimia.

80 60 40 20 0

C

Met

Lys

4 noda LT 6 noda LT LT = Lapisan Terselubung

Tyr Thr Komposisi Kimia

8 noda LT

Arg

Leu

10 noda LT

12 noda LT

Gambar 22 CV Validasi Asam Amino Output Secara Simultan A) 5 PC B) 10 PC dan C) 15 PC Data Reflektan. Tabel 10 adalah rekapitulasi nilai CV yang dipilih dari 30 kombinasi JST. Secara keseluruhan dapat dilihat bahwa pendugaan asam amino secara simultan tidak menghasilkan nilai CV yang kecil untuk semua asam amino. JST mampu memprediksi dengan baik paling banyak 3 (tiga) dari 6 (enam) komponen asam amino yang ditargetkan. Jumlah asam amino dalam jagung adalah yang paling kecil dibandingkan dengan sereal lainnya (Fontaine et al. 2002). Kisaran nilai maksimum dan minimum dari sampel validasi kecil sehingga dalam tahap pelatihan JST kurang maksimal, hal ini akan berpengaruh pada proses validasi karena ada angka-angka yang tidak berada dalam kisaran pelatihan.

Tabel 10 Rekapitulasi Nilai CV Validasi Asam Amino Output Secara Simultan Data Absorban dan Reflektan

Input1

Noda LT12

Output3

Absorban ---CV(%)---

5

4

6

18.374

6.398

5.054

76.784

20.968

8.945

5

6

6

15.084

11.406

5.833

74.560

23.834

10.135

10

4

6

34.439

15.253

7.088

7.670

23.834

0.995

10

8

6

21.576

57.807

7.967

22.502

33.006

8.064

15

6

6

0.666

8.639

11.371

20.831

74.958

10.528

15

12

6

10.126

7.943

4.410

32.872

26.748

42.849

Methionin

Lysin

Tyrosin

Threonin

Arginin

Leusin

Reflektan ---CV(%)--5

8

6

9.995

7.729

13.935

0.925

7.364

27.185

5

12

6

13.163

9.320

15.186

0.668

5.446

28.443

10

6

6

64.963

24.539

8.234

36.811

8.130

2.846

10

12

6

45.194

38.479

9.460

73.291

35.995

1.085

15

10

6

8.496

23.222

7.840

69.137

42.678

8.931

15

12

6

6.949

12.134

21.491

20.652

0.400

15.586

1 3

Input = Komponen Utama (PC) data reflektan dan absorban NIR, Output= komposisi proksimat secara simultan.

2

LT = LapisanTerselubung

Berdasarkan hasil keseluruhan, JST dapat memprediksi dengan cukup baik komposisi kimia jagung. Pendugaan dengan menggunakan output secara terpisah lebih akurat baik pada pendugaan proksimat maupun asam amino. Koefisien keragaman hasil prediksi JST pada penelitian ini dapat diterima bila hasil prediksi adalah untuk menentukan komposisi jagung sebagai bahan pakan dan pengujian mutu jagung secara rutin untuk skala besar. Pendugaan dengan metode nondestruktif menggunakan NIR spektroscopy dan kalibrasi dengan JST sangat berpeluang untuk dikembangkan karena sangat hemat dalam hal waktu aplikasi tanpa harus tergantung pada kapasitas laboratorium.

Selain itu dalam hal jumlah sampel yang besar tidak harus menunggu

untuk diuji sehingga hasil yang diperoleh adalah hasil yang aktual karena tidak mengalami masa simpan terlebih dahulu.

Untuk pendugaan asam amino yang jumlahnya sangat terbatas seperti lysin dan methionin, metode NIR dan JST ouput secara terpisah dapat digunakan dan hasil yang diperoleh cukup akurat. Fontaine et al, (2002) menyatakan bahwa penentuan komposisi asam amino secara kimia mempunyai CV 2-3%, hal ini karena terjadi reaksi oksidasi/hidrolisis pada prosedur persiapan sampel, kesalahan pada saat injeksi sampel ke kolom (pada metode HPLC) dan kesalahan pengukuran bahan pereaksi.

SIMPULAN DAN SARAN Simpulan 1. Prediksi terbaik JST untuk proksimat adalah dengan menggunakan output pendugaan komposisi proksimat secara terpisah. Untuk protein digunakan input data absorban dengan 10 PC dan 6 noda lapisan terselubung (CV=0.118%, SEv= 0.011%), untuk lemak menggunakan data absorban dengan 10 PC dan 4 noda lapisan terselubung (CV=0.054%, SEv=0.222%), kadar air dengan menggunakan input data absorban 15 PC dan 6 noda lapisan terselubung (CV=0.047%, SEv=0.004%) dan karbohidrat dapat menggunakan input data reflektan 15 PC dan 6 noda lapisan terselubung (CV=0.002%, SEv=0.001%). 2. Prediksi terbaik JST untuk asam amino juga diperoleh dengan menggunakan output secara terpisah. Kombinasi terbaik JST dalam prediksi methionin adalah input data absorban 15 PC dan 6 noda lapisan terselubung (CV=0.076%, SEv=0.0%), lysin menggunakan input data absorban 15 PC dan 4 noda lapisan terselubung (CV=0.597%, SEv=0.001%), tyrosin dengan menggunakan input data reflektan

10 PC dan 4 noda lapisan terselubung (CV=2.101%,

SEv=0.006%), threonin menggunakan input data reflektan 5 PC dan 12 noda lapisan terselubung (CV=0.119%, SEv=0.0003%), arginin menggunakan input data absorban 10 PC dan

8 noda lapisan terselubung (CV=6.633%,

SEv=0.036%) dan leusin menggunakan input data absorban 10 PC dan 12 noda lapisan terselubung (CV=0.340%, SEv=0.002%).

Saran Jumlah sampel yang lebih banyak dan bervariasi diperlukan dalam meningkatkan reliabilitas pendugaan.

DAFTAR PUSTAKA BPS. 2005. Berita Resmi Statistik. Produksi Padi, Jagung, Dan Kedelai (Angka Tetap 2004 dan Angka Ramalan II 2005). No. 36 / VIII / 1 Juli 2005. Budiastra, IW., Y. Ikeda, T. Nishizu. 1998. Optical methods for quality evaluation of fruits (Part 2). Prediction of individual sugars and malic acid concentrations of apples and mangoes by the developed NIR reflectance system. J. Of JSAM. 60 (30): 117-127. Budiastra, IW., U. Ahmad. 2005. Pengembangan sistem deteksi mutu jagung secara simultan berdasarkan sifat pantulan pada gelombang cahaya infra merah dekat. Laporan Akhir Penelitian Hibah Bersaing XI. Lembaga Penelitian dan Pemberdayaan Masyarakat. IPB. (unpublished). Burks, T.F., S.A. Shearer, R.S. Gates, K.D. Donohue. 2000. BAckpropagation neural network design and evaluation for classifying weed species using color image texture. Trans of ASAE. 43 (4) : 1029 – 1037. Cravener, T.L., W.B. Roush. 2001. Prediction of amino acid in feed ingredients : Genetic Algorithm calibration of artificial neural networks. Animal Feed Science and Technology. 90 : 131. Delwiche, SR. 1993. Measurement of single-kernel wheat hardness using near-infrared transmittance. Trans. ASAE 36 (5) : 1431-1437. Dyer, D.J and P.Feng.1997. NIR destine to be major analytical influence. Feedstuffs : 69 (20) Fang, Q.,M.A.Hanna, E.Haque, C.K. Spillman. 2000. Neural network modeling of energy requirements for size reduction of wheat. Trans of the ASAE 43 (4) : 947-952. Fontaine, J., B.Schirmer and J. Horr. 2002. Near-infrared reflectance spectroscopy (NIRS) enables the fast and accurate prediction of essential amino acid contents.2. Result for wheat, barley, corn, triticale, wheat bran/middlings, rice bran and sorghum. J. Agric. Food Chem., 50 (14): 3902-3911. Hsieh,C., Y.R. Chen, B.P. Dey, D.E. Chan. 2002. Separating septemic and normal chicken livers by visible/near infrares spectroscopy and back-propagation neural networks. Trans of ASAE. 45 (2) : 459-469. http://www.tanindo.com/abdi11/hal0901.htm. Kristanto, A. Teknologi Pasca Panen Untuk Peningkatan Mutu Jagung. 24Juli2006. http://www.optimaldesign.com/AMHelp/GenInfo/GenInfoPCA.htm. Principal component analisys. 15Juli2006. http://free.vlsm.org/v12/sponsor/Sponsor-Pendamping/Praweda/Biologi/.htm. hewan. Jaringan saraf. 18Juli2006.

