SISTEM REAL TIME BERBASIS JARINGAN SYARAF TIRUAN UNTUK PREDIKSI MASA KADALUARSA BISKUIT DENGAN SENSOR DIELEKTRIK
ERNA RUSLIANA MUHAMAD SALEH
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa disertasi berjudul Sistem Real Time Berbasis Jaringan Syaraf Tiruan untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.
Bogor, September 2013
Erna Rusliana Muhamad Saleh NIM F 361100121
RINGKASAN ERNA RUSLIANA MUHAMAD SALEH. Sistem Real Time Berbasis Jaringan Syaraf Tiruan untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik. Dibimbing oleh ERLIZA NOOR, TAUFIK DJATNA dan IRZAMAN. Biskuit adalah jenis makanan kering yang sering ditemukan kadaluarsa. Penentuan masa kadaluarsa dengan observasi laboratorium memiliki beberapa kelemahan, diantaranya memakan waktu, panelis terlatih, suasana yang tepat, biaya yang mahal dan alat uji yang kompleks. Salah satu alternatif penentuan kadaluarsa adalah penggunaan sensor dielektrik yang terintegrasi dengan Jaringan Syaraf Tiruan (JST) dalam sebuah sistem real time cerdas. Tujuan penelitian ini adalah untuk menyeleksi atribut pengukuran dielektrik (parameter dielektrik, kondisi rangkaian alat dan frekuensi), memformulasi desain sensor yang dapat mengukur nilai parameter terseleksi, mendesain model JST, dan mengintegrasikan sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time. Seleksi parameter dielektrik dan kondisi rangkaian (CC/Constant current atau CV/Constant Voltage) dilakukan dengan pendekatan Regresi Linier, Feature Selection (Relief) dan Jaringan Syaraf Tiruan. Parameter dielektrik terbaik untuk penentuan masa kadaluarsa biskuit adalah kapasitansi paralel (Cp). Kapasitansi paralel, pada ketiga metode seleksi selalu berada pada rangking lima besar terutama pada JST yang menunjukkan urutan pertama. Sedangkan kondisi rangkaian alat terbaik untuk penentuan masa kadaluarsa biskuit adalah CC, karena selalu berada pada urutan pertama dari ketiga metode seleksi. Seleksi frekuensi dari range 42 Hz – 5 MHz dilakukan secara grafis. Range frekuensi yang mampu membedakan masa kadaluwarsa biskuit dengan baik adalah range frekuensi 42 - 351,65 Hz dan frekuensi 4721,13 – 50054,56 Hz. Hasil seleksi parameter dielektrik, kondisi rangkaian dan frekuensi pada tahap sebelumnya digunakan untuk dasar formulasi desain sensor. Pendekatan rancangan alat yang dianggap sesuai dengan hasil seleksi tersebut adalah rangkaian RC. Kapasitansi (C) dijadikan parameter sensor dari sensor dielektrik yang didesain. Frekuensi sensor ini diset 5 - 6 kHz, karena hasil range ini lebih sensitive membaca nilai kapasitansi dari biskuit yang berbeda masa kadaluarsa dan jenisnya. Pendesainan Model JST menjadi tahapan berikutnya. Model ini didesain dengan menggunakan input data berupa kapasitansi (C), frekuensi (f) dan konstanta dielektrik (k) dari hasil pembacaan sensor. Selain itu, input data yang dimasukkan pada JST adalah jenis kemasan, jenis biskuit dan masa kadaluwarsa aktual (di kemasan). Algoritma pembelajaran JST yang digunakan adalah Backpropagation dengan trial and error fungsi aktivasi, fungsi pembelajaran, variasi jumlah node per hidden layer, dan jumlah hidden layer. Arsitektur yang menghasilkan kinerja pelatihan terbaik (MSE terendah dan R tertinggi) adalah JST dengan 5 hiden layer, 10 node per hidden layer, fungsi aktivasi hidden layer tansig, fungsi aktivasi output layer purelin., fungsi pembelajaran trainlm dan 86 epoch. JST yang dikombinasikan dengan parameter dielektrik ini memiliki kinerja pelatihan MSE terendah (9,8648 x 10-5) dan R tertinggi (99,80%).
Model JST diintegrasikan dengan sensor dielektrik menggunakan mikrokontroler AVR ATMega 8535. Pengintegrasian ini dimaksudkan agar pengukuran nilai dielektrik (variable input) dari produk yang belum diketahui masa kadaluarsa dapat secara real time dilakukan dan langsung terbaca di komputer. Untuk memudahkan interaksi dengan pengguna, dibangun interface dengan Toolbox GUI MATLAB. Pengintegrasian JST dan sensor dielektrik telah mampu memprediksi masa kadaluarsa biskuit secara real time. Kinerja sistem real time cerdas yang didesain dalam memprediksi masa kadaluarsa biskuit cukup akurat. Berdasarkan verifikasi, diperoleh wafer, cookies, crackers dan biskuit keras secara berturut-turut memiliki masa kadaluarsa prediksi 517, 488, 338 dan 377 hari. Sedangkan, masa kadaluarsa aktual keempat biskuit tersebut secara berturut-turut adalah 486 hari. Untuk penelitian berikutnya, proses pembelajaran secara paralel dari semua parameter desain arsitektur JST dapat dicoba untuk mendapatkan kinerja yang lebih akurat (MSE < 0,0001dan R > 99%) dengan waktu lebih singkat. Perbaikan kinerja JST dapat dicobakan juga untuk jumlah node dan hidden layer yang lebih banyak dengan goal yang lebih kecil (<10-4). Alternatif lain untuk meningkatkan kinerja JST adalah menambah data (minimal 10) pada frekuensi yang bervariasi untuk setiap sampel dan masa kadaluwarsa. Frekuensi sensor yang diset pada satu nilai juga dapat dicoba untuk mengurangi fluktuasi nilai kapasitansi yang diukur dan meningkatkan kinerja pengujian JST. Untuk data input masa kadaluarsa pada JST, perlu dicoba dengan menggunakan nilai kadaluarsa versi laboratorium dan tidak dengan versi produsen agar nilai prediksi lebih valid. Perlu juga dikaji korelasi sifat dielektrik dengan AW (aktifitas air) agar aplikasi sistem ini dapat lebih luas. Parameter dielektrik phase dapat dicoba sebagai alternatif dasar pengukuran sensor, sehingga lebih meningkatkan akurasi. Kata kunci: Jaringan Syaraf Tiruan, biskuit, sensor dielektrik, sistem real time cerdas, masa kadaluarsa
SUMMARY ERNA RUSLIANA MUHAMAD SALEH. Real Time System Based Artificial Neural Network for Prediction Shelf-life of Biscuit with Dielectric Sensor. Supervised by ERLIZA NOOR, TAUFIK DJATNA and IRZAMAN. Biscuit is type of dried food which found frequently on expired condition in market, therefore prediction method should be implemented in avoidance of this condition. Recently, prediction of shelf-life of biscuit has been done by laboratory test, but this test has some disadvantages, i.e.: time-consuming, expensive, also required trained panelists, complex equipment and suitable ambience. One alternative method is the dielectric sensor integrated with Artificial Neural Networks (ANN) in an intelligent real-time system. The aim of this research is to select the measurement attribute dielectric (dielectric parameters, the condition of the circuit and frequency), to formulate design of sensors can measure the value of selected parameters, to design an ANN model, and to integrate sensor and ANN dielectric to predict the shelf-life of biscuits in real time. Selection dielectric parameters and conditions of the circuit (CC/Constant current or CV/Constant Voltage) performed with Linear Regression, Feature Selection (Relief) and Artificial Neural Networks. Dielectric parameters for determining the best shelf life of biscuits are parallel capacitance (Cp). Cp constantly in the top five at three selection method, especially in ANN. Whereas the best condition of the circuit's for determining the shelf life of biscuits are CC, because always at the first sequence of three methods of selection. Selection of the frequency range 42 Hz - 5 MHz done graphically. Frequency range is able to differentiate a good shelf-life is a biscuit with a low frequency range from 42 to 351.65 Hz and the high frequency of 4721.13 to 50054.56 Hz. Selection results of the previous stage for dielectric parameter, the condition of the circuit and frequency is used for sensor design formulation basic. Approach the design tools in accordance with the results of the selection is a RC circuit. Capacitance (C) be the parameters of the sensor dielectric designed. The frequency of this sensor set 5-6 kHz, because the results are more sensitive reading capacitance values of different shelf-life and type biscuits. Designing neural network model is the next stage. This model is designed by using a data input capacitance (C), frequency (f) and Dielectric Constanta (k) from the sensor readings. Moreover, the input data on ANN is a type of packaging, type of biscuit and actual shelf-life (in packaging). ANN learning algorithm is Back propagation. For training process, trial and error is processed in the activation function, learning function, amount of nodes per hidden layer variation, and number of hidden layer. The best training architecture (lowest MSE and highest R) is ANN with the 5 hidden layer, 10 nodes per hidden layer, the hidden layer activation function tansig, the output layer activation function purelin, learning function trainlm and 86 epoch. ANN combined with dielectric parameters has lowest MSE (9,8648 x 10-5) and R highest (99.80%) in the training performance. ANN models are integrated with dielectric sensor using microcontroller AVR ATMega 8535. This integration to measure in real time the dielectric value
(variable input) of an unknown product shelf life and readable on computer. To facilitate interaction with the user, an interface is built with MATLAB GUI toolbox. So, integration of ANN and capacitance sensor has the ability to predict the shelf-life of biscuit in real time. The performance of intelligent real-time system in predict the shelf-life of biscuit is enough accurate. Verification get wafers, cookies, crackers and hard biscuits have consecutive a shelf life prediction of 517, 488, 338 and 377 days. The actual expiration biscuits fourth are 486 days. For the next research, the learning process of all parameters in parallel ANN architecture design can be tried to get a more accurate performance (MSE <0.0001 and R> 99%) with a shorter time. ANN performance improvement can be tried also for more number of hidden layer and nodes with a smaller goal (<10-4). Another alternative to increase the performance of ANN is add data (at least 10) at varying frequencies for each sample and shelf-life date. Sensor frequency be set at one value can also be tried to reduce the fluctuations in the measured capacitance value and improve the performance of ANN testing and shelf-life prediction. Input data shelf-life at ANN, can be tried with value from laboratory version and not from manufacture version. It is for predictive value more valid. Correlation dielectric properties with AW (water activity) can be studied so that the application of this system can be more extensive. Dielectric parameter phase can be tried as an alternative basis of measurement sensors, so that increasing accuracy in the future. Keywords: Artificial Neural Network, biscuit, dielectric sensor, intelligent real time system, shelf-life
© Hak Cipta Milik IPB, Tahun 2013 Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
SISTEM REAL TIME BERBASIS JARINGAN SYARAF TIRUAN UNTUK PREDIKSI MASA KADALUARSA BISKUIT DENGAN SENSOR DIELEKTRIK
ERNA RUSLIANA MUHAMAD SALEH
Disertasi sebagai salah satu syarat untuk memperoleh gelar Doktor pada Program Studi Teknologi Industri Pertanian
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2013
Penguji pada Ujian Tertutup: Prof Dr Ir Kudang Boro Seminar, MSc Dr Ir Agus Buono, MSi, MKom
Penguji pada Ujian Terbuka: Prof Dr Ir Rizal Syarief, DESS Dr Ir Roy A. Sparringa, MAppSc
Judul Disertasi Nama NIM
: Sistem Real Time Berbasis Jaringan Syaraf Tiruan Untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik : Ema Rusliana Muhamad Saleh : F361100121
Disetujui oleh Komisi Pembimbing
Prof Dr Ir Erliza N oor
Ketua
Diketahui oleh
Ketua Program Studi Teknologi Industri Pertanian
~-""'""4I1f'':::~_\t~u Pascasarj ana
Drlr
Tanggal ujian: 11 September 2013
Tanggallulus:
1 D OC T 201 3
Judul Disertasi Nama NIM
: Sistem Real Time Berbasis Jaringan Syaraf Tiruan Untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik : Erna Rusliana Muhamad Saleh : F361100121
Disetujui oleh Komisi Pembimbing
Prof Dr Ir Erliza Noor Ketua
Dr Ir Irzaman, MSi. Anggota
Dr Eng Taufik Djatna, STP, MSi Anggota Diketahui oleh
Ketua Program Studi Teknologi Industri Pertanian
Dekan Sekolah Pascasarjana
Dr Ir Machfud, MS
Dr Ir Dahrul Syah, MScAgr
Tanggal ujian: 11 September 2013
Tanggal lulus:
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah SWT atas segala rahmatNya sehingga disertasi ini berhasil diselesaikan. Penelitian yang dilaksanakan sejak bulan Mei 2012 hingga Maret 2013 ini berjudul Sistem Real Time Berbasis Jaringan Syaraf Tiruan untuk Prediksi Masa Kadaluarsa Biskuit dengan Sensor Dielektrik. Penulis menyampaikan penghargaan dan ucapan terimakasih kepada : 1. Prof Dr Ir Erliza Noor selaku ketua komisi pembimbing yang telah banyak memberikan motivasi, bimbingan dan arahan sehingga penelitian dan disertasi ini dapat diselesaikan dengan baik. 2. Dr Eng Taufik Djatna, STP, MSi selaku anggota komisi pembimbing yang telah banyak memberikan koreksian, bimbingan dan masukan terhadap penelitian dan penulisan disertasi ini. 3. Dr Ir Irzaman, MSi selaku anggota komisi pembimbing yang telah memberikan inspirasi dan bimbingan terhadap penelitian dan penyelesaian disertasi ini. 4. Prof Dr Ir Kudang Boro Seminar, MSc dan Dr Ir Agus Buono, MSi, MKom selaku penguji luar komisi dalam sidang tertutup yang telah banyak memberikan masukan dan koreksian dalam penulisan disertasi ini. 5. Prof Dr Ir Rizal Syarief, DESS dan Dr Ir Roy A. Sparringa, MAppSc selaku penguji luar komisi dalam sidang terbuka yang telah banyak memberikan masukan dan koreksian dalam penulisan disertasi ini. 6. Dr Ir Akhiruddin Maddu, MSi dan Dr Ir Jajang Juansah, MSi dari Departemen Fisika FMIPA IPB atas fasilitas laboratorium Biofisika Material yang telah diberikan. 7. Heriyanto Syafutra, SSi, MSi dari Departemen Fisika FMIPA IPB atas bantuannya selama penelitian. 8. Kedua orang tua, suami (Andrias Koto), anak-anak tersayang (Dzaki Nur Fatih (Alm), Haidar Rizqullah dan Hanifah Aulia) serta seluruh keluarga atas limpahan do’a, kasih sayang, pengertian dan dukungannya. 9. Teman-teman di S3-TIP-IPB khususnya angkatan 2010 atas motivasi, persahabatan, dan kebersamaannya. Akhirnya, semoga disertasi ini bermanfaat.