Struktur

Jordon, J.R., 1996. Near infrared : breaking analytical traditions. The Referee. AOAC International, February. Kays, S.E., F.E.Barton, II, W.R. Windham, and D.S. Himmelsbach. 1997. Prediction of total dietary fiber by near-infrared reflectance in cereal products containing high sugar and crystalline sugar. J.Agric.Food.Chem. 45 (10): 3944.

Kays, S.E. and F.E. Barton, II. 2002. Near infrared analysis of soluble and insoluble dietary fiber fractions of cereak food products. .Agric.Food.Chem. 50 (10): 3024. Lammertyn,J., B. Nicolaï, K. Ooms, V. De. Smedt, J. De Baerdemaeker. 1998. Nondestructive measurement of acidity, soluble solids, and firmness of Janagold apples using NIR-spectroscopy. Trans of ASAE. 41 (4): 1089-1094. Mohsenin,N.N. 1984. Eleltromagnetic Radiation Properties of Food and Agricultural Products. Gordon and Breach Science Publisher. London. Murray, I and P.C. Williams. Chemical Principles of Near Infrared Technology. P. Williams and K.Norris. editor. 1987. Near Infrared Technology in the Agricultural and Food Industries. American Association of Cereal Chemist, Inc. Minnesota. USA. 17-37. Osborne, B.G., T.Fearn, , Hindle, P.H. 1993. Practical NIR Spectroscopy With Applications in Food and Baverage Analysis. Ed ke-2. Longman Group Uk Limited. 227 hlm. Osborne, B.G, T.Fearn, S.G. Stevenson. Near-infrared research in Europe. In Williams, P.C and K. Norris. Editor. 1987. Near-Infrared Technology in the agricultural and food induatries. American Association of Cereal Chemists, Inc. Minnesota, USA. 185-199. Paterson, D.W. 1995. Artificial Neural Network, Theory and Application. Simon & Schuster (Asia), Pte Ltd. Singapore Pazdernik, DL., A.S. Killam and J.H. Orf. 1997. Analysis of amino acid composition in soybean seed, using near infrared reflectance spectroscopy. Agron.J. 89: 679-685. Ruiz, N. 2001. Near Infrared Spectroscopy. Present dan future aplication. ASA Technical Bull. FT 52. Rev. p.1-13 Rukmana, R. 1997. Usaha tani jagung. Penerbit Kanisius. Yogyakarta. 112 hal. Sarono, S. Sa’ud, Tsai. CI. 2001. Corn Production in Indonesia. Corn Production In Asia. Teipei,Taiwan. Schmilovitch,Z, A.Mizrach, A. Hoffman, H. Egozi, Y. Fuchs. 2000. Determination of mango physiological indices by near infrared spectroscopy. Postharvest Bio & Tech (19) : 245-252 Senduk, K.A.E. 2002. Penentuan tingkat ketuaan dan kematangan sawo dengan jaringan saraf tiruan dari spektrum infra merah dekat. Tesis. Jurusan Keteknikan Pertanian. Pascasarjana. IPB, Bogor. Siska,J., C.R. Hurburgh Jr. 1996. Corn density measurement by near-infrared transmittance. Trans of ASAE. 38(6) : 1821-1824. SNI 01-4483-1998. Jagung Sebagai Bahan Baku Pakan. Badan Standardisasi Nasional. Takagi, H. 1997. Introduction to fuzzy systems, Neural Networks, and Genetic Algorithms. http://www.kyushu-id.ac.jp/takagi. Ventura, M, A. Jager, H.d. Putter, F.P.M.M. Roelofs. 1998. Non-destructive determination of soluble solids in apple fruit by near infrared spectroscopy (NIRS). Postharvest Bio & Tech (14) : 21-27.

Walpole, RE.1995. Pengantar Statistika. Ed ke-3. Terjemahan. PT. Gramedia Pustaka Utama, Jakarta. p.515. Welsh, J.R dan J.P. Mogea. 1991. Dasar-Dasar Genetika dan Pemuliaan Tanaman. Terjemahan. Erlangga. Jakarta. Williams, P.C. Variables affecting near-infrared reflectance spectroscopic analysis. In Williams, P.C and K. Norris. Editor. 1987. Near-Infrared Technology in the agricultural and food induatries. American Association of Cereal Chemists, Inc. Minnesota, USA. 143-167.

Lampiran 1 Nilai Validasi JST Proksimat Secara Terpisah Menggunakan Data Absorban Lapisan

Protein

Lemak

Karbohidrat

Kadar air

CV (%)

SEV (%)

CV (%)

SEV (%)

CV (%)

SEV (%)

CV (%)

SEV (%)

5-4-1

1.856

0.168

0.342

0.016

0.787

0.606

9.117

0.744

5-6-1

2.244

0.203

0.183

0.009

0.950

0.731

9.206

0.751

5-8-1

2.313

0.209

0.187

0.009

0.878

0.676

10.565

0.862

5-10-1

1.567

0.142

0.229

0.011

0.925

0.711

10.499

0.857

5-12-1

3.273

0.296

0.307

0.014

0.940

0.723

10.516

0.858

10-4-1

2.456

0.222

0.054

0.496

0.518

0.399

24.095

1.966

10-6-1

0.118

0.011

0.688

0.525

4.585

3.528

25.770

2.102

10-8-1

3.193

0.289

1.598

0.419

4.211

3.240

15.768

1.286

10-10-1

3.506

0.317

3.140

0.348

3.751

2.886

3.203

0.261

10-12-1

3.855

0.348

1.391

0.557

4.391

3.379

17.535

1.431

15-4-1

0.784

0.071

26.059

1.204

2.320

1.785

1.493

0.122

15-6-1

1.824

0.165

50.882

2.350

2.781

2.140

0.047

0.004

15-8-1

3.599

0.325

32.204

1.488

0.985

0.758

2.882

0.235

15-10-1

5.271

0.477

25.412

1.174

2.356

1.813

4.252

0.347

15-12-1

1.942

0.176

21.919

1.013

0.788

0.606

1.893

0.154

Lampiran 2 Nilai Validasi JST Proksimat Secara Simultan Menggunakan Data Absorban Lapisan

Protein

Lemak

Kadar Air

Karbohidrat

SEv (%)

CV (%)

SEv (%)

CV (%)

SEv (%)

CV (%)

SEv (%)