Bogor, September 2013
Erna Rusliana Muhamad Saleh
DAFTAR ISI DAFTAR TABEL
ix
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
ix
1 PENDAHULUAN Latar Belakang Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian Kebaruan Topik Penelitian Kerangka Umum Penelitian
1 1 3 3 3 4 5
2 SELEKSI ATRIBUT PENGUKURAN DIELEKTRIK PENENTUAN MASA KADALUARSA BISKUIT DAN FORMULASI DESAIN SENSOR DIELEKTRIK Abstrak Pendahuluan Bahan dan Metode Hasil dan Pembahasan Simpulan
5 5 6 7 12 20
3 MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA BISKUIT Abstrak Pendahuluan Bahan dan Metode Hasil dan Pembahasan Simpulan
20 20 20 21 26 33
4 PREDIKSI MASA KADALUARSA BISKUIT SECARA REAL TIME DENGAN INTEGRASI SENSOR DIELEKTRIK DAN JARINGAN SYARAF TIRUAN SERTA DESAIN INTERFACE-NYA Abstrak Pendahuluan Bahan dan Metode Hasil dan Pembahasan Simpulan
33 33 34 35 36 39
5 PEMBAHASAN UMUM
39
6 SIMPULAN DAN SARAN
44
DAFTAR PUSTAKA
45
LAMPIRAN
49
DAFTAR ISTILAH
57
RIWAYAT HIDUP
69
DAFTAR TABEL 2.1 Nilai atribut evaluator pada WEKA 2.2 Parameter pembelajaran pada JST 2.3 Korelasi parameter dielektrik dengan masa kadaluarsa wafer dengan regresi linier berganda, feature selection (Relief) dan Jaringan Syaraf Tiruan (JST) 2.4 Korelasi CC dan CV dengan masa kadaluarsa wafer dengan regresi linier sederhana 3.1 Modifikasi arsitektur JST yang dilakukan 3.2 Variasi fungsi aktivasi 3.3 Variasi fungsi pembelajaran (train) 3.4 Variasi jumlah node dan hidden layer 3.5 Prediksi masa kadaluarsa biskuit dalam setiap kemasan 4.1 Hasil verifikasi sistem real time cerdas predik masa kadaluarsa biskuit
10 11
13 14 25 28 28 29 32 38
DAFTAR GAMBAR 1.1 Kerangka umum penelitian 2.1 Rangkaian alat pengukuran nilai dielektrik 2.2 Pseudocode algoritma ReliefF secara umum (Robnik-Sikonja dan Kononenko, 2003) 2.3 Rangkaian RC (Lee, 2007) 2.4 Kapasitansi paralel pada masa kadaluarsa yang berbeda-beda 2.5 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi 42 - 4721,13 Hz 2.6 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi 4721,13 Hz - 5 MHz 2.7 Rangkaian fungsional sensor untuk unit pengatur tegangan dan buffer 2.8 Rangkaian fungsional sensor untuk unit pengubah sinyal dan penguat non inverting 2.9 Rangkaian fungsional sensor untuk unit sensor, high pass filter, low pass filter dan peak detector 3.1 Pengukuran nilai dielektrik biskuit dengan sensor dielektrik 3.2 Kerangka kerja keseluruhan dari desain JST 3.3 Mekanisme analisa neural network untuk memprediksi masa kadaluarsa biscuit 3.4 Arsitektur JST yang dibangun 3.5 Nilai kapasitansi biskuit dengan kemasan kaleng pada frekuensi 5–6 KHz 3.6 Nilai kapasitansi biskuit dengan kemasan alumunium foil pada frekuensi 5–6 KHz 3.7 Nilai kapasitansi biskuit dengan kemasan plastik pada frekuensi 5–6 KHz 3.8 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi JST 3.9 Kinerja pengujian masa kadaluarsa dari data aktual dan prediksi JST
4 8 9 11 13 15 15 16 16 17 22 23 24 24 27 27 27 29 30
3.10 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi model JST alternatif 3.11 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi model JST alternatif 3.12 Prediksi masa kadaluarsa biskuit dari model JST uji 4.1 Blok diagram integrasi 4.2 Gambar mikrokontroler dan rangkaian sensor 4.3 Rangkaian sistem real time cerdas prediksi masa kadaluarsa biskuit secara lengkap 4.4 Interface software prediksi masa kadaluarsa biscuit 5.1 Nilai dielektrik tepung dan beras dengan frekuensi yang berbeda pada suhu 250C 5.2 Rata-rata error prediksi model uji JST pada kemasan yang berbeda 5.3 Rata-rata error prediksi model uji JST pada kemasan kaleng 5.4 Rata-rata error prediksi model uji JST pada kemasan alumunium foil 5.5 Rata-rata error prediksi model uji JST pada kemasan plastik
31 31 31 36 37 38 38 40 42 42 43 43
DAFTAR LAMPIRAN 1 Coding program MATLAB lengkap desain model JST 2 Coding program MATLAB lengkap integrasi JST dengan sensor Dielektrik dan desain GUI 3 Petunjuk penggunaan sistem real time cerdas prediksi masa kadaluarsa biskuit (user manual)
49 51 56
1
1 PENDAHULUAN Latar Belakang Metode penentuan masa kadaluarsa yang digunakan saat ini adalah Extended Storage Studies (ESS) dan Accelerated Self-Life Testing (ASLT) (Floros dan Gnanasekharan 1993). Kedua metode ini memiliki beberapa kelemahan, diantaranya adalah membutuhkan waktu cukup lama (minimal 1-4 bulan), panelis terlatih, suasana yang tepat, biaya dan alat uji yang kompleks. Untuk itu diperlukan alternatif metode yang mampu mereduksi kelemahan tersebut, sehingga penentuannya menjadi mudah, murah dan real time. Beberapa peneliti menggunakan pendekatan sistem cerdas untuk menyelesaikan berbagai permasalahan di bidang pangan, diantaranya dengan pendekatan Jaringan Syaraf Tiruan (JST). Kemampuan JST untuk menangani data non linier, lebih toleran terhadap noise dari sistem dan cenderung menghasilkan kesalahan prediksi yang rendah (Coulibaly et al. 2001, Terra dan Tino's 2001, Siripatrawan dan Harte 2007, Siripatrawan et al. 2004) menjadi kelebihan dalam penyelesaian berbagai permasalahan yang ada. Menurut Bhothmange dan Shastri (2011) kemampuan JST tersebut dikarenakan JST dapat mengidentifikasi sistem kompleks non-liniear dengan pembelajaran dan pelatihan nilai masukan sehingga dapat mengetahui perilaku sistem dan memprediksi perilaku sistem dan memprediksi nilai keluaran dari masukan baru yang diberikan. Dalam penentuan masa kadaluarsa, JST telah berhasil diterapkan untuk memprediksi masa kadaluarsa kue susu coklat dihiasi dengan almond (Goyal dan Goyal 2011a), Kalakand (Goyal dan Goyal 2011b), susu putih dengan hiasan pistachio (Goyal dan Goyal 2011c), keju (Goyal dan Goyal 2012), snack dari beras (Siripatrawan dan Jantawat 2008), tahu (Park et al. 2002), susu kedelai (Ko et al. 2000), dan produk susu (Cordoba et al.1995). Basis penelitian yang digunakan oleh peneliti-peneliti sebelumnya untuk memprediksi masa kadaluarsa adalah sifat non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk). Sementara penggunaan sifat dielektrik untuk memprediksi masa kadaluarsa belum banyak dilakukan. Padahal sifat dielektrik memiliki korelasi kuat dengan kadar air yang merupakan parameter kritis kadaluarsa produk kering. Nilai sifat dielektrik berbanding lurus dengan nilai kadar air suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah (Guo et al. 2008, Nelson dan Trabelsi 2012). Terdapat 14 parameter dielektrik yaitu impedansi (Z), Modulus Young (Y), Phase, Kapasitansi seri (Cs), Kapasitansi parallel (Cp), Displacement (D), Induktansi seri (Ls), Induktansi parallel (Lp), Muatan lisrik (Q), Resistansi seri (Rs), Konduktansi (G), Resistansi parallel (Rp), Kerentanan (X) dan Medan induksi (B). Keempatbelas parameter dielektrik tersebut memiliki tingkat korelasi yang berbeda-beda dengan kadar air untuk setiap jenis pangan. Akan tetapi, belum ada yang meneliti tingkat korelasinya dengan kadaluarsa pangan. Oleh karena itu pada bagian awal penelitian ini perlu diseleksi tingkat korelasinya
2
dengan masa kadaluarsa, untuk efisiensi penentuan kadaluarsa pangan kering. Informasi terkait korelasi kondisi rangkaian (Constant Current/CC atau Constant Voltage/CV) dan range frekuensi dielektrik dengan kadaluarsa pangan pun belum ada. Sehingga perlu juga diseleksi kondisi rangkaian dan range frekuensi dielektrik yang berkorelasi dengan masa kadaluarsa pangan kering. Hal ini agar sensor yang didesain pada tahap selanjutnya dapat lebih sensitif membaca parameter dielektrik kadaluarsa. Pengukuran sifat dielektrik dalam aplikasinya dapat dilakukan dengan mudah, relatif murah dan tidak membutuhkan waktu lama. Hal ini merupakan sisi positif lain, yang membuka peluang sifat dielektrik dijadikan basis pengukuran kadaluarsa secara real time terutama jika didesain dalam sebuah instrumen sensor dielektrik. Sensor dielektrik hanya mampu mengukur nilai dielektrik dari produk pangan, sementara kemampuan untuk memprediksi masa kadaluarsa produk pangan perlu pengintegrasian dengan metode yang memiliki kemampuan pembelajaran data. JST memiliki kemampuan memprediksi berdasarkan pembelajaran pola data. JST akan memberikan hasil prediksi yang baik, jika memiliki model JST yang berkinerja terbaik (R terbesar dan MSE terkecil). Saat ini, belum ada informasi terkait model JST yang memiliki kemampuan memprediksi masa kadaluarsa biskuit. Untuk itu, sebelum diintegrasikan dengan sensor perlu didesain model JST yang memiliki kinerja terbaik dalam memprediksi kadaluarsa. Diantara sekian jenis produk pangan kering, biskuit adalah produk pangan yang sering ditemukan kadaluarsa selain coklat (BPOM 2010). Agar menjamin mutu dan keamanan pangan biskuit, penelitian ini difokuskan ke biskuit sebagai sampel uji. Pengintegrasian dengan tools pembelajaran JST akan menjadikan sensor dielektrik ini powerfull dalam memprediksi masa kadaluarsa. Penelitian yang telah dilakukan peneliti-peneliti sebelumnya adalah mengintegrasikan JST dengan sensor non dielektrik (e-nose) untuk memprediksi kadaluarsa tahu (Park et al. 2002) dan susu kedelai (Ko et al. 2000). Penelitian terkait sensor dielektrik kadaluarsa biskuit yang diintegrasikan dengan JST, belum ada yang melakukan. Pendesainan sensor berbasis sifat dielektrik yang diintegrasikan dengan kecerdasan buatan JST dapat menjadi alternatif metode untuk memprediksi masa kadaluarsa biskuit. Pengintegrasian ini yang dipaketkan dalam sebuah sistem diharapkan mampu memprediksi masa kadaluarsa secara real time, mudah dan murah. Desain sistem yang menggunakan kecerdasan buatan (artificial intelligence) dalam menghasilkan informasi secara real time disebut sebagai sistem real time cerdas (Intelligence Real Time System/IRTS) (Hu et al. 2009). Sebuah sistem dikatakan sebagai sistem real time (sistem waktu nyata) jika dapat menghasilkan respon yang tepat dalam batas waktu yang telah ditentukan (Hartono 2008). Sistem cerdas (Intelligent System) dapat dicirikan oleh adanya fleksibilitas, kemampuan beradaptasi, memori, pembelajaran, dinamika bersifat sementara, penalaran, dan kemampuan untuk mengelola informasi yang tidak pasti dan tidak tepat (Krishnakumar 2003). Oleh karena itu, alternatif metode prediksi masa kadaluarsa yang dikembangkan ini disebut sebagai sistem real time
3
cerdas prediksi masa kadaluarsa biskuit yang berbasiskan JST dan menggunakan sensor dielektrik untuk mencapai poin-poin di atas.
Tujuan Penelitian Tujuan umum penelitian ini adalah mengembangkan sebuah sistem real time cerdas yang dapat memprediksi masa kadaluarsa biskuit secara mudah dan murah. Tujuan khusus penelitian ini adalah : 1. Menyeleksi atribut pengukuran dielektrik (parameter dielektrik, kondisi rangkaian dan frekuensi) yang berkorelasi dengan masa kadaluarsa biskuit 2. Memformulasi desain sensor yang dapat mengukur nilai parameter terseleksi untuk prediksi masa kadaluarsa biskuit 3. Mendesain model JST yang dapat memprediksi masa kadaluarsa biskuit 4. Mengintegrasikan sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time
Manfaat Penelitian Manfaat penelitian ini adalah : 1. Sebagai alternatif metode prediksi masa kadaluarsa biskuit yang real time, mudah dan murah 2. Sebagai solusi masyarakat, khususnya home industri biskuit, dalam menentukan masa kadaluarsa produk mereka secara real time, mudah dan murah 3. Sebagai alat bantu yang memudahkan kerja lembaga terkait (lembaga konsumen dan BPOM) dalam mengaudit biskuit kadaluarsa dan label palsu kadaluarsa yang beredar di pasaran sehingga menjamin keamanan dan mutu pangan konsumen 4. Sebagai pintu pembuka penelitian-penelitian yang mengarah pada penggunaan sifat dielektrik, metode pembelajaran (JST) dan masa kadaluarsa produk pangan
Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah : 1. Sampel yang digunakan adalah biskuit yang terdiri dari empat jenis biskuit (wafer, cookies, crackers dan biskuit keras) dalam tiga jenis kemasan (kaleng, alumunium foil, dan plastik) dengan 10 masa kadaluarsa yang berbeda yang dikumpulkan dari minimarket/toko di wilayah sekitar Bogor dan Depok 2. Frekuensi penyeleksian parameter dielektrik berada pada range 42 Hz - 5MHz 3. Algoritma pembelajaran JST yang digunakan adalah backpropagation
4
Kebaruan Topik Penelitian Kebaruan topik penelitian ini sebagai berikut : 1. Penggunaan sifat dielektrik untuk memprediksi masa kadaluarsa biskuit 2. Formulasi desain sensor dielektrik yang mampu membaca parameter dielektrik kadaluarsa biskuit 3. Mengembangkan metode alternatif prediksi masa kadaluarsa biskuit yang mampu memprediksi secara real time dengan mengintegrasikan sensor dielektrik dan JST SELEKSI ATRIBUT PENGUKURAN DIELEKTRIK PENENTUAN MASA KADALUARSA BISKUIT 1. Seleksi parameter dielektrik 2. Seleksi kondisi rangkaian 3. Seleksi range frekuensi yang berkorelasi dengan masa kadaluarsa FORMULASI DESAIN SENSOR DIELEKTRIK Formulasi desain sensor yang dapat mengukur parameter dilektrik pada kondisi rangkaian dan range frekuensi terseleksi dari tahap sebelumnya.