CV (%)

5-4-4

0.768

8.493

0.212

4.591

4.658

57.092

1.187

1.542

5-6-4

0.851

9.414

0.013

0.291

4.101

50.268

1.147

1.490

5-8-4

0.778

8.602

0.326

7.052

4.147

50.836

0.888

1.154

5-10-4

0.851

9.409

0.283

6.119

4.656

57.076

1.262

1.640

5-12-4

0.986

10.907

0.310

6.705

5.110

62.634

1.566

2.036

10-4-4

0.711

7.867

3.471

75.152

1.935

23.713

5.518

7.172

10-6-4

0.040

0.443

4.675

101.206

1.123

13.760

5.270

6.848

10-8-4

0.788

8.713

2.870

62.141

0.760

9.313

3.555

4.619

10-10-4

0.516

5.704

5.624

121.754

0.198

2.427

4.862

6.318

10-12-4

0.551

6.092

5.417

117.283

1.716

21.039

6.092

7.917

15-4-4

0.192

2.122

0.367

7.946

1.005

12.314

0.336

0.437

15-6-4

0.030

0.328

1.271

27.519

2.360

26.106

1.345

14.882

15-8-4

0.052

0.571

0.763

16.519

1.793

19.838

0.787

8.701

15-10-4

1.720

19.031

0.267

5.774

0.060

0.668

3.179

35.165

15-12-4

0.919

10.163

2.051

44.407

0.750

8.293

2.584

28.585

Lampiran 3 Nilai Validasi JST Proksimat Secara Terpisah Menggunakan Data Reflektan Lapisan

Protein

Karbohidrat

Lemak

Kadar air

SEv (%)

CV (%)

SEv (%)

CV (%)

SEv (%)

CV (%)

SEv (%)

CV (%)

5-4-1

0.491

5.432

0.461

0.599

1.269

9.117

0.464

10.044

5-6-1

0.463

5.123

0.379

0.493

1.335

16.308

0.469

10.146

5-8-1

0.518

5.731

0.855

1.111

1.268

15.493

0.470

10.164

5-10-1

0.531

5.871

0.201

0.261

1.234

15.077

0.451

9.762

5-12-1

0.477

5.278

0.805

1.046

1.278

15.615

0.456

9.870

10-4-1

0.350

3.867

2.587

3.362

1.242

15.178

3.448

74.647

10-6-1

0.337

3.723

1.622

2.108

1.807

22.074

3.228

69.875

10-8-1

0.478

5.291

2.178

2.831

0.763

9.315

3.546

76.777

10-10-1

0.493

5.454

1.183

1.538

1.741

21.275

3.270

70.797

10-12-1

0.448

4.952

2.630

3.417

1.221

14.920

3.106

67.248

15-4-1

0.352

3.894

0.883

1.147

1.446

17.719

1.344

29.090

15-6-1

0.112

1.241

0.001

0.002

1.071

13.133

1.484

32.125

15-8-1

0.357

3.945

0.621

0.807

3.208

39.317

1.552

33.594

15-10-1

0.126

1.395

2.630

3.418

1.029

12.608

1.487

32.202

15-12-1

0.457

5.059

1.734

2.254

1.751

21.458

2.200

47.619

Lapiran 4 Nilai Validasi JST Proksimat Secara Simultan Menggunakan Data Reflektan Lapisan

Protein

Lemak

Karbohidrat

Kadar air

SE.V

CV (%)

SE.V

CV (%)

SE.V

CV (%)

SE.V

CV (%)

5-4-4

0.729

8.066

1.211

26.212

0.086

1.058

2.851

3.705

5-6-4

1.042

11.529

0.987

21.369

0.420

5.148

2.644

3.437

5-8-4

0.921

10.194

1.155

25.004

0.634

7.771

2.210

2.872

5-10-4

0.788

8.718

1.038

22.463

0.368

4.508

2.362

3.069

5-12-4

0.835

9.239

1.003

21.710

0.222

2.723

2.644

3.436

10-4-4

0.559

6.187

0.749

16.219

0.249

3.051

2.506

3.257

10-6-4

0.498

5.504

0.384

8.321

0.004

0.046

4.589

5.964

10-8-4

0.259

2.864

0.315

6.824

1.049

12.859

1.341

1.742

10-10-4

0.680

7.522

0.094

2.027

0.733

8.989

3.036

3.945

10-12-4

0.126

1.396

0.182

3.944

1.400

17.164

2.143

2.785

15-4-4

0.843

9.331

1.624

35.164

2.746

33.662

6.470

8.409

15-6-4

1.435

15.874

0.829

17.954

3.325

40.755

2.740

3.561

15-8-4

0.391

4.328

0.463

10.015

2.686

32.918

4.798

6.236

15-10-4

1.501

16.603

0.679

14.702

1.627

19.937

4.326

5.622

15-12-4

1.124

12.430

1.618

35.028

1.362

16.693

3.289

4.274

Lampiran 5 Nilai Validasi JST Asam Amino Secara Terpisah Menggunakan Data Absorban Methionin

Lysin

Tyrosin

Threonin

Arginin

Leusin

Lapisan SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

5-4-1

0.004

1.925

0.166

30.516

0.086

29.827

0.001

0.222

0.055

10.204

0.014

2.652

5-6-1

0.002

1.046

0.167

30.753

0.083

28.598

0.005

1.622

0.056

10.328

0.010

1.754

5-8-1

0.001

0.489

0.167

30.733

0.091

31.507

0.002

0.763

0.055

10.161

0.014

2.639

5-10-1

0.001

0.251

0.168

30.987

0.088

30.243

0.004

1.424

0.053

9.775

0.012

2.267

5-12-1

0.003

1.418

0.167

30.720

0.093

32.171

0.003

1.189

0.057

10.398

0.002

0.404

10-4-1

0.017

9.602

0.183

33.610

0.071

24.363

0.031

10.646

0.041

7.556

0.023

4.156

10-6-1

0.012

6.792

0.179

32.942

0.071

24.577

0.005

1.622

0.043

7.856

0.013

2.414

10-8-1

0.012

6.766

0.113

20.772

0.079

27.407

0.054

18.469

0.036

6.633

0.010

1.892

10-10-1

0.012

6.502

0.166

30.551

0.070

24.098

0.034

11.664

0.037

6.882

0.030

5.483

10-12-1

0.004

2.019

0.055

10.081

0.081

27.960

0.101

34.948

0.130

23.938

0.002

0.340

15-4-1

0.118

4.777

0.001

0.597

0.117

40.529

0.071

24.648

0.180

33.138

0.006

1.096

15-6-1

0.000

0.076

0.026

19.832

0.099

34.250

0.069

23.769

0.177

32.499

0.008

1.532

15-8-1

0.011

5.967

0.008

6.281

0.097

33.334

0.065

22.361

0.167

30.791

0.062

11.479

15-10-1

0.006

3.100

0.014

10.637

0.073

25.237

0.074

25.536

0.165

30.290

0.109

19.968

15-12-1

0.002

0.844

0.022

16.327

0.098

33.723

0.043

14.908

0.194

35.782

0.004

0.728

Lampiran 6 Nilai Validasi JST Asam Amino Secara Simultan Menggunakan Data Absorban Methionin

Lysin

Tyrosin

Threonin

Arginin

Leusin

Lapisan SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

5-4-6

0.033

18.374

0.009

6.398

0.015

5.054

0.222

76.784

0.065

20.968

0.049

8.945

5-6-6

0.027

15.084

0.015

11.406

0.017

5.833

0.216

74.560

0.074

23.834

0.055

10.135

5-8-6

0.032

17.791

0.022

16.663

0.014

4.972

0.225

77.562

0.061

19.501

0.055

10.188

5-10-6

0.031

17.156

0.016

11.669

0.018

6.196

0.221

76.366

0.068

22.062

0.058

10.631

5-12-6

0.029

15.956

0.016

12.005

0.019

6.640

0.224

77.152

0.063

20.224

0.051

9.292

10-4-6

0.062

34.439

0.020

15.253

0.021

7.088

0.019

7.670

0.074

23.834

0.005

0.995

10-6-6

0.056

31.217

0.054

40.200

0.044

15.135

0.047

18.833

0.088

28.365

0.096

17.672

10-8-6

0.039

21.576

0.077

57.807

0.023

7.967

0.056

22.502

0.102

33.006

0.044

8.064

10-10-6

0.044

24.420

0.064

47.750

0.023

7.887

0.054

21.540

0.109

35.063

0.061

11.216

10-12-6

0.057

31.432

0.054

40.157

0.041

14.228

0.049

19.529

0.110

35.431

0.057

10.519

15-4-6

0.070

38.628

0.065

48.759

0.040

13.969

0.050

20.175

0.089

28.747

0.045

8.293

15-6-6

0.185

85.591

0.034

24.279

0.040

15.998

0.050

20.831

0.202

74.958

0.055

10.528

15-8-6

0.150

72.609

0.051

35.483

0.050

17.771

0.049

20.751

0.155

54.928

0.067

12.785

15-10-6

0.051

28.497

0.021

15.904

0.024

8.409

0.102

40.796

0.141

45.526

0.219

40.386

15-12-6

0.018

10.126

0.011

7.943

0.013

4.410

0.082

32.872

0.083

26.748

0.233

42.849

Lampiran 7 Nilai Validasi JST Asam Amino Secara Terpisah Menggunakan Data Reflektan Methionin

Lysin

Tyrosin

Threonin

Arginin

Leusin

Lapisan SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

5-4-1

0.052

29.107

0.025

19.023

0.031

10.741

0.0085

5-6-1

0.057

31.855

0.025

19.023

0.031

10.676

0.0032

5-8-1

0.058

32.330

0.025

18.959

0.024

8.122

5-10-1

0.062

34.604

0.025

18.747

0.027

9.381

5-12-1

0.059

32.514

0.025

18.747

0.023

7.862

10-4-1

0.061

33.741

0.049

36.480

0.006

10-6-1

0.069

38.391

0.067

50.529

10-8-1

0.038

21.299

0.060

10-10-1

0.038

21.299

10-12-1

0.018

15-4-1

CV(%) 3.411 1.271

SE.V (%)

CV(%)

SE.V (%)

CV(%)

0.044

8.008

0.047

8.640

0.052

9.546

0.047

8.643

0.039

7.234

0.046

8.500

0.050

9.185

0.042

7.747

0.039

7.104

0.037

6.721

0.0014

0.547

0.0080

3.210

0.0003

0.119

2.101

0.024

9.750

0.162

52.041

0.041

7.465

0.015

5.280

0.019

7.824

0.155

50.092

0.081

14.861

45.163

0.018

6.139

0.034

13.736

0.163

52.650

0.041

7.540

0.060

45.163

0.026

8.915

0.018

7.274

0.153

49.411

0.064

11.803

9.844

0.056

41.839

0.012

4.143

0.030

11.896

0.051

16.359

0.094

17.371

0.033

18.452

0.023

16.367

0.018

5.954

0.029

11.810

0.180

58.046

0.097

17.876

15-6-1

0.023

12.525

0.002

1.710

0.040

13.645

0.018

7.068

0.177

56.926

0.045

8.335

15-8-1

0.017

9.326

0.004

3.323

0.053

18.775

0.018

7.828

0.167

53.935

0.045

8.302

15-10-1

0.036

20.183

0.020

14.198

0.022

7.386

0.018

10.371

0.165

53.057

0.067

12.257

15-12-1

0.094

52.247

0.004

2.825

0.056

19.665

0.026

10.390

0.195

62.677

0.020

3.647

Lampiran 8 Nilai Validasi JST Asam Amino Secara Simultan Menggunakan Data Reflektan Lapisan

Methionin

Lysin

Tyrosin

Threonin

Arginin

Leusin

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

SE.V (%)

CV(%)

5-4-6

0.027

14.956

0.018

13.449

0.039

13.611

0.006

2.417

0.049

15.803

0.150

27.551

5-6-6

0.025

14.060

0.010

7.729

0.046

15.814

0.007

2.990

0.030

5.559

0.143

26.244

5-8-6

0.018

9.995

0.010

7.729

0.040

13.935

0.002

0.925

0.040

7.364

0.148

27.185

5-10-6

0.023

13.023

0.012

9.343

0.041

14.186

0.007

0.007

0.050

9.216

0.140

25.675

5-12-6

0.024

13.163

0.044

9.320

0.041

15.186

0.002

0.668

0.030

9.539

0.155

28.443

10-4-6

0.114

63.262

0.067

50.424

0.020

6.862

0.002

0.668

0.126

40.578

0.071

13.113

10-6-6

0.117

64.963

0.033

24.539

0.024

8.234

0.092

36.811

0.025

8.130

0.015

2.846

10-8-6

0.130

72.338

0.055

41.486

0.034

11.620

0.178

71.490

0.107

34.364

0.069

12.619

10-10-6

0.084

46.888

0.059

44.571

0.004

1.242

0.204

81.953

0.127

41.042

0.032

5.850

10-12-6

0.081

45.194

0.051

38.479

0.027

9.460

0.183

73.291

0.112

35.995

0.006

1.085

15-4-6

0.040

22.005

0.038

28.774

0.062

21.473

0.136

54.682

0.112

35.995

0.037

6.843

15-6-6

0.044

24.206

0.064

47.951

0.016

5.682

0.167

66.925

0.132

42.533

0.005

0.838

15-8-6

0.043

24.131

0.046

34.671

0.061

21.060

0.226

90.569

0.002

0.738

0.057

10.551

15-10-6

0.015

8.496

0.031

23.222

0.023

7.840

0.172

69.137

0.132

42.678

0.049

8.931

15-12-6

0.013

6.949

0.016

12.134

0.062

21.491

0.051

20.652

0.001

0.400

0.085

15.586

Lampiran 9 Analisis Kimia 50 Sampel Jagunga Sampelb Arj1 Arj2 Arj3 Arj4 Arj5 Arj6 Arj8 ArJ9 Arj10 Arj12 Arj14 Arj15 Arj16 Arj17 Arj18 Arj19 Arj20 Arj22 Arj24 Arj25 C7.2 C7.3 C7.4 C7.5 C7.6 C7.7

Protein 9.930 9.570 9.240 10.020 9.165 9.545 9.590 9.485 10.330 9.270 9.585 8.920 9.030 9.715 9.735 9.550 9.230 9.240 10.190 9.980 8.746 7.710 7.775 7.955 7.655 7.685

Lemak 4.230 5.640 4.820 5.600 5.335 4.475 6.020 5.960 5.700 5.980 7.685 7.465 5.060 5.080 7.080 5.130 5.650 4.660 5.865 4.080 3.375 3.715 3.500 3.935 4.440 4.280

KA 7.815 8.150 5.210 8.490 4.055 7.825 4.560 4.715 9.165 8.080 7.975 8.685 7.845 8.380 8.155 8.550 8.105 3.955 7.890 8.310 10.410 9.785 4.970 5.390 4.140 7.990