DESAIN MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA BISKUIT 1. Pemanggilan data input dan target 2. Pengkonstruksian neural network 3. Pelatihan dengan trial error fungsi aktivasi, fungsi pembelajaran, jumlah node dan hidden layer 4. Pemasukan data pengujian 5. Pengujian
PREDIKSI MASA KADALUARSA BISKUIT SECARA REAL TIME DENGAN INTEGRASI SENSOR DIELEKTRIK DAN JARINGAN SYARAF TIRUAN SERTA DESAIN INTERFACE-NYA 1. Integrasi sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time 2. Desain interface Gambar 1.1 Kerangka umum penelitian
5
Kerangka Umum Penelitian Penelitian ini didesain dengan kerangka umum penelitian yang terurut dan terstruktur sesuai tujuan yang akan dicapai (Gambar 1.1). Hasil tahapan sebelumnya menentukan tahapan berikutnya. Penelitian diawali dengan menyeleksi atribut pengukuran dielektrik. Penyeleksian ini perlu dilakukan untuk menentukan parameter dielektrik dengan kondisi rangkaian dan range frekuensi yang paling berkorelasi dengan masa kadaluarsa biskuit. Hasil tahapan ini akan digunakan dalam formulasi desain sensor yang akan dibuat pada tahap selanjutnya. Formulasi desain sensor dibuat untuk menghasilkan desain yang dapat mengukur parameter dilektrik pada kondisi rangkaian dan range frekuensi terseleksi pada tahap sebelumnya. Mendesain model JST, menjadi tahapan selanjutnya. Model JST ini menggunakan input data dari hasil pembacaan sensor yang didesain pada tahap sebelumnya. Desain model JST dilakukan dengan lima tahapan, yaitu : pemanggilan data input dan target, pengkonstruksian neural network, pelatihan dengan trial error fungsi aktivasi, fungsi pembelajaran, jumlah node dan hidden layer dan epoch, pemasukan data pengujian dan pengujian. Model JST ini didesain sehingga mampu memprediksi masa kadaluarsa biskuit dengan kinerja terbaik (R terbesar dan MSE terkecil). Tahap akhir dari penelitian ini adalah mengintegrasikan sensor dielektrik dan JST sehingga mampu memprediksi masa kadaluarsa biskuit secara real time. Sebuah interface didesain pada tahap akhir ini untuk membantu interaksi dengan pengguna sehingga proses prediksi masa kadaluarsa dapat dilakukan lebih mudah. Penelitian ini secara keseluruhan menghasilkan sebuah sistem yang dapat memprediksi masa kadaluarsa biskuit secara real time dengan basis jaringan syaraf tiruan yang diintegrasikan dengan sensor dielektrik.
2 SELEKSI ATRIBUT PENGUKURAN DIELEKTRIK PENENTUAN MASA KADALUARSA BISKUIT DAN FORMULASI DESAIN SENSOR DIELEKTRIK
Abstrak Sifat dielektrik produk pangan memiliki korelasi kuat dengan kadar air, yang merupakan parameter kritis kadaluarsa pangan kering. Terdapat 14 parameter dielektrik. Masing-masing parameter memiliki tingkat korelasi berbeda-beda dengan kadar air untuk setiap jenis pangan. Penyeleksian tingkat korelasinya menjadi hal yang diperlukan untuk efisiensi penentuan masa kadaluarsa, khususnya pada biskuit (wafer). Tujuan tahapan ini adalah untuk (1) menyeleksi parameter dielektrik yang berhubungan dengan masa kadaluarsa biskuit (wafer). Pengukuran dilakukan dengan LCR-meter pada frekuensi 42Hz5MHz untuk rangkaian arus tetap (Constant Current/CC) 1 Ampere dan tegangan tetap (Constant Voltage/CV) 10 Volt. (2) memformulasi desain sensor yang mengukur nilai parameter terseleksi untuk prediksi masa kadaluarsa biskuit. Data diolah dengan pendekatan regresi linier, feature selection (ReliefF) dan Jaringan
6
Syaraf Tiruan. Hasil seleksi menunjukkan parameter yang berhubungan dengan masa kadaluarsa adalah kapasitansi paralel. Kondisi rangkaian yang terpilih adalah CC. Range frekuensi terbaik adalah 42 - 351,65 Hz dan 4721,13 – 50054,56 Hz. Pendesainan alat ukur masa kadaluarsa biskuit dirancang berdasarkan hasil seleksi parameter ini dengan pendekatan rangkaian RC.
Pendahuluan Salah satu pendekatan yang berpeluang sebagai alternatif penentuan masa kadaluarsa biskuit adalah pendekatan sifat dielektrik. Sifat dielektrik adalah parameter utama yang memberikan informasi tentang bagaimana bahan berinteraksi dengan energi elektromagnetik selama pemanasan dielektrik (SosaMorales et al. 2010). Guo et al. (2008) serta Nelson dan Trabelsi (2012) menyatakan bahwa sifat-sifat dielektrik produk pangan memiliki korelasi kuat dengan kadar air, yang merupakan parameter kritis kadaluarsa pangan kering. Nilai sifat dielektrik berbanding lurus dengan nilai kadar air suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah. Pengetahuan tentang sifat dielektrik makanan sangat penting dalam penelitian, pemodelan dan pengembangan perlakuan termal. Parameter ini memberikan informasi tentang interaksi antara bahan makanan dan bidang listrik (Ikediala et al. 2000). Pengukuran nilai dielektrik dapat dilakukan dalam waktu singkat, relatif tidak membutuhkan alat uji yang kompleks dan tidak membutuhkan panelis sehingga dapat dilakukan dengan cepat dan biaya yang rendah. Parameter dielektrik bermacam-macam, diantaranya impedansi (Z), Modulus Young (Y), Phase, Kapasitansi seri (Cs), Kapasitansi parallel (Cp), Displacement (D), Induktansi seri (Ls), Induktansi parallel (Lp), Muatan lisrik (Q), Resistansi seri (Rs), Konduktansi (G), Resistansi parallel (Rp), Kerentanan (X) dan Medan induksi (B). Masing-masing parameter dielektrik tersebut memiliki tingkat korelasi yang berbeda-beda dengan kadar air untuk setiap jenis pangan. Sehingga, pada bagian awal penelitian ini perlu diseleksi tingkat korelasinya dengan masa kadaluarsa, untuk efisiensi penentuan kadaluarsa pangan kering. Selain itu perlu juga diseleksi kondisi rangkaian dan range frekuensi dielektrik yang berkorelasi dengan masa kadaluarsa, sehingga sensor yang didesain pada tahap selanjutnya dapat lebih sensitive membaca parameter dielektrik kadaluarsa. Penelitian yang terkait sifat dielektrik dengan pangan kering, sejauh ini dilakukan untuk menentukan besarnya nilai dielektrik serta hubunganya dengan beberapa faktor terkait (suhu, frekuensi, kadar air, dan densitas) pada berbagai jenis pangan tersebut. Di antaranya pada kopi (Berbert et al. 2001), dua jenis gandum sereal (Nelson dan Trabelsi 2012), tepung kacang panjang (Guo et al. 2008), cookies (Li et al. 2003), gabah dan biji-bijian (Nelson 2004), almond dan walnut (Wang et al. 2003) dan roti (Liu et al. 2009). Penelitian yang dilakukan Harmen et al. (2004) untuk melihat hubungan nilai dielektrik dengan kadar air lada guna desain mesin pengering rempah-rempah. Penelitian yang mengaitkan
7
sifat dielektrik dengan masa kadaluarsa produk pangan khususnya biskuit, belum banyak yang melakukannya. Penelitian-penelitian terkait penentuan masa kadaluarsa utamanya biskuit biasanya menggunakan parameter non dielektrik. Prediksi masa kadaluarsa yang dilakukan oleh peneliti-peneliti sebelumnya berbasiskan parameter sifat non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk). Pengamatan yang dilakukan oleh Siripatrawan dan Jantawat (2008) pada snack dari beras. Mereka menentukan masa kadaluarsa snack dengan melihat beberapa parameter, yaitu karakteristik produk, jenis kemasan (Polypropilene dan Low Density Polyethylene) dan kondisi penyimpanan (suhu dan RH). Tujuan bagian penelitian ini adalah: 1. Untuk menyeleksi atribut pengukuran dielektrik (parameter, kondisi rangkaian dan frekuensi) yang berkorelasi dengan masa kadaluarsa biskuit. Pengukuran dilakukan dengan LCR-meter pada frekuensi 42 Hz- 5 MHz untuk rangkaian arus tetap (Constant Current/CC) 1 Ampere dan tegangan tetap (Constant Voltage/CV) 10 Volt. 2. Untuk memformulasi desain sensor dielektrik prediksi masa kadaluarsa sesuai hasil seleksi parameter dielektrik sebelumnya.
Bahan dan Metode Sampel Sampel yang diuji adalah wafer rasa coklat dalam kemasan alumunium foil yang diproduksi di Jakarta dan hampir selalu ada di setiap hypermarket, minimarket dan toko. Data aktual masa kadaluarsa diambil dari durasi tanggal kadaluarsa yang tercantum pada kemasan dengan tanggal pengukuran. Sampel terdiri dari 10 jenis masa kadaluarsa yang berbeda (170-300 hari lagi). Pengukuran Nilai Dielektrik Pengukuran nilai dielektrik dilakukan dengan LCR-meter HIOKI 3532-50 LCR HiTester (Gambar 2.1) yang telah terhubung dengan komputer. Terdapat 14 parameter dielektrik yang diukur, yaitu Z, Y, Phase, Cs, Cp, D, Ls, Lp, Q, Rs, G, Rp, X dan B. Frekuensi pegukuran 42 Hz – 5MHz pada arus tetap (Constant Current) 1.0 Ampere dan tegangan tetap (Constant Voltage) 10 Volt dengan 100 point pengamatan. Setiap wafer yang akan diukur, diset pada plat paralel kapasitor berbahan tembaga, kemudian diukur nilai dielektrik 3 kali dan dirataratakan. Metode Seleksi Seleksi Parameter Dielektrik dan Kondisi Rangkaian Analisa regresi linier, feature selection (ReliefF) dan Jaringan Syaraf Tiruan (JST) digunakan untuk menyeleksi parameter dielektrik dan kondisi rangkaian (CC atau CV) yang berhubungan dengan masa kadaluarsa wafer. Untuk seleksi parameter dielektrik digunakan 2000 dataset, sedangkan untuk seleksi kondisi rangkaian digunakan 1000 dataset.
8
Komputer LCR-meter
Sampel pada plat
Gambar 2.1 Rangkaian alat pengukuran nilai dielektrik Regresi Linier Berganda (RLG) Regresi linier berganda (RLG) digunakan untuk menyeleksi parameter dielektrik. Model regresi linier berganda dapat dirumuskan (Chen and Jackson, 2000) : 𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 + ⋯ + 𝜷𝒏 𝑿𝒏 + 𝜺 (2.1) Dimana : Y = variabel terikat/kriteria X1,..., Xn = variabel bebas ke-1, 2, ...n β0, β1,..., βn = parameter regresi linier berganda ε = residual atau error prediksi Dalam kasus ini yang berfungsi sebagai Y adalah masa kadaluarsa sedangkan X1 sampai dengan X14 secara berturut-turut adalah Z, Y, Phase, Cs, Cp, D, Ls, Lp, Q, Rs, G, Rp, X dan B. Adanya korelasi variabel bebas dan terikat dilihat dari nilai signifikansi Analysis of Variance (Sig ANOVA) masing-masing parameter. Jika nilai Sig ANOVA kurang dari 0.05 (α), maka varibel bebas berkorelasi dengan varibel terikat. Jika tidak, maka tidak berkorelasi. Perangkingan dilakukan terhadap nilai Sig ANOVA yang kurang dari 0,05 dari yang terendah ke tertinggi. Nilai Sig ANOVA yang paling rendah (0.00) memiliki rangking paling tinggi, sedangkan yang paling mendekati 0.05 memiliki rangking paling rendah. 1.
2.
Regresi Linier Sederhana Regresi linier sederhana digunakan untuk menyeleksi kondisi rangkaian apakah dengan CC atau CV. Rumus regresi linier sederhana (Chen and Jackson 2000) : 𝒀 = 𝒂 + 𝒃𝑿 (2.2) Dimana : Y = Variabel terikat/kriteria X= Variabel bebas a = Konstanta (nilai Y apabila X = 0) b = Koefisien regresi Signifikansi dari kelinieran model regresi yang terbentuk diperlihatkan melalui tabel ANOVA (Analysis of Variance). Untuk melihat adanya korelasi antara varibel bebas dan terikat serta rankingnya dilakukan seperti pada regresi linier berganda. Software yang digunakan untuk analisa regresi adalah adalah
9
SPSS for Windows Release 16.0 dari Polar Engineering and Consulting Corp (SPSS 2007). 3.
Feature Selection (ReliefF) Sebagai perbandingan, digunakan feature selection dengan algoritma ReliefF untuk menyeleksi parameter dielektrik dan kondisi rangkaian yang berkorelasi dengan masa kadaluarsa. Feature selection adalah metode penganalisaan data untuk memilih fitur yang berpengaruh (fitur optimal) dan mengesampingkan fitur yang tidak berpengaruh. Algoritma ReliefF memanfaatkan teknik bobot (weight) untuk mengukur signifikansi fitur dalam konteks klasifikasi. Bobot ReliefF adalah nilai-nilai yang kontinu dan memungkinkan fitur untuk digolongkan berdasarkan relevansi. Ide dasarnya adalah perangkingan fitur berdasarkan kemampuan mereka untuk membedakan antara kelas yang dekat dan berjauhan satu sama lain. Fitur yang dipilih adalah yang memiliki nilai bobot terbesar. Algoritma ReliefF dikembangkan oleh Kononenko (1994). Algoritme ini merupakan pengembangan dari algoritma Relief Kira dan Rendell (1992a,b). Relief hanya memecahkan data dua kelas sedangkan ReliefF dapat menyelesaikan seleksi fitur dengan data multi-kelas, bernoisy dan tidak lengkap (Kononenko 1994). Pseudocode algoritma lengkap ReliefF dapat dilihat pada Gambar 2.2. Perangkingan dilihat dari nilai bobot yang dihasilkan. Bobot terbesar menduduki rangking tertinggi. Perangkingan hanya diberikan pada lima parameter dengan rangking tertinggi. Software yang digunakan untuk feature selection dengan algoritma ReliefF ini adalah WEKA (Waikato Environment for Knowledge Analysis) versi 3.6.4 (Weka 2010).