KH 76.360 75.265 80.070 74.565 79.195 76.780 79.275 78.825 73.540 79.600 73.270 73.480 76.630 75.290 73.725 75.275 75.790 76.655 74.470 76.510 76.630 77.955 82.445 81.380 82.420 78.680

Methionin 0.204 0.177 0.274 0.182 0.152 0.186 0.196 0.176 0.186 0.206 0.194 0.186 0.192 0.186 0.236 0.214 0.110 0.296 0.148 0.165 0.167 0.133 0.197 0.183 0.131 0.133

Lisin 0.117 0.121 0.118 0.177 0.130 0.116 0.098 0.115 0.127 0.156 0.131 0.120 0.134 0.123 0.185 0.115 0.193 0.128 0.179 0.113 0.109 0.112 0.190 0.166 0.140 0.162

Tyrosin 0.310 0.323 0.349 0.335 0.320 0.289 0.275 0.302 0.293 0.320 0.268 0.234 0.228 0.231 0.304 0.334 0.314 0.241 0.240 0.218 0.311 0.330 0.327 0.345 0.314 0.286

Threonin 0.260 0.229 0.279 0.240 0.242 0.285 0.263 0.276 0.265 0.269 0.245 0.231 0.239 0.221 0.214 0.315 0.260 0.205 0.224 0.240 0.253 0.215 0.231 0.243 0.215 0.227

Arginin 0.325 0.242 0.409 0.428 0.327 0.320 0.289 0.304 0.287 0.327 0.324 0.294 0.276 0.264 0.328 0.395 0.384 0.325 0.352 0.317 0.239 0.204 0.276 0.223 0.288 0.234

Leusin 0.630 0.605 0.518 0.589 0.675 0.560 0.541 0.437 0.637 0.553 0.527 0.637 0.564 0.542 0.638 0.466 0.545 0.599 0.560 0.532 0.483 0.441 0.434 0.451 0.392 0.425

C7.8

7.615

3.875

5.890

81.260

0.181

0.170

0.350

0.223

0.276

0.583

Lampiran 9 (Lanjutan) Sampel C7.9 C7.11 C7.13 C7.14 C7.15 C7.16 C7.17 C7.18 CPI.1 CPI.2 CPI.4 CPI.5 CPI.8 CPI.9 CPI.10 CPI.12 CPI.14 CPI.15 CPI.16 CPI.18 CPI.20 CPI.21 CPI.22 Rataan Stdev Maksimum Minimum

Protein 8.455 8.025 8.060 8.595 7.265 7.995 8.605 8.020 9.420 8.845 10.135 9.365 9.330 9.275 9.085 9.660 8.790 9.060 9.565 10.180 8.970 9.255 9.560 9.039 0.792 10.33 7.265

Lemak 3.470 3.750 4.410 3.785 3.815 3.975 7.700 8.230 3.935 3.660 2.965 3.420 3.080 4.040 3.870 3.695 3.645 2.785 4.455 3.820 3.675 3.280 2.855 4.619 1.342 8.23 2.785

KA 6.275 6.885 10.160 6.510 10.790 9.325 7.850 7.420 9.225 8.530 10.415 8.475 9.970 10.920 10.615 7.750 5.980 10.150 10.165 12.655 11.780 11.560 10.015 8.158 2.131 12.655 3.955

KH 80.940 80.475 76.145 76.990 81.140 77.465 74.570 75.080 77.495 77.405 75.075 77.690 76.110 72.655 75.970 77.100 78.740 76.720 74.635 74.695 75.305 74.580 75.145 76.949 2.511 82.445 72.655

Methionin 0.142 0.190 0.141 0.197 0.161 0.192 0.168 0.174 0.248 0.115 0.197 0.254 0.204 0.130 0.164 0.178 0.164 0.164 0.154 0.128 0.175 0.201 0.168 0.180 0.038 0.296 0.11

Lisin 0.126 0.113 0.137 0.115 0.153 0.118 0.106 0.120 0.158 0.121 0.107 0.185 0.101 0.132 0.189 0.130 0.087 0.120 0.124 0.105 0.113 0.160 0.097 0.133 0.027 0.193 0.087

Tyrosin 0.232 0.328 0.359 0.179 0.247 0.268 0.315 0.256 0.284 0.214 0.297 0.238 0.332 0.287 0.302 0.297 0.265 0.315 0.304 0.289 0.249 0.317 0.323 0.289 0.042 0.359 0.179

Threonin 0.214 0.275 0.163 0.172 0.240 0.264 0.302 0.283 0.240 0.270 0.242 0.203 0.240 0.276 0.264 0.287 0.314 0.332 0.241 0.234 0.241 0.237 0.312 0.249 0.034 0.332 0.163

Arginin 0.270 0.286 0.347 0.309 0.349 0.427 0.393 0.351 0.311 0.337 0.144 0.330 0.294 0.352 0.347 0.342 0.202 0.312 0.350 0.290 0.321 0.283 0.310 0.310 0.056 0.428 0.144

Leusin 0.588 0.575 0.457 0.514 0.437 0.519 0.597 0.509 0.637 0.509 0.534 0.602 0.692 0.650 0.650 0.563 0.468 0.564 0.667 0.586 0.431 0.387 0.475 0.544 0.078 0.692 0.387

Lampiran 10 Nilai 15 Komponen Utama Hasil Ekstrak Dari Data Absorban NIR Jagung Variabel ARJ1 ARJ2 ARJ3 ARJ4 ARJ5 ARJ6 ARJ8 ARJ9 ARJ10 ARJ12 ARJ14 ARJ15 ARJ16 ARJ17 ARJ18 ARJ19 ARJ20 ARJ22 ARJ24 ARJ25 C72 C73 C74 C75 C76 C77 C78 C79 C711 C713 C714 C715 C716 C717 C718 CPI1 CPI2 CPI4 CPI5 CPI8 CPI9 CPI10 CPI12 CPI14 CPI15 CPI16 CPI18 CPI20

PC1 -0.129 -0.163 -0.171 -0.166 -0.152 -0.151 -0.173 -0.119 -0.183 -0.163 -0.136 -0.163 -0.142 -0.157 -0.162 -0.103 -0.167 -0.181 -0.099 -0.163 -0.183 -0.122 -0.123 -0.165 -0.117 -0.109 -0.1 -0.073 -0.091 -0.103 -0.158 -0.093 -0.09 -0.068 -0.136 -0.099 -0.16 -0.167 -0.174 -0.087 -0.165 -0.08 -0.156 -0.106 -0.152 -0.187 -0.154 -0.125

PC2 -0.118 -0.017 0.099 0.051 0.009 -0.008 0.176 -0.023 0.148 0.094 0.137 0.153 0.008 -0.036 0.062 -0.148 0.163 0.178 -0.092 0.031 0.088 -0.17 -0.158 0.095 -0.083 -0.197 -0.224 -0.304 -0.12 -0.236 0.028 -0.282 -0.307 -0.292 -0.106 -0.036 -0.031 0.084 0.137 -0.105 -0.13 -0.164 0.054 -0.092 0.211 0.106 0.072 -0.078

PC3 0.093 0.151 -0.291 0.136 0.096 0.067 0.098 0.019 0.094 0.006 -0.028 -0.012 -0.03 0.127 0.159 -0.021 0.021 0.004 0.001 0.118 0.117 0.069 -0.162 0.045 -0.075 -0.045 0.064 -0.04 0.029 -0.109 -0.212 0.02 -0.034 0.009 -0.013 -0.029 0.153 0.141 -0.294 -0.177 0.379 -0.128 -0.251 -0.286 -0.261 0.233 -0.239 -0.072

PC4 0.017 -0.106 -0.242 -0.124 -0.055 -0.145 -0.1 0.101 -0.128 -0.147 0.154 -0.024 -0.111 -0.034 -0.17 -0.165 -0.102 -0.068 -0.017 -0.035 0.004 0.152 -0.212 0.04 0.088 0.003 0.16 -0.168 0.236 -0.066 -0.126 0.026 -0.131 -0.121 0.014 0.231 0.208 0.126 -0.088 0.246 0.132 0.158 0.195 0.017 0.351 0.217 0.098 0.14

PC5 0.131 0.011 -0.11 0.025 0.078 0.085 0.113 0.233 0.138 0.081 0.228 0.18 0.036 0.072 0.075 0.12 0.095 0.126 0.066 0.118 -0.084 0.058 -0.083 0.097 0.126 0.091 0.104 0.003 0.108 -0.011 -0.101 0.036 0.001 0.008 0.082 0.068 -0.179 -0.193 -0.282 0.054 -0.432 -0.057 -0.037 -0.051 0.093 -0.234 -0.12 -0.025

PC6 -0.099 -0.097 -0.402 0.006 -0.047 0.079 0.197 -0.092 0.072 0.125 -0.251 0.074 -0.039 -0.161 -0.04 0.04 -0.066 -0.158 -0.159 -0.105 0.138 -0.021 0.216 0.318 0.158 0.075 -0.108 0.016 -0.246 0.032 -0.028 -0.054 0.027 -0.085 0.146 0.065 0.115 0.146 -0.077 -0.062 -0.182 -0.129 0.124 0.177 -0.055 0.047 -0.072 0.197

CPI21 CPI22

-0.113 -0.174

-0.095 0.051

-0.049 -0.029

0.005 -0.141

-0.094 -0.425

0.265 -0.094

Lampiran 10 (Lanjutan) Var CPI1 CPI2 CPI4 CPI5 CPI8 CPI9 CPI10 CPI12 CPI14 CPI15 CPI16 CPI18 CPI20 CPI21 CPI22 ARJ1 ARJ2 ARJ3 ARJ4 ARJ5 ARJ6 ARJ8 ARJ9 ARJ10 ARJ12 ARJ14 ARJ15 ARJ16 ARJ17 ARJ18 ARJ19 ARJ20 ARJ22 ARJ24 ARJ25 C72 C73 C74 C75 C76 C77 C78 C79 C711 C713 C714

PC7 0.042 -0.221 0.177 0.177 -0.095 -0.238 -0.054 0.025 -0.146 0.037 0.101 0.236 0.019 0.126 0.12 -0.021 -0.178 -0.013 -0.072 -0.075 0.004 0.328 0.019 -0.007 -0.001 -0.048 0.074 -0.168 -0.117 0.063 -0.024 0.053 -0.117 0.08 0.071 0.165 0.121 -0.252 -0.172 -0.185 0.01 -0.015 0.198 0.097 0.034 -0.385

PC8 0.012 -0.246 -0.049 -0.111 0.081 0.092 0.239 0.000 0.382 -0.251 0.095 0.014 0.026 0.183 -0.002 -0.077 -0.148 0.037 0.04 0.038 0.183 -0.205 0.2 -0.052 0.184 0.045 0.085 -0.078 -0.012 0.203 -0.124 0.144 -0.28 0.189 0.094 -0.037 -0.126 0.014 0.195 -0.09 -0.218 -0.077 -0.045 0.141 -0.137 -0.087

PC9 -0.108 0.205 0.152 0.069 -0.049 -0.317 -0.017 0.12 -0.005 -0.29 -0.016 0.431 -0.081 -0.09 0.001 0.113 0.087 -0.329 0.154 0.34 0.009 -0.126 0.14 -0.045 0.018 -0.077 -0.028 0.037 0.062 -0.077 0.014 -0.051 -0.133 0.089 0.117 -0.015 -0.025 -0.023 -0.277 0.003 -0.069 0.012 -0.081 0.069 -0.015 0.212

PC10 0.1 0.272 0.03 0.021 0.174 -0.204 0.047 -0.017 0.006 -0.193 0.079 -0.174 0.05 -0.063 -0.025 0.014 -0.235 -0.047 -0.162 0.053 -0.235 -0.17 -0.106 0.164 -0.061 0.143 -0.03 -0.266 0.06 0.258 -0.131 0.414 0.112 -0.129 -0.113 0.118 -0.058 -0.056 -0.044 -0.115 -0.075 0.009 0.138 -0.074 0.032 0.212

PC11 0.141 -0.035 0.102 -0.157 -0.031 0.284 -0.01 0.158 -0.147 0.053 -0.631 0.136 -0.018 0.159 0.08 0.000 -0.073 -0.231 -0.152 -0.056 0.047 -0.038 -0.061 -0.093 -0.092 0.088 0.065 0.13 0.002 0.147 -0.086 0.109 0.049 0.191 0.048 0.256 -0.109 -0.068 -0.016 0.009 0.036 -0.135 -0.044 -0.039 0.046 0.132

PC12 -0.029 0.048 0.032 -0.018 -0.023 -0.07 -0.061 0.235 0.028 -0.238 -0.064 -0.264 0.054 -0.022 -0.098 0.181 -0.004 0.253 0.092 -0.293 0.023 0.018 0.059 0.127 -0.007 0.16 0.079 -0.085 -0.044 -0.187 -0.077 -0.355 -0.154 0.036 0.126 0.437 0.197 -0.049 -0.077 -0.067 -0.16 0.004 -0.019 0.035 -0.033 0.225

C715 C716 C717 C718

0.1 0.138 0.248 -0.082

0.026 -0.112 -0.006 -0.15

-0.033 -0.067 -0.069 -0.017

-0.01 0.135 0.137 0.069

-0.08 0.022 0.077 -0.072

Lampiran 10 (Lanjutan) Variable CPI1 CPI2 CPI4 CPI5 CPI8 CPI9 CPI10 CPI12 CPI14 CPI15 CPI16 CPI18 CPI20 CPI21 CPI22 ARJ1 ARJ2 ARJ3 ARJ4 ARJ5 ARJ6 ARJ8 ARJ9 ARJ10 ARJ12 ARJ14 ARJ15 ARJ16 ARJ17 ARJ18 ARJ19 ARJ20 ARJ22 ARJ24 ARJ25 C72 C73 C74 C75 C76 C77 C78 C79 C711

PC13 -0.278 -0.009 -0.204 -0.071 -0.066 0.03 0.155 0.17 -0.052 0.038 0.126 0.303 0.031 -0.115 -0.013 0.049 0.1 -0.215 -0.005 -0.177 -0.008 0.038 -0.12 0.169 0.038 0.299 -0.087 -0.008 -0.06 0.232 -0.007 -0.29 0.012 0.053 -0.125 -0.153 -0.017 -0.155 0.3 -0.165 -0.054 0.023 0.15 -0.232

PC14 -0.031 -0.292 -0.091 0.152 -0.001 0.147 -0.275 -0.293 0.065 0.185 0.024 0.211 -0.003 -0.12 -0.102 0.154 -0.056 -0.083 -0.019 0.04 -0.113 -0.225 0.087 0.13 -0.069 -0.225 0.107 -0.131 0.187 -0.16 -0.007 0.005 -0.156 -0.121 0.045 0.247 -0.05 -0.159 0.282 -0.043 0.051 -0.048 0.001 0.056