Gambar 2.2 Pseudocode algoritma ReliefF secara umum (Robnik-Sikonja dan Kononenko, 2003)
10
Parameter -M -D -K Threshold
Tabel 2.1 Nilai atribut evaluator pada WEKA Nilai Deskripsi -1 Jumlah contoh pelatihan, -1 berarti semua contoh dataset 1 Dasar untuk pengacakan contoh 10 Jumlah tetangga (yang berdekatan) -1,7976
ReliefFAttributeEval digunakan dalam WEKA terkait metode pencarian ranker untuk menghasilkan daftar peringkat. ReliefFAttributeEval akan memeriksa contoh terdekat dari kelas yang sama dan berbeda. Nilai threshold diatur untuk penentuan sejauh mana ketidaksignifikansinya (kurang atau sama dengan nilai). 4. Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) digunakan untuk menyeleksi parameter dielektrik dan kondisi rangkaian. JST adalah model matematika yang struktur dan fungsinya terinspirasi oleh organisasi dan fungsi otak manusia (Bila et al. 1999). Algoritma pembelajaran yang digunakan adalah backpropagation. Arsitektur JST backpropagation merupakan jaringan perceptron lapis jamak (multilayer). JST ini memiliki lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Pembelajaran dalam perceptron terjadi dengan mengubah bobot koneksi setelah setiap elemen data diproses, yang diperoleh berdasarkan besarnya error dalam output dibandingkan dengan hasil peramalan. Proses ini dilakukan melalui backpropagation, yaitu sebuah generalisasi dari algoritma rata-rata kuadrat terkecil dalam perceptron linear. Sebelum dilakukan desain model JST, data mentah dinormalisasi karena skala data yang berbeda. Proses normalisasi ditransformasi dengan formula berikut (Siang 2009) : 𝑥′ =
0.8(𝑥−𝑎) 𝑏−𝑎
+ 0.1
(2.3)
dimana: a = data minimum; b = data maksimum; x = data mentah; x‟ = data normalisasi Untuk proses pembelajaran parameter yang digunakan dapat dilihat pada Tabel 2.2 Pada seleksi parameter dielektrik, variabel input yang digunakan adalah frekuensi dan parameter dielektrik pada kondisi rangkaian CC dan CV, sedangkan variabel outputnya (target) adalah masa kadaluarsa biskuit (wafer). Variabel input pada seleksi kondisi rangkaian adalah nilai parameter terpilih dari kondisi rangkaian CC dan CV, sedangkan variabel outputnya adalah masa kadaluarsa. Perangkingan ditentukan berdasarkan parameter kinerja JST yang dihasilkan. Parameter kinierja JST yang dilihat adalah R dan MSE. R (koefisien korelasi) dilihat yang paling besar nilainya, sedangkan MSE (Mean Square Error) dilihat yang paling kecil (mendekati 0,01). Nilai R yang dipilih adalah yang berada di atas 0,60. Nilai ini menunjukkan korelasi antara variabel target aktual dan hasil prediksi adalah kuat. Artinya variabel input dan target aktual memiliki korelasi yang mampu menghasilkan nilai prediksi yang tepat. Nilai di bawah 0,60 menunjukkan korelasi variabel yang sedang sampai dengan lemah. Software yang digunakan untuk desain JST adalah MATLAB 2010b version 7 dari Mathworks Corp (Mathworks 2010).
11
No 1 2 3 4 5 6 7 8
Tabel 2.2 Parameter pembelajaran pada JST Parameter Nilai Fungsi aktivasi hidden layer Tansig Fungsi aktivasi output layer Logsig Fungsi pembelajaran Trainlm Jumlah hidden layer 5 layer Jumlah node per hidden layer 20 node Learning rate 0,05 Epoch 1000 Goal 0,01
Vin
Vout
Gambar 2.3 Rangkaian RC (Lee, 2007)
(2.4) Dimana: Vout=tegangan keluar; Vin=tegangan masuk
R=resistor;
C=capasitor;
Xc=reaktansi
kapasitif;
- Seleksi frekuensi Seleksi frekuensi dilakukan secara grafis dengan melihat frekuensi yang mampu membedakan masa kadaluarsa secara baik pada dua range frekuensi. Kedua range frekuensi tersebut adalah 42 - 4721,13 Hz dan 4721,13 Hz - 5MHz. Masa kadaluarsa wafer uji diambil yang paling ekstrim yaitu 170 dan 300 hari lagi. Pendekatan Rancangan Alat Rancangan alat dibuat berdasarkan hasil seleksi parameter, kondisi rangkaian dan frekuensi terbaik yang diperoleh pada tahap sebelumnya. Pendekatan perancangan alat yang digunakan adalah Rangkaian RC atau Rangkaian Resistor-Kapasitor (Gambar 2.3). Rangkaian RC ini adalah rangkaian listrik yang tersusun dari resistor dan kapasitor, sering disebut juga dengan istilah RC filter atau RC network.. Secara matematis tegangan keluaran rangkaian ini merupakan fungsi dari tegangan input, resistor dan kapasitor (persamaan 2.4 (Lee 2007)). Rangkaian ini memanfaatkan perubahan nilai reaktansi suatu kapasitor.
12
Nilai reaktansi kapasitor sangat tergantung pada frekuensi dari arus yang dilewatkan pada kapasitor tersebut.
Hasil dan Pembahasan Seleksi Parameter Dielektrik Sifat dielektrik menggambarkan kemampuan suatu bahan untuk menyimpan, mentransmisikan dan memantulkan energi gelombang elektromagnetik. Aplikasinya dalam bidang pertanian didasarkan pada kemampuan bahan untuk menyerap radiasi elektromagnetik dan mengubahnya menjadi panas. Pada tingkat energi yang lebih rendah, sifat dielektrik dimanfaatkan untuk mengukur kadar air secara non-destruktif. Nilai dielektrik yang terukur secara kasar tidak mudah melihat hubungan antar parameter dengan masa kadaluarsa. Oleh karena itu, diperlukan pendekatan statistik dan non statistik untuk memudahkan. Regresi linier berganda, feature selection (ReliefF) dan JST digunakan untuk memudahkan dan memperkuat kesimpulan pembacaan. Kemampuan Regresi linier berganda melihat kekuatan hubungan antara beberapa variabel independent (parameter dielektrik) dengan variabel dependent (masa kadaluarsa) diekspresikan pada parameter sig ANOVA. Oleh karena itu, nilai parameter ini menjadi acuan peringkat korelasi. Perangkingan dilakukan untuk melihat satu parameter yang paling kuat hubungannya dengan masa kadaluarsa, Hal ini disesuaikan dengan kebutuhan formulasi desain sensor pada tahap berikut penelitian, yang hanya mengukur satu parameter dielektrik. Nilai sig Anova Phase, Kapasitansi paralel (Cp), Displacement (D) dan Induktansi serial (Ls) menduduki peringkat teratas (1 dan 2) pada pendekatan ini (Tabel 2.3). ReliefF merangking beberapa fitur berdasarkan bobot untuk membedakan antara kelas yang dekat dan jauh. Sehingga secara implisit, terdapat autokorelasi pada ReliefF antara parameter dielektrik dengan target (masa kadaluarsa). Pada pendekatan ini, urutan teratas adalah Phase karena memiliki bobot (W) terbesar (Tabel 2.3). Nilai R (Koefisien korelasi) pada JST menunjukkan kekuatan hubungan (korelasi) antara parameter dielektrik (variabel input) dan masa kadaluarsa (target). Perangkingan nilai R menjadi indikator tingkat kekuatan hubungan parameter dielektrik dengan masa kadaluarsa. Nilai R tertinggi pada pendekatan ini adalah Kapasitansi parallel (Cp) (Tabel 2.3). Rekapitulasi korelasi parameter dielektrik wafer dengan masa kadaluarsa pada frekuensi 42 Hz-5 MHz untuk 10 masa kadaluarsa yang berbeda dari ketiga pendekatan terlihat pada Tabel 2.3. Phase adalah parameter yang berkorelasi sangat kuat dengan masa kadaluarsa. Pada ketiga pendekatan, Phase selalu berada di urutan pertama atau kedua. Secara aplikatif, pengukuran Phase tidak terlalu mudah dilakukan. Sehingga parameter dielektrik yang dianggap paling berkorelasi dengan masa kadaluarsa adalah Kapasitansi paralel (Cp). Kapasitansi paralel, pada ketiga pendekatan selalu berada pada rangking lima besar terutama pada JST yang menunjukkan urutan pertama.
13
Tabel 2.3 Korelasi parameter dielektrik dengan masa kadaluarsa wafer dengan regresi linier berganda (RLG), feature selection (ReliefF) dan Jaringan Syaraf Tiruan (JST) RLG Sig Peringkat ANOVA korelasi 0,010** 4 0,070 0,000*** 1 0,407 0,001*** 2 0,000*** 1 0,001*** 2 0,491 0,949 0,021** 5 0,009*** 3 0,501 0,009*** 3 0,267 -
Impedansi (Z) Modulus Young (Y) Phase Kapasitansi serial (Cs) Kapasitansi paralel (Cp) Displacement (D) Induktansi serial (Ls) Induktansi paralel (Lp) Muatan listrik (Q) Resistansi serial (Rs) Konduktansi (G) Resistansi paralel (Rp) Kerentanan (X) Medan Induksi (B)
ReliefF Bobot Peringkat (W) -0,00076 -0,00057 0,001277 1 0,000063 5 0,000149 4 -0,00030 -0,00159 -0,00105 0,000267 3 -0,0012 0,000035 0,000346 2 -0,00072 -0,00077 -
R
MSE
0,2807 0,6420 0,6545 0,3528 0,7272 0,5914 0,2502 0,2019 0,6068 0,4412 0,5848 0,3076 0,4914 0,6473
0,0588 0,0376 0,0365 0,0559 0,0347 0,0415 0,0598 0,0612 0,0403 0,0514 0,0420 0,0578 0,0484 0,0371
JST Peringkat korelasi 4 2 1 5 3
Keterangan : RLG=Regresi Linier Berganda; JST=Jaringan Syaraf Tiruan; Sig ANOVA=Signifikansi Analysis of Variance (***=Berkorelasi sangat kuat; **=Berkorelasi kuat; *=Berkorelasi); W=Weight; R=Koefisien korelasi 0,005 0,004 0,003 0,002 0,001
-0,003
50054,56
39527,91
31215,50
24650,41
19466,34
15372,50
12139,61
-0,002
9586,61
7570,51
5978,41
4721,13
351,65
277,69
219,29
173,18
136,76
108,00
85,28
67,35
-0,001
53,18
0 42,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Parameter dielektrik
Kapasitansi (Farad)
No
Frekuensi (Hz)
MK 170 hari lagi
MK 183 hari lagi
MK 190 hari lagi
MK 219 hari lagi
MK 233 hari lagi
MK 236 hari lagi
MK 260 har lagi
MK 280 hari lagi
MK 293 hari lagi
MK 300 hari lagi
Keterangan MK=Masa Kadaluarsa
Gambar 2.4 Kapasitansi paralel pada masa kadaluarsa yang berbeda-beda Model regresi linier yang terbentuk adalah : Y = 246,830 + 4,621x10-12 X1 + 0,230 X2 + 9,931x10-8 X3 – 38,370 X4 – 11159,018 X5 – 3,96310-6 X6 + 1.068x10-9 X7 + 7,759x10-12 X8 + 1,747x10-9 X9 – 3,138x10-12 X10 – 0,248 X11 + 2,980x10-15 X12 – 4,026x10-12 X13 – 0,139X14 (2.5)
14
Keterangan: X1= Z, X2=Y, X3=Phase, X4=Cs, X5=Cp, X6=D, X7=Ls, X8= Lp, X9= Q, X10=Rs, X11=G, X12=Rp, X13=X, X14=B, Y=masa kadaluarsa Hasil pengukuran Kapasitansi paralel pada masa kadaluarsa yang berbedabeda diperlihatkan pada Gambar 2.4. Seleksi Kondisi Rangkaian (CC dan CV) Pengukuran nilai dielektrik di LCR-meter dilakukan pada rangkaian arus tetap (CC-Constant Curent) dan tegangan tetap (CV-Constant Voltage). Kedua kondisi rangkaian ini perlu dipilih, dengan menentukan tingkat korelasinya dengan masa kadalwarsa biskuit (wafer). Regresi linier sederhana, Feature Selection (ReliefF) dan JST digunakan untuk menyeleksi kondisi rangkaian ini. Tabel 2.4 menunjukkan korelasi CC dan CV dengan masa kadaluarsa wafer menggunakan beberapa pendekatan tersebut. Hasil seleksi menunjukkan CC adalah kondisi rangkaian yang berkorelasi dengan masa kadaluarsa. Ketiga pendekatan menunjukkan nilai kinerja terbaik adalah pada kondisi rangkaian CC. Model regresi linier rangkaian CC, adalah: Y = 237,548 - 10911,590X (2.6) Dimana: Y=masa kadaluarsa; X=rangkaian CC (Constant Current) Tabel 2.4 Korelasi CC dan CV dengan masa kadaluarsa wafer dengan regresi linier sederhana), feature selection (ReliefF) dan Jaringan Syaraf Tiruan (JST) No Parameter dielektrik RLS ReliefF JST (Sig ANOVA) (W) R MSE 1 Arus tetap (CC) 0,006*** 0.000356 68,55 0,0390 2 Tegangan tetap (CV) 0,540 0.000168 24,61 0.0691 Keterangan : RLS=Regresi Linier Sederhana; JST=Jaringan Syaraf Tiruan; Sig ANOVA=Signifikansi Analysis of Variance (***=Berkorelasi sangat kuat; **=Berkorelasi kuat; *=Berkorelasi); W=Weight; R=Koefisien korelasi
Seleksi Frekuensi Frekuensi terbaik yang dapat membedakan masa kadaluarsa berbeda diseleksi pada dua masa kadaluarsa uji paling ekstrim. Masa kadaluarsa 170 hari dan 300 hari yang dipilih. Gambar 2.5 dan Gambar 2.6 memperlihatkan bahwa range terbaik yang masih dapat membedakan masa kadaluarsa adalah range 42 351,65 Hz dan range 4721,13 – 50054,56 Hz.
15
0,006
Kapasitansi (Farad)
0,005 0,004 0,003 0,002 0,001
351,65
312,49
277,69
246,77
219,29
194,88
173,18
153,89
136,76
121,53
108,00
95,97
85,28
75,79
67,35
59,85
53,18
47,26
42,00
0
Frekuensi (Hz) Masa Kadaluwarsa 170 hari lagi
Masa Kadaluwarsa 300 hari lagi
Gambar 2.5 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi 42 – 352,65 Hz
0,0005
-0,0005
4721,13 5312,70 5978,41 6727,52 7570,51 8519,13 9586,61 10787,85 12139,61 13660,75 15372,50 17298,74 19466,34 21905,56 24650,41 27739,21 31215,50 35126,42 39527,91 44480,92 50054,56
Kapasitansi (Farad)
0
-0,001 -0,0015 -0,002 -0,0025
Masa Kadaluwarsa 170 hari lagi
Frekuensi (Hz) Masa Kadaluwarsa 300 hari lagi
Gambar 2.6 Nilai kapasitansi paralel (Cp) wafer pada rentang frekuensi 4721,13 Hz-50054,56 Hz
16
Pendekatan Rancangan Alat Hasil pembacaan kadaluarsa diharapkan tepat, sehingga desain alat disesuaikan dengan hasil seleksi parameter sebelumnya. Pendekatan rancangan alat yang dianggap sesuai dengan hasil seleksi tersebut adalah rangkaian RC (Gambar 2.3).