PC15 0.11 -0.191 0.359 -0.024 -0.01 0.019 0.067 -0.233 0.13 0.157 -0.011 -0.22 -0.119 0.06 0.137 0.012 0.091 -0.109 -0.082 0.057 -0.005 0.218 0.031 0.223 0.004 0.184 0.025 0.013 -0.112 -0.076 -0.101 -0.049 -0.297 0.026 -0.013 -0.303 -0.086 -0.108 -0.184 0.052 0.013 0.128 0.052 -0.101

-0.046 -0.041 0.03 -0.017

C713 C714 C715 C716 C717 C718

0.028 0.139 0.083 0.065 0.114 -0.098

-0.059 0.249 0.071 0.145 0.06 0.091

-0.015 0.372 -0.031 -0.094 0.151 0.073

Lampiran 11 Nilai 15 Komponen Utama Hasil Ekstrak Dari Data Reflektan NIR Jagung Variable ARJ1 ARJ2 ARJ3 ARJ4 ARJ5 ARJ6 ARJ8 ARJ9 ARJ10 ARJ12 ARJ14 ARJ15 ARJ16 ARJ17 ARJ18 ARJ19 ARJ20 ARJ22 ARJ24 ARJ25 C72 C73 C74 C75 C76 C77 C78 C79 C711 C713 C714 C715 C716 C717 C718 CPI1 CPI2 CPI4 CPI5 CPI8 CPI9 CPI10 CPI12 CPI14 CPI15 CPI16 CPI18 CPI20

PC1 -0.141 -0.172 -0.146 -0.179 -0.155 -0.152 -0.143 -0.128 -0.179 -0.156 -0.106 -0.139 -0.131 -0.155 -0.153 -0.132 -0.151 -0.149 -0.143 -0.163 -0.175 -0.138 -0.139 -0.153 -0.122 -0.136 -0.122 -0.126 -0.127 -0.113 -0.140 -0.122 -0.143 -0.113 -0.151 -0.109 -0.146 -0.147 -0.145 -0.107 -0.156 -0.100 -0.161 -0.117 -0.109 -0.161 -0.142 -0.138

PC2 -0.061 0.027 0.115 0.066 0.037 0.017 0.113 0.009 0.143 0.093 0.103 0.125 0.030 0.020 0.045 -0.143 0.127 0.148 -0.112 0.062 0.113 -0.090 -0.079 0.113 -0.014 -0.133 -0.170 -0.432 -0.110 -0.153 0.084 -0.256 -0.356 -0.435 -0.019 -0.009 0.043 0.083 0.136 -0.042 -0.055 -0.128 0.145 -0.016 0.168 0.119 0.114 -0.006

PC3 0.071 0.142 -0.078 0.187 0.121 0.198 0.170 0.034 0.056 0.126 -0.009 0.035 0.106 0.069 0.282 0.186 0.115 -0.048 0.189 0.102 0.012 -0.061 0.020 -0.033 -0.106 -0.070 -0.144 0.004 -0.118 -0.070 -0.136 -0.092 0.003 0.017 -0.061 -0.051 -0.103 0.056 -0.130 -0.334 0.156 -0.263 -0.365 -0.192 -0.251 -0.080 -0.184 -0.119

PC4 -0.134 -0.012 0.252 0.004 -0.042 0.027 -0.005 -0.177 0.012 0.064 -0.124 -0.022 0.071 -0.070 0.007 0.114 0.009 0.007 -0.071 -0.072 0.000 -0.205 0.319 -0.039 -0.045 -0.010 -0.304 0.231 -0.396 0.134 0.198 -0.138 0.143 0.043 -0.014 -0.187 -0.127 -0.074 0.230 -0.038 -0.157 0.003 0.067 0.272 -0.051 -0.110 0.118 -0.018

PC5 -0.108 -0.062 -0.166 -0.049 -0.084 -0.029 0.028 -0.157 -0.177 -0.053 -0.181 -0.126 -0.027 -0.143 -0.019 -0.128 -0.095 -0.222 -0.018 -0.108 0.106 0.059 0.025 -0.038 -0.087 -0.044 -0.094 -0.075 -0.027 -0.007 -0.112 -0.044 -0.023 -0.029 -0.063 0.169 0.209 0.299 0.136 -0.028 0.431 0.075 -0.027 0.056 -0.049 0.187 0.086 0.153

PC6 -0.079 -0.148 0.153 -0.075 -0.064 0.112 0.111 0.180 -0.104 0.072 0.010 0.086 0.076 -0.090 0.044 -0.073 0.154 -0.082 0.362 0.112 -0.065 -0.037 -0.081 -0.187 -0.145 -0.041 -0.136 -0.075 0.346 0.052 -0.184 -0.055 -0.139 0.056 -0.230 0.153 -0.268 0.026 0.093 0.144 -0.207 0.237 -0.049 0.175 0.036 -0.202 0.111 -0.077

CPI21 CPI22

-0.128 -0.147

-0.066 0.059

Varibel ARJ1 ARJ2 ARJ3 ARJ4 ARJ5 ARJ6 ARJ8 ARJ9 ARJ10 ARJ12 ARJ14 ARJ15 ARJ16 ARJ17 ARJ18 ARJ19 ARJ20 ARJ22 ARJ24 ARJ25 C72 C73 C74 C75 C76 C77 C78 C79 C711 C713 C714 C715 C716 C717 C718 CPI1 CPI2 CPI4 CPI5 CPI8 CPI9 CPI10 CPI12 CPI14 CPI15 CPI16

PC7 0.059 0.152 0.231 0.157 0.079 -0.136 -0.135 -0.174 -0.046 -0.136 0.323 -0.117 -0.003 0.13 0.082 -0.027 -0.067 0.063 0.19 -0.107 -0.16 -0.066 -0.045 -0.162 -0.191 -0.231 0.06 -0.083 0.036 -0.045 0.254 0.038 0.041 -0.091 -0.072 -0.129 0.079 -0.112 0.05 0.127 0.368 0.325 -0.13 -0.079 -0.02 -0.041

PC8 -0.117 -0.083 -0.123 -0.055 0.108 0.084 -0.259 0.045 0.021 0.14 -0.137 0.036 -0.029 0.086 0.265 -0.26 0.332 0.004 -0.047 0.025 -0.168 -0.255 0.172 0.193 0.089 -0.098 -0.017 0.034 -0.023 0.009 -0.008 0.072 -0.087 -0.013 -0.1 -0.054 0.227 -0.032 -0.188 0.016 0.144 0.283 -0.013 0.285 -0.044 0.08

0.096 0.102

0.067 0.188

0.322 0.347

0.154 0.108

PC11 -0.088 -0.237 0.12 -0.139 -0.35 -0.118 0.128 -0.088 0.129 -0.077 0.362 0.118 -0.256 0.083 0.054 -0.268 0.235 -0.034 0.118 -0.03 0.166 -0.078 0.031 0.042 0.064 -0.114 0.035 0.116 -0.13 0.06 0.173 -0.007 0.024 0.207 0.124 0.1 -0.005 0.21 -0.032 -0.014 -0.093 -0.059 -0.119 -0.219 -0.022 0.009

PC12 -0.061 0.07 -0.341 0.095 -0.097 0.077 0.098 -0.119 -0.026 -0.015 0.281 0.022 0.141 -0.122 0.029 0.106 -0.116 0.075 0.271 -0.101 -0.165 -0.078 -0.161 0.092 0.169 0.23 -0.062 0.031 -0.337 0.126 -0.074 -0.137 0.007 -0.005 -0.151 0.067 0.062 0.01 -0.102 -0.148 -0.047 0.313 0.159 -0.079 0.296 -0.03

Lampiran 11 (Lanjutan) PC9 0.031 -0.001 0.056 -0.242 0.048 -0.05 -0.263 0.169 -0.215 -0.069 0.073 -0.066 0.17 0.042 -0.078 0.154 0.099 -0.134 0.214 -0.047 -0.189 -0.116 0.236 -0.097 0.096 0.112 -0.015 -0.093 0.123 0.065 0.199 -0.142 -0.11 0.142 0.037 0.064 0.339 0.142 0.098 -0.178 -0.02 -0.253 -0.016 -0.137 0.16 0.032

PC10 0.129 -0.179 -0.15 -0.18 0.161 -0.117 -0.194 -0.009 -0.043 0.015 0.043 -0.098 -0.095 -0.02 0.572 0.119 0.1 -0.029 0.024 -0.143 0.013 0.01 -0.15 0.176 -0.19 0.06 -0.075 0.043 -0.077 -0.156 -0.026 -0.147 0.073 0.073 0.066 0.2 -0.083 -0.155 0.087 0.234 -0.045 -0.146 0.095 -0.075 0.024 -0.08

CPI18 CPI20 CPI21 CPI22

0.033 -0.028 -0.153 0.121

-0.231 -0.108 -0.003 -0.159

0.076 -0.198 -0.189 0.094

0.208 0.175 -0.032 0.03

Lampiran 11 (Lanjutan) Var ARJ1 ARJ2 ARJ3 ARJ4 ARJ5 ARJ6 ARJ8 ARJ9 ARJ10 ARJ12 ARJ14 ARJ15 ARJ16 ARJ17 ARJ18 ARJ19 ARJ20 ARJ22 ARJ24 ARJ25 C72 C73 C74 C75 C76 C77 C78 C79 C711 C713 C714 C715 C716 C717 C718 CPI1 CPI2 CPI4 CPI5 CPI8 CPI9 CPI10 CPI12 CPI14

PC13 -0.070 0.105 0.153 -0.128 0.176 -0.088 0.105 -0.120 0.025 -0.065 -0.123 0.008 0.205 -0.012 -0.026 0.016 0.169 0.221 -0.354 -0.028 -0.055 -0.013 0.015 -0.151 0.107 0.193 0.013 -0.056 -0.055 0.143 -0.020 -0.178 0.029 -0.022 0.050 0.428 0.007 -0.053 -0.008 0.227 0.087 0.117 -0.232 -0.207

PC14 -0.052 0.066 -0.140 -0.040 0.504 -0.070 0.106 0.003 0.066 -0.062 0.067 -0.035 -0.028 -0.011 0.042 -0.134 0.013 -0.094 -0.094 0.121 -0.009 -0.086 -0.140 -0.346 -0.040 -0.154 0.008 0.151 -0.073 0.087 0.063 -0.041 -0.010 0.047 0.073 -0.030 0.149 0.234 -0.050 -0.064 -0.324 0.208 0.104 -0.153

PC15 -0.118 -0.187 -0.011 0.048 0.074 -0.064 0.132 -0.277 -0.123 0.007 -0.179 -0.045 -0.050 0.085 0.092 -0.160 0.262 0.209 0.034 -0.014 0.043 -0.166 -0.144 -0.084 0.037 0.323 0.000 -0.001 0.154 0.159 -0.127 0.250 0.203 -0.075 -0.130 -0.299 -0.066 0.093 0.109 -0.100 0.079 -0.138 -0.016 -0.166

-0.19 0.066 0.082 0.029

-0.029 0.04 0.02 -0.048

CPI15 CPI16 CPI18 CPI20 CPI21 CPI22

0.080 -0.205 -0.240 -0.071 0.087 0.032

-0.246 0.125 0.252 -0.049 0.054 -0.041

0.174 0.045 0.168 -0.035 -0.207 0.048

Lampiran 12 Deskripsi Varietas Jagung No 1

Kriteria Tahun dilepas

2

3 4 5

14

1980

Varietas C7

5 Agustus 1985

C5134004(C717), midified single cross (CA001/CA002) dengan CB003, dimana induk betina CA001 / CA002 adalah sister line single 95 – 105 hari

Introduksi dari Thailand, merupakan hibrida silang tiga jalur antara silang tunggal FSE504 (FSS X FS25) dengan galur FS15, Cs 9088 50% keluar rambut : ± 56 hari Tegap dan medium – tinggi Pada batang bawah berwarna hijau

Asal Umur

50% keluar rambut: ± 55 hari

Batang Warna

Tinggi sedang

Sedang – besar dan kuat Hijau

Panjang dan lebar Hijau tua

Agak tegak Hijau

Daun Tinggi tanaman Perakaran Keragaan tanaman Kerebahan Tongkol Kedudukan / tinggi tongkol Tip filling Kelobot Biji Warna

15 16 17 18 19

Baris biji Jml baris/tongkol Bobot 1000 biji Rata-rata hasil Potensi hasil

20

Ketahanan

Baik Cukup tahan Cukup besar dan silindris Kurang lebih ditengah batang Tidak semua tongkol tertutup dengan baik Umumnya mutiara (flint) Kuning, kadang-kadang terdapat 2-3 berwarna putih pada satu tongkol Lurus dan rapat Umumnya 12 – 14 baris ± 272 g 4.3 ton/ha pipilan kering Cukup tahan penyakit bulai (Peronosclerospora maydis)

Varietas CPI

1997

TC1 Early DMR (S) C2, introduksi dari Thailand

Warna 6 7 8 9 10 11 12 13

Varietas Arjuna

Hijau tua

185 -200 cm Baik Baik Tahan rebah Besar, relatif panjang berwarna putih 85 – 100 cm Baik Menutup dengan baik, berwarna hijau

± 197 cm Baik

Semi mutiara – mutiara Jingga

Setengah mutiara (semi flint) Kuning

16 – 18 baris 320 g 8.1 ton/ha 10 – 12.4 ton/ha Toleran terhadap kekeringan

Cukup tahan

Lurus dan rapat 12 – 16 baris ± 318 g 6.2 ton/ha 8 - 9 ton/ha Tahan terhadap penyakit bulai dan karat daun

21

Keterangan

22

Daerah adaptasi

Baik untuk dataran rendah

Sumber : Balai Penelitian Tanaman Serealia, Maros (2005).

Hasil sementara baik untuk wilayah Jawa, Lampung, Sumsel, Sumbar dan Sumut Lebih cocok untuk dataran rendah dan tinggi

Baik untuk dataran rendah sampai dataran tinggi (ketinggian 1000 m dpl)

Lampiran 13 Korelasi Protein dan Asam Amino Jagung Korelasi

Methionin

Lysin

Tyrosin

Threonin

Arginin

Leusin

0.231

(-0.130)

(-0.100)

0.180

0.126

0.475

Methionin

-

0.053

(-0.006)

(-0.056)

0.115

0.196

Lysin

-

-

0.134

(-0.345)

0.207

0.032

Tyrosin

-

-

-

0.229

0.021

(-0.041)

Threonin

-

-

-

-

0.198

0.008

Arginin

-

-

-

-

-

0.218

Protein

Sumber : Data 50 Sampel Jagung (diolah) (2004).