Gambar 2.7 Rangkaian fungsional sensor untuk unit pengatur tegangan dan buffer
Gambar 2.8 Rangkaian fungsional sensor untuk unit pengubah sinyal dan penguat non inverting
17
Vout_6 Vout_7
1
2
Vout_8
3
4
5
6
Gambar 2.9 Rangkaian fungsional sensor untuk unit sensor, high pass filter, low pass filter dan peak detector Secara keseluruhan, rancangan rangkaian yang dibuat terdiri dari beberapa unit yaitu : 1. Unit pengatur tegangan dan buffer (Gambar 2.7) 2. Unit pengubah sinyal dan penguat non inverting (Gambar 2.8) 3. Unit sensor, high pass filter, low pass filter, dan peak detector (Gambar 2.9) Unit pengatur tegangan (Gambar 2.7) akan mengatur tegangan masuk dari 24 volt menjadi +5 volt dan -5 volt. Penurunan tegangan ini disesuaikan dengan kebutuhan Mikrokontroler. Pada rangkaian, masing-masing hambatan R1 dan R2 akan mendapatkan tegangan jatuh yang sama besar (+12V), tegangan jatuh pada R2 akan dimasukkan ke rangkaian buffer. Sifat dari rangkaian buffer ini adalah memiliki Impedansi masukan sangat besar dan Impedansi keluaran sangat kecil. Dengan sifat seperti ini, jika diberikan pembebanan pada output rangkaian buffer maka tegangan keluaran dari rangkaian buffer tidak berubah. Jika output tegangan buffer diambil sebagai acuan tegangan nol (ground) maka akan didapatkan tegangan +12V (jika diukur +24V terhadap tegangan keluaran buffer) dan -12V (jika diukur ground tegangan regulator +24V terhadap tegangan keluaran buffer). Untuk selanjutnya akan diambil tegangan keluaran dari buffer sebagai tegangan ground. IC 7805 akan menurunkan tegangan inputannya (+12V) menjadi +5V, sedangkan IC 7905 akan menurunkan tegangan inputannya (-12V) menjadi -5V. Unit pengubah sinyal (Gambar 2.8) akan merubah sinyal kotak yang awalnya dibangkitkan di titik VOut_4 menjadi sinyal sin di titik VOut_5. Sinyal kotak dibangkitkan pada titik VOut_4 dengan frekuensi yang bergantung pada
7
18
nilai R3, R4, C1 serta R seri dari R5 dan RV1. Frekuensi output pada titik VOut_4 dapat dirubah-rubah dengan merubah besarnya RV1. Pada penelitian ini, frekuensi yang dihasilkan adalah sekitar 5 - 6 kHz. Adanya noise yang biasa terjadi pada sebuah rangkaian elektrik, maka nilai frekuensi tidak diset pada satu nilai. Persamaan perhitungan frekuensi gelombangnya adalah : R3 1 f 4C1 ( R5 RV1 ) R4 (2.7) Dimana: f=frekuensi; R=resistor; C=capasitor; V=tegangan Bentuk sinyal sin akan terbentuk dengan mengatur nilai RV4, RV3 dan RV2. Amplitudo sinyal sin yang dihasilkan di titik C4 sangat kecil sehingga harus dikuatkan lagi menggunakan rangkaian penguat non-inverting dengan persamaan penguatan : R Vout (1 11 )Vin (V yang keluar di C4 ) R12 (2.8) Dimana: Vout=tegangan keluar; R=resistor; C=capasitor; Vin=tegangan masuk Unit terakhir dari rangkaian ini adalah unit sensor, high pass filter, low pass filter dan peak detector (Gambar 2.9). Rangkaian pada lingkaran 1 adalah rangkaian RC, dimana C disini adalah dua plat konduktor yang terpisah dan digunakan sebagai sensor. Jika diantara dua plat tersebut disisipkan sampel yang berbeda-beda maka akan didapatkan nilai tegangan yang jatuh pada C5 akan berubah. Rangkaian pada lingkaran 2 adalah rangkaian Resistor yang nantinya digunakan untuk menghitung besarnya Vin (VOut_5). Sedangkan rangkaian pada lingkaran 3 adalah rangkaian RC yang nilai R dan C-nya sudah diketahui, rangkaian ini digunakan untuk menghitung frekuensinya inputan (frekuensi VOut_5). VOut_5 adalah gelombang sin dengan frekuensi sekitar 5 – 6 kHz. Sensor yang digunakan di penelitian ini adalah sensor kapasitansi. Sensor kapasitansi merupakan sensor elektronika yang bekerja berdasarkan konsep kapasitif. Sensor kapasitansi menggunakan konsep kapasitor dalam menyimpan dan melepas energi listrik dalam bentuk muatan-muatan listrik yang dipengaruhi oleh luas permukaan, jarak dan bahan dielektrikum pada kapasitor. Nilai kapasitansi dapat terukur dari persamaan berikut (diturunkan dari persamaan 2.4) :
(2.9) Dimana: f=frekuensi; R=resistor; C=capasitor; V=tegangan Dengan diketahuinya nilai frekuensi (f), Resistor (R), Tegangan masuk (Vin atau Vout_5), maka dapat dihitung nilai C. Nilai C adalah nilai kapasitansi dari sampel yang diukur. Persamaan tegangan keluaran pada lingkaran 2 dan 3 adalah:
19
(2.10)
(2.11) Dimana: f=frekuensi; R=resistor; C=capasitor; V=tegangan Pada unit ini terdapat rangkaian high pass filter (lingkaran 4 pada Gambar 2.9). Rangkaian ini melewatkan data dengan frekuensi tinggi dan meredam data dengan frekuensi rendah. Persamaan tegangan output dari rangkaian ini adalah: 2 fC1R1 VOut _ 9 VOut _ 6 2 2 2 fC1R1 1 (2.12) Dimana: f=frekuensi; R=resistor; C=capasitor; V=tegangan Lingkaran 5 pada Gambar 2.9 adalah rangkaian low pass filter (melewatkan data dengan frekuensi rendah dan meredam data dengan frekuensi tinggi). Tegangan output (dititik C2) adalah: 1 VOut dititik A VOut _ 9 2 2 fC2 R2 12 (2.13) Dimana: f=frekuensi; R=resistor; C=capasitor; V=tegangan Lingkaran 6 pada Gambar 2.9 adalah rangkaian penguat non-inverting (penguat tidak balik). Rangkaian ini diperlukan karena sinyal yang keluar dari high pass filter dan low pass filter cukup lemah. Persamaan tegangannya adalah: Vout di B (1
R3 )Vin (V yang keluar di C2 ) R4
(2.12)
Dimana: f=frekuensi; R=resistor; C=capasitor; V=tegangan Lingkaran 7 pada Gambar 2.9 adalah rangkaian peak detector. Rangkaian ini akan menghasilkan tegangan DC yang nilainya sama dengan tegangan maksimum yang masuk padanya (V dari titik B). Tegangan yang keluar di titik 10 (VOut_10) digunakan untuk menghitung tegangan di sensor. Tegangan ini selanjutnya digunakan untuk menghitung nilai Kapasitansi, Reaktansi kapasitif, dan Konstanta dielektrik. Tegangan yang keluar di titik 11 (VOut_11) digunakan untuk menghitung Vin (Vout_5). Tegangan yang keluar di titik 12 (VOut_12) digunakan untuk menghitung Frekuensi (VOut_5). Pada tahapan penelitian ini telah diperoleh atribut pengukuran dielektrik penentuan masa kadaluarsa dan desain sensornya. Sensor dielektrik ini akan digunakan sebagai alat untuk mengukur nilai parameter dielektrik yang digunakan sebagai input model JST pada tahapan berikut.
20
Simpulan Parameter dielektrik terbaik untuk penentuan masa kadaluarsa wafer adalah kapasitansi paralel (Cp). Rangkaian CC (Constant Current) yang beroperasi pada frekuensi 42 - 351,65 Hz dan frekuensi 4721,13 – 50054,56 Hz, terbaik untuk mendeteksi masa kadaluarsa wafer. Hasil ini selanjutnya dijadikan dasar pendesainan alat ukur masa kadaluarsa biskuit berbasis sifat dielektrik dengan rangkaian RC.
3 MODEL JARINGAN SYARAF TIRUAN BERBASIS SIFAT DIELEKTRIK UNTUK PREDIKSI MASA KADALUARSA BISKUIT
Abstrak Tujuan bagian ini adalah untuk memprediksi masa kadaluarsa biskuit menggunakan JST. Identifikasi kondisi kadaluarsa ditentukan dengan sifat dielektrik diantaranya kapasitansi. Variabel input yang digunakan adalah jenis kemasan, jenis biskuit, frekuensi, kapasitansi, dan konstanta dielektrik. Variabel outputnya adalah masa kadaluarsa. Algoritma pembelajaran yang digunakan adalah Backpropagation dengan trial and error variasi jumlah node per hidden layer, jumlah hidden layer, fungsi aktivasi, dan fungsi pembelajaran. Hasil prediksi menunjukkan bahwa JST hasil pelatihan yang dikombinasikan dengan parameter kapasitansi mampu memprediksi masa kadaluarsa biskuit dengan MSE terendah (9,8648 x 10-5) dan R tertinggi (99,80%).
Pendahuluan Tahapan selanjutnya dari desain sistem real time cerdas ini adalah mendesain model JST yang mampu memprediksi masa kadaluarsa biskuit. JST adalah model matematika yang struktur dan fungsinya terinspirasi oleh organisasi dan fungsi otak manusia (Bila et al. 1999). Selama beberapa dekade terakhir Jaringan Syaraf Tiruan (JST) telah banyak digunakan secara luas, seperti dalam pengendali kecepatan motor DC (Wiryadinata dan Ratnawati 2005), peramalan permintaan komoditas karet (Santoso et al. 2007), identifikasi kawanan ikan lemuru (Muhiddin 2007), pemodelan dan prediksi curah hujan (Subarna 2009), identifikasi dan kontrol sistem pada proses sebuah mesin (de Canete et al. 2008), dan prediksi pemasukan air dalam sistem suplai air (Rojek 2008). Terkait dengan bidang pangan, beberapa peneliti telah berusaha menerapkan JST untuk prediksi sifat serta perubahan selama pengolahan dan penyimpanan makanan. Herv‟s et al. (2001) memprediksi pertumbuhan tiga strain Salmonella pada tingkat pH, konsentrasi natrium klorida dan suhu penyimpanan makanan. Arsitektur JST dirancang pada tiga parameter input tersebut dan satu parameter output (pertumbuhan Salmonella). Standar Error Prediksi (% SEP) yang diperoleh adalah di bawah 5% dan secara signifikan kurang dari yang diperoleh dengan persamaan regresi. Aplikasi JST untuk prediksi umur simpan bubuk cabe hijau
21
(GCP) dilaporkan oleh Meshram (2008). GCP disimpan pada kombinasi suhu dan RH serta dua jenis kemasan Laminated Alumunium Foil (LAM) dan Polipropilena (PP). Penerapan JST untuk prediksi umur simpan sebagai fungsi T dan %RH memberikan nilai R2 > 0,99 untuk kedua kemasan. Di bidang penentuan masa kadaluarsa, aplikasi JST telah berhasil diterapkan untuk memprediksi masa kadaluarsa beberapa produk pangan diantaranya snack dari beras (Siripatrawan dan Jantawat 2008). Metode JST telah berhasil memprediksi sehingga dihasilkan hasil prediksi secara tepat. Hal ini karena, kemampuan JST untuk mempelajari data historikal sehingga mampu memprediksi proses yang kompleks dari hubungan nonlinier yang ada antara data input (casual process variable) dan data output yang cocok (dependent variables). Hubungan antara parameter kadaluarsa dengan masa kadaluarsa merupakan hubungan yang kompleks. Oleh karenanya, metode prediksi menggunakan metode JST potensial untuk diaplikasikan pada bidang penentuan masa kadaluarsa. Peneliti-peneliti sebelumnya menggunakan basis parameter non dielektrik (antara lain organoleptik, fisik, kimia, dan kondisi penyimpanan produk) dalam memprediksi masa kadaluarsa. Sementara penggunaan sifat dielektrik yang memiliki korelasi kuat dengan kadar air belum banyak yang menggunakannya sebagai basis dalam memprediksi masa kadaluarsa. Kadar air yang merupakan parameter kritis kadaluarsa produk kering (antara lain biskuit) berbanding lurus dengan nilai sifat dielektrik suatu bahan. Pada kadar air yang tinggi, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga tinggi, demikian juga pada kadar air rendah, nilai tetapan dielektrik dan faktor kehilangan dielektrik juga rendah (Harmen 2001, Guo et al. 2008, Nelson dan Trabelsi 2012). Penelitian pada tahap sebelumnya menunjukkan bahwa parameter dielektrik yang paling berkorelasi dengan masa kadaluarsa biskuit adalah kapasitansi. Sehingga dalam desain model JST ini kapasitansi digunakan sebagai data masukan. Selain itu, konstanta dielektrik dan frekuensi juga digunakan sebagai data masukan karena relevansinya dengan kadar air (Nelson dan Trabelsi 2012). Pengukuran nilai kapasitansi dan konstanta dielektrik pada range frekuensi tertentu dapat dilakukan dalam waktu singkat dan tidak membutuhkan panelis sehingga dapat dilakukan dengan cepat dan biaya yang rendah. Tujuan penelitian pada bagian ini adalah untuk memprediksi masa kadaluarsa biskuit dengan JST berdasarkan parameter dielektrik (kapasitansi dan konstanta dielektrik). Prediksi dilakukan dengan model arsitektur JST berkinerja terbaik.
Bahan dan Metode Pengukuran Nilai Dielektrik Pengukuran nilai dielekrik dilakukan dengan sensor kapasitansi (Gambar 3.1) yang telah terhubung dengan komputer. Frekuensi pengukuran 5 – 6 kHz. Setiap biskuit yang akan diukur, diset pada probe sensor, kemudian diukur nilai dielektrik sebanyak 3 kali. Probe sensor adalah plat tembaga sejajar dengan ukuran 5 cm x 5 cm x 0.25 cm (panjang x lebar x diameter).
22
Probe
Gambar 3.1 Pengukuran nilai dielektrik biskuit dengan sensor dielektrik - Dataset Sampel dipilih dari produk yang telah tercantum masa kadaluarsa secara purposive sampling. Jenis biskuit yang akan dipilih terdiri dari empat jenis biskuit sesuai SNI 01-2973-1992 (biskuit keras, crackers, cookies dan wafer) dengan tiga jenis kemasan (plastik, alumunium foil dan kaleng). Pada penelitian ini, faktor jenis kemasan diperhatikan juga karena adanya hubungan yang erat antara jenis kemasan dan masa kadaluarsa produk pangan (Robertson 2010). Keempat jenis biskuit diambil dari yang paling banyak beredar di pasaran sekitar Depok dan Bogor. Faktor lingkungan seperti suhu dan RH dianggap standar, sesuai suhu dan RH umumnya tempat biskuit biasa dijual (toko, minimarket atau hypermarket) Data aktual masa kadaluarsa diambil dari tanggal kadaluarsa yang tercantum pada kemasan dengan 10 jenis masa kadaluarsa yang berbeda (dari yang masih lama kadaluarsanya hingga yang telah kadaluarsa). Data ini dinputkan ke matriks JST dengan menghitung durasi waktu dari tanggal saat pengukuran dengan tanggal kadaluarsa yang tercantum di kemasan. Data masukan adalah frekuensi (f), kapasitansi (C), konstanta dielektrik (k), jenis biskuit dan jenis kemasan, sedangkan data keluaran adalah masa kadaluarsa aktual (Gambar 3.4). Jumlah data keseluruhan terdiri dari 360 dataset. Sesuai metode cross-validation, sebanyak 80% data digunakan untuk training dan 20% untuk testing. - Praproses data Data mentah dinormalisasi terlebih dahulu sebelum dilakukan desain model JST, karena skala data yang berbeda. Proses normalisasi dengan formula berikut (Siang 2009) : 0.8(𝑥−𝑎) 𝑥 ′ = 𝑏−𝑎 + 0.1 (3.1) dimana: a = data minimum; b = data maksimum; x = data mentah; x‟ = data normalisasi
23 Mulai Memanggil pola input (frekuensi, nilai kapasitansi, konstanta dielektrik,jenis biskuit dan jenis kemasan)
Memanggil pola output/target (masa kadaluarsa) Mengkonstruksi neural network : - Algoritma pembelajaran = Backpropagation - Goal = 0,0001 - Learning rate = 0,05 Pelatihan dengan trial error fungsi aktivasi hidden layer dan output layer Pilih fungsi aktivasi hidden layer dan output layer dengan kinerja terbaik Goal tercapai? Ya
Tidak
Pelatihan dengan trial error fungsi pembelajaran Pilih fungsi pembelajaran dengan kinerja terbaik Tidak Goal tercapai? Ya
Pelatihan dengan trial error jumlah layer dan jumlah node per hidden layer Pilih jumlah layer dan jumlah node per hidden layer dengan kinerja terbaik (MSE tercapai)
Menyimpan neural network yang telah dilatih Pemasukan data pengujian (data biskuit yang belum dilatih) Pengujian Selesai
Gambar 3.2 Kerangka kerja keseluruhan dari desain JST
24
Pengukuran kapasitansi pada frekuensi tertentu dari sampel yang diketahui masa kadaluarsanya Pembuatan matriks frekuensi, kapasitansi, konstanta dielektrik, jenis kemasan dan jenis biskuit yang diukur serta masa kadaluarsa yang dihitung Pembelajaran Neural Network berdasarkan matriks input dan output yang diketahui
Pengujian data yang tidak diketahui masa kadaluarsanya dengan Neural Network
Pengestimasian hasil
Gambar 3.3
Mekanisme analisa neural network untuk memprediksi masa kadaluarsa biskuit (modifikasi Ko et al. 2000, Park et al. 2002) Lapisan input
Jenis kemasan Jenis biskuit Frekuensi Kapasitansi Konstanta dielektrik
Lapisan hidden
Lapisan output Masa kadaluarsa
Gambar 3.4 Arsitektur JST yang dibangun - Desain model arsitektur JST Desain model arsitektur JST dilakukan pada komputer dengan CPU prosesor AMD dual-core C60 dan memori 2 GB DDR3. Software yang digunakan adalah MATLAB 2010b versi 7 dari Mathworks Corp (Mathworks 2010). Secara lengkap coding program MATLAB desain model JST dapat dilihat pada Lampiran 1. Algoritma pembelajaran yang digunakan adalah backpropagation. Arsitektur JST backpropagation merupakan jaringan perceptron lapis jamak (multilayer). JST ini memiliki lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Pembelajaran dalam perceptron terjadi dengan mengubah bobot koneksi setelah setiap elemen data diproses, yang diperoleh berdasarkan besarnya error dalam output dibandingkan dengan hasil peramalan JST. Proses ini dilakukan melalui backpropagation, yaitu sebuah generalisasi dari algoritma rata-rata kuadrat terkecil dalam perceptron linear. Kinerja JST ditentukan oleh tiga hal (Siang 2009) : 1. Pola hubungan antar neuron (arsitektur jaringan)
25
2. Metode untuk menentukan bobot penghubung (metode training, learning, algoritma) 3. Fungsi aktivasi Kombinasi yang tepat dari ketiga hal di atas akan menghasilkan kinerja JST yang terbaik. Permasalahannya, sampai saat ini belum ada teori yang pasti terkait kombinasi parameter yang tepat untuk setiap kasus. Setiap kasus memiliki kombinasi parameter berbeda-beda, tergantung permasalahannya. Agar menghasilkan kinerja terbaik, perlu dilakukan trial error pada setiap parameter yang ada. Kombinasi parameter-parameter ini disebut arsitektur JST. Tabel 3.1 memperlihatkan modifikasi parameter arsitektur yang dilakukan. Modifikasi Arsitektur ini menggunakan goal 0,01, Epoch 1000 dan learning rate 0,05. Dengan mempertimbangkan keefektifan proses pelatihan, trial error dimulai dari fungsi aktivasi, kemudian secara berturut-turut diteruskan ke trial error fungsi pembelajaran, jumlah node dan hidden layer dan epoch. Trial error tahap berikutnya dilanjutkan jika belum mencapai MSE yang diharapkan. Tahap berikut di-trial error dengan menggunakan hasil terbaik parameter dari tahap sebelumnya. Jenis parameter fungsi aktivasi dan fungsi pembelajaran yang dikombinasikan diambil dari keseluruhan item parameter yang disediakan JST pada MATLAB (built in). Dalam pemrograman Backpropagation dengan MATLAB, dikenal 3 macam fungsi aktivasi yang umum digunakan yaitu : tansig (fungsi sigmoid bipolar), logsig (fungsi sigmoid unipolar) dan purelin (fungsi identitas). Jumlah node per hidden layer diawali dari 2 yang merupakan jumlah minimal node yang diproses JST, kemudian berturut-turut dinaikan ke 5 sampai dengan 20. Jumlah hidden layer diawali dari 1 sampai dengan 5. Tabel 3.1 Modifikasi arsitektur JST yang dilakukan Fungsi aktivasi Hidden layer Tansig
Logsig
Output layer Purelin Tansig Logsig Purelin Tansig Logsig
Fungsi pembelajaran
Jumlah node/layer
Trainglm Traingd Traingdm Traingda Traincgb Trainscg Trainbfg Traindx Trainb Trainbr Trainoss Trainrp Trains
2 5 10 15 20
Jumlah hidden layer 1 2 3 4 5
26
Pemodelan prediksi masa kadaluarsa biskuit dengan metode JST menggunakan analisa hasil observasi berbagai parameter untuk mendapatkan model JST terbaik yang dapat merepresentasikan dengan akurat masa kadaluarsa biskuit tertentu. Model dianggap akurat jika kombinasi jumlah hidden layer, jumlah neuron pada hidden layer, jenis fungsi aktivasi per layer dan jenis training memberikan MSE (Mean Square Error) terkecil dan R terbesar antara masa kadaluarsa prediksi model JST dengan masa kadaluarsa sebenarnya. - Ukuran kinerja prediksi Ukuran kinerja prediksi yang digunakan adalah R dan MSE. 𝑅=
1−
𝑀𝑆𝐸 =
𝑁 1
2 𝑁 𝑄𝑒𝑥𝑝 −𝑄𝑐𝑎𝑙 1 𝑄𝑒𝑥𝑝 2 𝑄𝑒𝑥𝑝 −𝑄𝑐𝑎𝑙 2 𝑛
(3.3) (3.4)
Dimana : Qexp = nilai pengukuran; Qcal = nilai prediksi; n = jumlah dataset yang diiukur; R= koefisien korelasi; MSE=Mean Square Error.
Hasil dan Pembahasan Nilai Dielektrik Sifat dielektrik menggambarkan kemampuan suatu bahan untuk menyimpan, mentransmisikan dan memantulkan energi gelombang elektromagnetik. Aplikasinya dalam bidang pertanian didasarkan pada kemampuan bahan untuk menyerap radiasi elektromagnetik dan mengubahnya menjadi panas. Pada tingkat energi yang lebih rendah, sifat dielektrik dimanfaatkan untuk mengukur kadar air secara non destruktif. Nilai dielektrik yang diukur pada kasus ini adalah kapasitansi dan konstanta dielektrik. Gambar 3.5, 3.6 dan 3.7 menunjukkan nilai kapasitansi biskuit untuk masing-masing jenis kemasan dan biskuit. Nilai kapasitansi biskuit relatif cenderung menurun pada semua jenis biskuit dan jenis kemasan (Gambar 3.5, 3.6 dan 3.7). Hal ini sesuai dengan pendapat Nelson dan Trabelsi (2012) dan Sosa-Morales et al. (2010) yang menyatakan bahwa nilai dielektrik (diantaranya kapasitansi) cenderung dipengaruhi oleh frekuensi dan kadar air. Untuk kadar air, Sosa-Morales (2010) menyatakan bahwa peningkatan kadar air akan meningkatkan nilai dielektrik bahan. Hal ini dikarenakan biskuit akan mengalami peningkatan kadar air ketika hendak kadaluarsa. Ini artinya, nilai kapasitansi yang dihasilkan akan semakin meningkat. Berdasarkan hal tersebut frekuensi dan kapasitansi dipertimbangkan sebagai variabel input dalam JST dan masa kadaluarsa adalah variabel output. Selain itu jenis kemasan dan Jenis biskuit juga dipertimbangkab sebagai variabel input. kemasan juga bekorelasi dengan masa kadaluarsa (Robertson 2010) sehingga perlu dijadikan variabel input. Kemasan yang memiliki daya adsorpsi yang tinggi cenderung memiliki masa kadaluarsa yang lebih cepat. Biskuit yang lebih kering pun cenderung memiliki masa kadaluarsa yang lebih lama.
27
Kapasitansi (Farad)
2,9E-11 2,7E-11 2,5E-11 2,3E-11 2,1E-11 1,9E-11 1,7E-11 1,5E-11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Data ke- (masa kadaluarsa semakin lama) Wafer
Cookies
Crackers
Biskuit keras
Gambar 3.5 Nilai kapasitansi biskuit dengan kemasan kaleng pada frekuensi 5–6 KHz Kapasitansi (Farad)
3,3E-11 2,8E-11 2,3E-11 1,8E-11 1,3E-11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Data ke- (masa kadaluarsa semakin lama) Wafer
Cookies
Crackers
Biskuit keras
Kapasitansi (Farad)
Gambar 3.6 Nilai kapasitansi biskuit dengan kemasan alumunium foil pada frekuensi 5 – 6 KHz 2,7E-11 2,5E-11 2,3E-11 2,1E-11 1,9E-11 1,7E-11 1,5E-11 1,3E-11 1,1E-11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Data ke- (masa kadaluarsa semakin lama) Wafer
Cookies
Crackers
Biskuit keras
Gambar 3.7 Nilai kapasitansi biskuit dengan kemasan plastik pada frekuensi 5 – 6 KHz
28
Tabel 3.2 Variasi fungsi aktivasi Fungsi aktivasi Hidden layer Output layer Logsig Tansig Tansig Purelin Logsig Logsig Tansig Purelin
Fungsi train
Trainlm
MSE
R (%)
0.0144 0.0148 0.0141 0.0145 0.0144 0.0150
60.36 58.76 61.42 59.92 60.46 57.87
Tabel 3.3 Variasi fungsi pembelajaran (train) Fungsi pembelajaran (train)
MSE
R (%)
Trainlm Trainda Traingdm Traingd Traingdx Traincgb Trainscg Trainbfg Trainb Trainbr Trainoss Trainrp Trains
0.0141 0.0223 0.0217 0.0157 0.0151 0.0146 0.0205 0.0157 0.0152 0.0153 0.0259
61.42 12.24 20.93 55.33 57.78 59.72 31.49 55.40 57.30 56.93 -2.13
Model Arsitektur JST untuk Prediksi Masa Kadaluarsa Biskuit - Variasi fungsi aktivasi Variasi fungsi aktivasi menghasilkan nilai MSE terkecil dan R terbesar pada fungsi aktivasi hidden layer tansig dan output layer purelin (Tabel 3.2). Hasil ini sama dengan hasil penelitian yang dilakukan oleh Goyal dan Goyal (2011d) dalam prediksi masa kadaluarsa soft-cake. Penelitian tersebut menunjukkan kinerja terbaik adalah dengan fungsi aktivasi hidden layer tansig dan output layer purelin. - Variasi fungsi pembelajaran Hasil training dengan fungsi aktivasi di atas (tansig; purelin) menunjukkan fungsi pembelajaran dengan MSE terkecil dan R terbesar pada fungsi trainlm (Tabel 3.3). Fungsi trainlm adalah fungsi pelatihan jaringan yang update nilai-nilai bobot dan bias sesuai dengan optimasi Levenberg-Marquardt. Trainlm seringkali merupakan algoritma backpropagation tercepat di toolbox, dan direkomendasikan sebagai pilihan pertama algoritma dengan pembelajaran, meskipun memerlukan memori lebih dari algoritma lain (Mathworks 2010).
29
- Variasi jumlah node dan hiden layer Variasi jumlah node dan jumlah hidden layer terbaik adalah pada jumlah node 10 dengan 5 hidden layer. Kondisi ini tercapai pada epoch ke-86. Terlihat semakin banyak layer dan jumlah node semakin bagus nilai R (99,86%) dan MSE (6,2040x10-5) (Tabel 3.4). Namun, pada jumlah layer 5 terlihat nilai MSE dan R mulai menurun untuk jumlah node di atas 10. Kondisi ini diduga karena nilai optimal global telah tercapai saat di jumlah node 10. Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi JST diperlihatkan pada Gambar 3.8. Tabel 3.4 Variasi jumlah node dan hidden layer
15 20
Jumlah hidden layer 1 MSE
2 R (%)
MSE
3 R (%)
MSE
0.0141 0.0081 0.0032
4 R (%)
MSE
5 R (%)
61.42 0.0145 59.91 0.0114 70.32 0.0113 70.73 80.07 0.0040 90.62 0.0020 95.37 3.3060x10-4 99.27 92.69 9.9838x10-5 99.78 9.7540x10-5 99.78 9.0429x10-5 99.80 (539) (125) (110) 0.0016 96.33 9.7220x10-5 99.79 8.5368x10-5 99.82 9.7085x10-5 99.79 (127) (135) (49) 6.0348x10-4 98.66 9.3523x10-5 99.79 9.3729x10-5 99.79 9.6697x10-5 99.79 (100) (126) (34) Keterangan : angka dalam kurung menunjukkan epoch saat MSE target tercapai
MSE
R (%)
0.0140 4.7033x10-4 6.2040x10-5 (86) 9.5779x10-5 (70) 9.0321x10-5 (32)
61.59 98.95 99.86
Aktual Vs Prediksi,
Prediksi,
Jumlah node per hidden layer 2 5 10
Aktual Gambar 3.8 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi JST
99.79 99.80
30
Prediksi,
Aktual Vs Prediksi,
Aktual
3.9 Kinerja pengujian antara masa kadaluarsa aktual dan hasil prediksi JST Pengujian dan Perbaikan Kinerja Model JST Sebanyak 72 dataset yang belum dicoba, diujikan pada arsitektur JST yang terbaik hasil training sebelumnya. Gambar 3.9 menunjukkan hasil prediksi data uji untuk masa kadaluarsa biskuit. Hasil uji menunjukkan MSE sebesar 20,68. MSE yang cukup besar ini menunjukkan terjadi overfitting pada model yang dibangun. Model cenderung menghasilkan output yang baik untuk data yang ditrainingkan saja, tapi tidak bisa menghasilkan output yang baik untuk data diuji. Untuk itu diperlukan perbaikan kinerja model JST yang dibangun. Alternatif yang dicobakan untuk memperbaiki kinerja adalah dengan menyusun kembali data training dan data uji berdasarkan jenis kemasan dan jenis biskuit. Proses training dilakukan dengan parameter training dan arsitektur yang sama dengan model JST sebelumnya. Nilai MSE (9,8648 x 10-5) dan R (99,80%) training dari model JST alternatif ini tidak terlalu jauh berbeda dengan hasil training model JST sebelumnya (Gambar 3.10). Namun nilai MSE dan R uji dari model JST alternatif ini mengalami perbaikan, yaitu MSE 0.0058 dan R 93,385% (Gambar 3.11). Iterasi yang diperlukan untuk menghasilkan kinerja training ini adalah 128 epoch. Perbaikan nilai MSE dan R uji dari model JST alternatif ini menunjukkan bahwa model telah memiliki kemampuan mengeneralisir data karena terwakilinya tiap kelompok data pada saat training. Sehingga ketika pengujian, model JST ini mampu membaca data yang belum pernah ditraining dengan cukup baik. Prediksi Masa Kadaluarsa dengan JST Secara umum, hasil prediksi dari pengujian dan training menunjukkan nilai masa kadaluarsa biskuit berada pada -186 sampai dengan 720 sehingga terdapat selisih hasil prediksi masa kadaluarsa pada rentang ε+ = 203 dan ε- = -9 dari data aktual. Data aktual masa kadaluarsa yang diuji adalah sudah kadaluarsa 177 hari (-177 hari) dan masih akan kadaluarsa 517 hari lagi.
31
Prediksi,
Aktual Vs Prediksi,
Aktual
Gambar 3.10 Kinerja pelatihan antara masa kadaluarsa aktual dan hasil prediksi model JST alternatif
Prediksi,
Aktual Vs Prediksi,
Aktual
Gambar 3.11 Kinerja pengujian antara masa kadaluarsa aktual dan hasil prediksi model JST alternatif
Masa Kadaluarsa (Hari)
800 600 400 200 0 -200 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 -400
Data uji keData aktual
Hasil prediksi JST
Gambar 3.12 Prediksi masa kadaluarsa biskuit dari model JST uji
32
Selisih hasil prediksi ini (ε+ dan ε-) diduga dapat digunakan sebagai rentang toleransi masa kadaluarsa biskuit dari nilai aktual yang terdapat dalam kemasan. Dalam kasus ini, terdapat toleransi masa kadaluarsa sebanyak +203 hari dan -9 hari dari nilai aktual di kemasan. Secara jelas, gambaran prediksi masa kadaluarsa biskuit dari model JST uji dapat di lihat pada Gambar 3.12. Hasil prediksi JST dalam penelitian ini, secara umum adalah lebih panjang daripada ground truth (masa kadaluarsa yang tercantum di kemasan biskuit, yang menggunakan metode non dielektrik). Bagi produsen ini akan merupakan keuntungan karena masa jual produk menjadi lebih panjang. Namun hasil ini bersifat dinamis, yang masih mungkin berkembang dengan studi-studi selanjutnya. Prediksi Masa Kadaluarsa Biskuit dalam Setiap Kemasan Berdasarkan hasil prediksi model JST terhadap masa kadaluarsa biskuit dalam setiap kemasan (Tabel 3.5), terlihat masing-masing memiliki rentang prediksi yang berbeda-beda. Namun dari sekian jenis kemasan, biskuit dalam kemasan kaleng relatif terlihat memiliki rentang prediksi yang cukup jauh dari masa kadaluarsa aktual. Prediksi kadaluarsa pada biskuit kemasan ini cenderung telah lama kadaluarsanya dibanding prediksi aktual pada kemasan. Diduga hal ini karena kurang variatifnya rentang masa kadaluarsa biskuit pada kemasan ini. Untuk meningkatkan kinerja prediksi, diperlukan penambahan variasi rentang masa kadaluarsa biskuit kemasan ini. Biskuit keras pada kemasan kaleng memiliki selisih waktu kadaluarsa yang paling jauh dengan aktual pada kemasan. Ini artinya, prediksi kadaluarsa dari model JST ini masih lebih lama dibanding kadaluarsa pada kemasan. Terdapat selisih 175 hari dari masa kadaluarsa aktual. Sementara Crackers pada kemasan alumunium foil memiliki hasil prediksi yang paling dekat dengan masa kadaluarsa aktual dibanding biskuit dalam kemasan lainnya. Hal ini menunjukkan hasil prediksi crackers kemasan ini paling baik dengan lainnya. Tabel 3.5 Prediksi masa kadaluarsa biskuit dalam setiap kemasan Masa kadaluarsa Masa kadaluarsa aktual (hari) prediksi JST (hari) Jenis Jenis Biskuit Kemasan selisih selisih min maks min maks min maks Kaleng 84 3 Wafer -84 517 -168 514 44 -203 Cookies -84 517 -128 720 102 -8 Crackers -84 517 -186 525 -26 -175 Biskuit keras -84 517 -58 692 Alumunium Wafer 35 83 -12 284 -47 201 foil -10 -9 Cookies 147 343 157 352 2 8 Crackers -6 336 -8 328 -30 9 Biskuit keras -177 331 -147 322 Plastik -27 2 Wafer 115 483 142 481 -4 -39 Cookies 54 359 58 398 -3 27 Crackers 24 319 27 292 -2 42 Biskuit keras -29 291 -27 249 Keterangan : min=minimum; maks=maksimum
33
Masa kadaluarsa aktual dihitung dari selisih waktu pengukuran dengan tanggal kadaluarsa biskuit yang tercantum pada kemasan dari data testing. Tanggal kadaluarsa yang tercantum ini merupakan versi produsen biskuit. Produsen diasumsikan tepat, sehingga tanggal kadaluarsa yang dicantumkan pun diasumsikan benar. Meskipun penentuan tanggal kadaluarsa mereka masih perlu verifikasi, baik dari metode yang digunakan maupun faktor-faktor lain yang mempengaruhi selama transportasi dan penyimpanan. Masa kadaluarsa JST merupakan hasil prediksi JST terhadap data masukan (jenis kemasan, jenis biskuit, nilai kapasitansi, frekuensi, dan konstanta dielektrik) dari data testing. Tanda negatif (-) pada kolom min dan maks (Tabel 3.5) menunjukkan telah kadaluarsa, sedangkan pada kolom selisih min dan selisih maks menunjukkan kurangnya rentang waktu hasil prediksi JST dibanding data aktual. Hasil prediksi JST (pada kolommin) secara umum menunjukkan nilai yang jauh telah lama kadaluarsa dibanding data aktual. Dari sisi konsumen, hal ini jelas menguntungkan karena biskuit lebih cepat kadaluarsanya. Prediksi ini dengan melihat korelasi masa kadaluarsa berbasiskan kadar air dengan parameter dielektrik. Beberapa faktor lain (kadar gula, lemak, enzim dll) yang berkorelasi dengan AW (Activity Water/aktifitas air) tidak menjadi penekanan pada penelitian ini, karena kadaluarsa pada penelitian ini difokuskan pada kadar air yang merupakan parameter kritis dari kadaluarsa biskuit. Model JST yang dibangun pada tahap ini akan digunakan untuk memprediksi masa kadaluarsa biskuit pada tahap berikut. Di tahap berikut, model JST ini akan diintegrasikan dengan sensor dielektrik yang telah didesain. Pengintegrasian ini akan menghasilkan prediksi masa kadaluarsa secara real time. Simpulan JST yang dikombinasikan dengan parameter dielektrik sangat baik untuk memprediksi masa kadaluarsa biskuit dengan kinerja pelatihan MSE 9,8648 x 10-5 dan R 99,80%. Arsitektur yang menghasilkan kinerja pelatihan terbaik adalah JST dengan 5 hiden layer, 10 node per hidden layer, fungsi aktivasi hidden layer tansig, fungsi aktivasi output layer purelin, fungsi pembelajaran trainlm dan 86 epoch.
4 PREDIKSI MASA KADALUARSA BISKUIT SECARA REAL TIME DENGAN INTEGRASI SENSOR DIELEKTRIK DAN JARINGAN SYARAF TIRUAN SERTA DESAIN INTERFACE-NYA
Abstrak Tujuan bagian ini adalah untuk (1) mengintegrasikan sensor dielektrik dan kecerdasan buatan JST sehingga dapat diaplikasikan untuk prediksi masa kadaluarsa biskuit secara real time. (2) mendesain interface sehingga memudahkan pengguna dalam memprediksi. Sensor dielektrik dientegrasikan dengan JST menggunakan perangkat mikrokontroler AVR ATMega 8535 dan
34
Laptop prosesor AMD dual-core C60 dan memori 2 GB DDR3. Operating system yang digunakan adalah Windows XP Profesional Edition dari Microsoft Corp. Perangkat lunak yang digunakan untuk integrasi dan desain Interface (GUI) adalah MATLAB2010b dari Mathworks Corp. Pengintegrasian JST dan sensor dielektrik telah mampu memprediksi masa kadaluarsa biskuit secara real time. Kinerja sistem real time cerdas yang didesain dalam memprediksi masa kadaluarsa biskuit cukup baik. Berdasarkan verifikasi, diperoleh wafer, cookies, crackers dan biskuit keras secara berturut-turut memiliki masa kadaluarsa prediksi 517, 488, 338 dan 377 hari. Kadaluarsa aktual keempat biskuit tersebut secara adalah 486 hari.
Pendahuluan Bagian akhir dari pengembangan sistem real time cerdas ini adalah mengintegrasikan model JST dan sensor yang telah dibangun pada tahap-tahap sebelumnya sehingga dapat memprediksi masa kadaluarsa biskuit secara real time. Masa kadaluarsa makanan merupakan salah satu informasi yang wajib dicantumkan oleh produsen pada label kemasan produk pangan. Pencantuman informasi masa kadaluarsa menjadi sangat penting karena terkait dengan keamanan produk pangan dan untuk memberikan jaminan mutu pada saat produk sampai ke tangan konsumen. Kebutuhan untuk menghasilkan informasi dalam waktu nyata (real time), mendorong para peneliti untuk mengintegrasikan JST dengan instrumen sensor yang mampu mendeteksi parameter kadaluarsa secara nyata. Selain waktu, adanya keterbatasan panelis terlatih, suasana yang tepat, biaya dan alat uji, menjadikan pengintegrasian JST dengan sensor semakin berdasar untuk dilakukan dalam kasus prediksi masa kadaluarsa. Dengan pengintegrasian ini, diharapkan dapat lebih mengefektifkan biaya dan meminimkan waktu pendeteksian. Sensor masa kadaluarsa yang telah dikembangkan selama ini adalah berbasis e-nose (electric nose), yang mendeteksi kadaluarsa dari pendekatan sensorik (penciuman). E-nose yang dikembangkan oleh Ko et al. (2000) memprediksi masa kadaluarsa susu kedelai dengan kombinasi JST. E-nose ini mendeteksi bau susu kedelai yang sudah diketahui masa kadaluarsa lewat enam jenis sensor metal oxide (TGS800, TGS813, TGS822, TGS824, TGS825 dan TGS880) yang berfungsi sebagai pengganti penciuman manusia. Data ini berfungsi sebagai data masukan dalam database neural network yang selanjutnya lewat proses pembelajaran dan pelatihan dihasilkan keluaran masa kadaluarsa untuk susu kedelai yang belum diketahui kadaluarsa. Teknik yang sama dilakukan oleh Park et. al. (2002), tetapi untuk produk yang berbeda yaitu tahu. Teknik ini menghasilkan peluang benar hasil prediksi masa kadaluarsa untuk produk yang belum diketahui kadaluarsa adalah rata-rata 87% (susu kedelai) dan 86,5% (tahu). Sensor yang mendeteksi masa kadaluarsa dengan pendekatan sensorik (penciuman) seperti e-nose, lebih tepat untuk produk dengan kriteria kadaluarsa utama karena perubahan organoleptik dan kimia (misalnya bau dan ketengikan). Untuk produk dengan kriteria kadaluarsa utama adalah perubahan kadar air, maka
35
pendeteksian kadaluarsa oleh sensor adalah dengan pendekatan kadar air kritis. Berdasarkan penelitian Harmen et al. (2004) dan Li et al. (2003), kadar air berkorelasi kuat dengan sifat dielektrik bahan. Sehingga penggunaan sifat dielektrik sebagai sensor dielektrik dalam menentukan kadaluarsa makanan menjadi hal yang potensial untuk dilakukan. Sampai saat ini, aplikasi sensor dielektrik menggunakan sifat dielektrik yang diintegrasikan dengan JST untuk mendeteksi masa kadaluarsa produk kering (biskuit) belum dikembangkan. Padahal kemampuan pengintegrasian JST dan sensor dielektrik berpeluang untuk menghasilkan keluaran secara real time pendeteksian masa kadaluarsa dengan pendekatan sifat dielektrik. Oleh karena itu, adanya upaya untuk mengembangkan sebuah sistem cerdas yang mengintegrasikan JST dan sensor dielektrik sehingga mampu memprediksi masa kadaluarsa biskuit secara real time menjadi suatu solusi alternatif terhadap hal di atas. Kemampuan yang dimiliki JST dan sensor dielektrik dapat dimanfaatkan untuk maksud tersebut. Dengan demikian, akan tercipta keamanan produk pangan dan jaminan mutu pada saat produk sampai ke tangan konsumen. Tujuan penelitian ini adalah mengintegrasikan JST dan sensor dielektrik sehingga dapat menjadi sebuah sistem real time cerdas yang dapat memprediksi masa kadaluarsa biskuit dengan akurat. Tujuan berikutnya adalah mendesain interface sehingga memudahkan pengguna dalam memprediksi. Bahan dan Metode Bahan Bahan yang digunakan dalam bagian penelitian ini adalah sampel biskuit yang terdiri dari 4 jenis biskuit (wafer, cookies, crackers dan biskuit keras) yang dikemas dalam kaleng masa kadaluarsa 526 hari lagi. Alat yang digunakan dalam penelitian ini terdiri atas Mikrokontroler AVR ATMega 8535 dan Laptop prosesor AMD dual-core C60 dan memori 2 GB DDR3. Operating system yang digunakan adalah Windows XP Profesional Edition dari Microsoft Corp. Perangkat lunak yang digunakan untuk integrasi mikrokontroler dengan komputer (model JST) serta sensor dielektrik dan desain Grafis User Interface (GUI) adalah MATLAB2010b dari Mathworks Corp (Mathworks 2010). Metode Pengintegrasian perangkat sensor dan model JST, menjadi langkah berikut yang dilakukan. Pengintegrasian ini dimaksudkan agar pengukuran nilai dielektrik (variable input) dari produk yang belum diketahui masa kadaluarsa dapat secara real time dilakukan dan langsung terbaca di laptop. Setelah data terbaca, model JST yang telah terbangun akan melakukan proses prediksi masa kadaluarsa produk tersebut. Integrasi semua komponen yang dirancang terdiri dari beberapa bagian. Blok diagram integrasi ditunjukkan pada Gambar 4.1. Coding program MATLAB lengkap integrasi JST dengan sensor Dielektrik dan desain GUI dapat dilihat pada Lampiran 2.
36
Hasil dan Pembahasan Desain sistem real time cerdas Real time system disebut juga dengan sistem waktu nyata. Sistem yang harus menghasilkan respon yang tepat dalam batas waktu yang telah ditentukan. Jika respon komputer melewati batas waktu tersebut, maka terjadi degradasi performansi atau kegagalan sistem. Sebuah real time system adalah sistem yang kebenarannya secara logis didasarkan pada kebenaran hasil-hasil keluaran sistem dan ketepatan waktu hasil-hasil tersebut dikeluarkan. Aplikasi penggunaan sistem seperti ini adalah untuk memantau dan mengontrol peralatan seperti motor, assemblyline, teleskop, atau instrumen lainnya. Peralatan telekomunikasi dan jaringan komputer biasanya juga membutuhkan pengendalian secara real time (Hartono, 2008). Sistem real time cerdas (Intelligence Real Time System) adalah sistem real time yang menggunakan Expert Systems/Kecerdasan Buatan/Artifial Intelligence atau Kendali Cerdas dalam menghasilkan informasi (Hu et al., 2009). Pengintegrasian JST dan sesor dielektrik menjadi sebuah sistem real time cerdas dilakukan dengan menggunakan mikokontroler AVR ATMega 8535 (Gambar 4.2). Sensor menggunakan sumber arus dari listrik. Secara lengkap rangkaian sistem real time cerdas prediksi masa kadaluarsa biskuit yang mengintegrasikan model JST dan sensor dielektrik terlihat pada Gambar 4.3. Sampel yang akan diukur ditempatkan pada probe plat parallel kapasitor. Setelah, mikokontroler dihubungkan dengan laptop, software prediksi dapat di-run. Untuk mendapatkan hasil prediksi sebelumnya dilakukan pengukuran nilai dielektrik (frekuensi, kapasitansi dan konstanta dielektrik) dengan menekan tombol “UKUR”, jenis biskuit dan jenis kemasan. Selanjutnya dilakukan prediksi dengan menekan tombol “PREDIKSI”. Output hasil prediksi, masa kadaluarsa dapat terlihat di bawah tombol “PREDIKSI”. Tampilan software prediksi masa kadaluarsa dapat dilihat pada Gambar 4.4. Secara ringkas Tombol 'UKUR' digunakan untuk mengukur nilai kapasitansi, frekuensi dan konstanta dielektrik sampel. Tombol 'PREDIKSI' akan memprediksi masa kadaluarsa biskuit dengan menggunakan arsitektur JST terbaik. Nilai output masa kadaluarsa diperkirakan dari nilai-nilai yang diukur oleh sensor, jenis kemasan, dan jenis biskuit yang dipilih oleh pengguna.
Laptop
Perangkat sensor Plat kapasitor Mikrokontroler dielektrik dan sampel
Gambar 4.1 Blok diagram integrasi
37
Sensor
Mikrokontroler
Gambar 4.2 Gambar mikrokontroler dan rangkaian sensor Nilai kapasitansi, frekuensi, dan konstanta dielektrik diukur dengan persamaan berikut berdasarkan Gambar 2.7, 2.8 dan 2.9 : 𝑉𝑜𝑢𝑡_5 = 𝑅
𝑓=
𝐶= 𝑘=
𝑅10 + 𝑅8 8
𝑥 𝑉𝑜𝑢𝑡 _7
𝑉𝑜𝑢𝑡 _5 2 ) −1 𝑉𝑜𝑢𝑡 _8
(4.1)
(
2 𝑥 𝜋 𝑥 𝑅9 𝑥 𝐶6
(
𝑉𝑜𝑢𝑡 _5 2 ) −1 𝑉0𝑢𝑡 _6
2 𝑥 𝜋 𝑥 𝑅7 𝑥 𝑓 𝐶∗𝑑 𝐸0 𝐴
(4.2)
(4.3)
(4.4)
Dimana : Vout=tegangan output; f=frekuensi; R=resistor (R10:198x103, R8:202x103, R9:1,977x103, R7:0,988x106); C=kapasitansi (C6:10,5x10-9); d=diameter (0,25 x10-2); A=luas permukaan probe (4x10-4); Eo=tetapan permisivitas hampa (8,85x10-12)
38
Sensor
Probe Laptop
Mikrokontroler Sampel
Gambar 4.3 Rangkaian sistem real time cerdas prediksi masa kadaluarsa biskuit secara lengkap
Gambar 4.4 Interface software prediksi masa kadaluarsa biskuit Tabel 4.1
Hasil verifikasi sistem real time cerdas prediksi masa kadaluarsa biskuit Rata-rata masa Masa kadaluarsa Selisih Persen Jenis Biskuit kadaluarsa aktual (hari) (hari) error (%) prediksi (hari) 31 517 Wafer 486 6 2 488 Cookies 486 0,43 -148 338 Crackers 486 -30 -109 377 Biskuit Keras 486 -22
Verifikasi Hasil verifikasi dapat dilihat pada Tabel 4.1. Verifikasi menggunakan sampel baru, yang belum dicobakan. Sampel yang digunakan adalah biskuit dalam kemasan kaleng dengan masa kadaluarsa yang sama (526 hari dan 486 hari).
39
Terlihat hasil prediksi memiliki persen error di bawah 31%, sehingga dapat dikatakan prediksi masa kadaluarsa biskuit jenis ini cukup akurat. Akan tetapi masih diperlukan peningkatan kinerja sehingga menjadi lebih akurat. Terkait menjaga akurasi hasil prediksi, proses kalibrasi sistem ini dapat dilakukan dengan memastikan keakuratan kerja masing-masing komponen sistem ini khususnya pada instrumen sensor. Pembacaan probe dapat dicek dengan membandingkan nilai kapasitansi pembacaan sensor dengan nilai kapasitor yang telah diketahui nilai kapasitansinya. Akan tetapi proses kalibrasi akan menjadi sangat penting ketika akurasi sistem ini telah diperbaiki menjadi kurang dari 31%. Proses prediksi masa kadaluarsa biskuit dalam sistem ini tidak membutuhkan waktu lama. Output dapat dihasilkan dalam waktu kurang dari 1 menit. Hal ini selaras dengan konsep real time, yaitu menghasilkan respon dalam waktu tepat (singkat). Pengintegrasian kecerdasan buatan JST dan sensor dielektrik pada tahap ini telah mampu memprediksi masa kadaluarsa secara real time. Simpulan Pengintegrasian JST dan sensor dielektrik telah mampu memprediksi masa kadaluarsa biskuit secara real time. Kinerja sistem real time cerdas yang didesain dalam memprediksi masa kadaluarsa biskuit cukup akurat.
5 PEMBAHASAN UMUM
Seleksi atribut pengukuran dielektrik penentuan masa kadaluarsa biskuit dan formulasi desain sensor dielektrik Kapasitansi merupakan parameter dielektrik yang berkorelasi dengan masa kadaluarsa. Kapasitansi adalah kemampuan kapasitor untuk menyimpan energi dalam medan listrik. Diantara hal yang mempengaruhi variasi nilai kapasitansi adalah frekuensi (Toyoda 2003). Hasil pengukuran yang diperoleh (Gambar 2.3) menunjukkan pada frekuensi yang semakin meningkat, nilai kapasitansi biskuit semakin menurun. Hal ini sesuai dengan hasil yang diperoleh Nelson (2008) pada beras dan tepung. Nilai konstanta dielektrik dan faktor kehilangan dielektrik dari beras dan tepung dari penelitian tersebut ditampilkan pada Gambar 5.1. Terlihat pada gambar tersebut, semakin tinggi frekuensi maka semakin rendah nilai konstanta dielektrik dan faktor kehilangan dielektrik dari beras dan tepung. Pada frekuensi yang semakin tinggi, terjadi ionisasi.
40
Gambar 5.1 Nilai dielektrik tepung dan beras dengan frekuensi yang berbeda pada suhu 250C (Nelson, 2008) Selain frekuensi, sifat dielektrik bahan juga dipengaruhi oleh suhu, komposisi (kadar air), densitas, dan lama penyimpanan. Terkait kadar air, nilai dielektrik bahan akan meningkat dengan meningkatnya kadar air bahan (SosaMorales 2010). Pada biskuit yang mendekati kadaluarsa, biskuit akan mengalami peningkatan kadar air. Ini artinya, nilai kapasitansi yang dihasilkan akan semakin meningkat. Hal ini sesuai dengan apa yang diperoleh pada Gambar 2.4. Kapasitansi (C) kemudian dijadikan parameter sensor dari sensor dielektrik yang didesain dengan range frekuensi 5 - 6 kHz. Range frekuensi ini diset setelah pengujian saat eksperimen yang dimulai dari frekuensi 42 Hz, sehingga diperoleh range frekuensi 5 - 6 kHz yang lebih sensitif membaca nilai kapasitansi dari biskuit yang berbeda masa kadaluarsa dan jenisnya. Model jaringan syaraf tiruan berbasis sifat dielektrik untuk prediksi masa kadaluarsa biskuit Jaringan Syaraf Tiruan (JST) adalah salah satu metode pembelajaran yang telah muncul sebagai alat yang menarik untuk pemodelan proses yang kompleks. Kekuatan dari JST adalah struktur yang umum dan memiliki kemampuan untuk mempelajari dari data historikalnya (Desai et al., 2008). Konsep JST yang digunakan secara luas adalah Multi-Layered Perceptron (MLP), yang memperkirakan hubungan nonlinier yang ada antara data input (casual process variable) dan data output yang cocok (dependent variables). JST atau MLP terdiri dari input, hidden, dan output layers. JST merupakan suatu sistem pemroses informasi yang memiliki persamaan secara umum dengan cara kerja jaringan syaraf biologis. Di dalam JST, input akan diproses oleh neuron-neuron JST dengan bobot tertentu. Bobot hubungan antar elemen atau neuron pada jaringan syaraf disesuaikan berdasarkan galat hasil perbandingan antara output dengan target. Penyesuaian bobot dilakukan sampai
41
jaringan mencapai pola target. Perubahan bobot / pembelajaran dalam JST back propagation dapat dibagi menjadi dua tahap (Siang 2010) yakni: a. Perambatan maju Dalam proses perambatan maju, lapisan masukan jaringan akan diberikan vektor masukan. Berdasar vektor masukan dan karakteristik awal jaringan (bobot) akan dihasilkan vektor tanggapan yang akan dirambatkan kedepan. Tanggapan tersebut akan dilakukan di setiap lapis jaringan tersembunyi apabila jaringan syaraf mempunyai lebih dari satu lapisan tersembunyi. Untuk setiap lapis dan setiap unit jaringan proses perambatan maju persamaanya dapat dituliskan sebagai berikut : S j i jw ji
(5.1)
f (Sj) fungsi .sigmoid (Sj) aktivasi(Sj)
Perambatan tanggapan tersebut akan diteruskan sampai mencapai jaringan keluaran. b. Perambatan mundur Setelah dihasilkan vektor keluaran, nilai vektor keluaran kemudian dibandingkan dengan vektor asli (vektor sasaran dalam suatu pasangan vektor pelatihan). Nilai perbedaan yang ada kemudian di pakai sebagai sarana pengkoreksi bobot jaringan syaraf yang terhubung ke jaringan keluaran. Kemudian proses perambatan kesalahan tersebut dilakukan secara mundur. Dalam penghitungan kesalahan sebagai dasar perbaikan bobot dibedakan menjadi dua yakni: kesalahan jaringan keluaran dan jaringan tersembunyi yakni: 𝛿𝑘𝑗 = 𝑡𝑗 − 𝑖𝑗 𝑓 𝑆𝑗 𝛿𝑗 = 𝑘 𝛿𝑘 𝑤𝑘𝑗 𝑓 𝑆𝑗 (5.2) Dimana : kj = nilai kesalahan keluaran j j = nilai kesalahan simpul tersembunyi j ij = nilai keluaran unit j f`(j) = fungsi turunan fungsi aktivasi j (sigmoid) Sj
= jumlah masukkan bobot ke j
Proses pembelajaran yang dilakukan pada proses pelatihan menggunakan pola supervised learning sehingga dihasilkan output prediksi dengan kinerja tinggi (nilai R 99,86% dan MSE 6,2040x10-5). Kinerja ini berbeda (menurun) dengan proses pengujian, meskipun menggunakan arsitektur terbaik dari proses pelatihan. Hal ini menunjukkan JST kurang dapat menghasilkan prediksi yang tepat ketika diberi data baru yang belum dipelajari. Hal ini diduga proses pembelajaran pada tahap pelatihan mendapatkan pola yang terlalu spesifik (overfitting). Untuk mengatasi hal tersebut, masih diperlukan peningkatan kinerja pelatihan JST. Penyusunan kembali data training dan data uji berdasarkan jenis kemasan dan jenis biskuit cukup memberikan perbaikan kinerja, meskipun tidak berarti bahwa ini telah final. Masih diperlukan perbaikan kinerja hingga mencapai MSE target (<10-4) saat uji sehingga hasil prediksi lebih akurat. Jika dilihat ditinjau dari rata-rata error pada masing-masing jenis kemasan biskuit, hasil prediksi model JST alternatif ini menunjukkan hasil terbaik pada kemasan plastik yaitu 3,17% (Gambar 5.2). Sedangkan jika dipilah per jenis biskuit dalam masing-masing kemasan, (Gambar 5.3, 5.4, dan 5.5) maka hasil prediksi terbaik dari model JST alternatif ini adalah pada biskuit keras untuk
42
kemasan kaleng dan alumunium foil (1,05% dan 0,81%) serta cookies untuk kemasan plastik (0,21%). Namun secara umum, hasil prediksi terbaik adalah untuk cookies pada kemasan plastik. Sehingga dapat disimpulkan bahwa model JST alternatif ini relatif lebih baik memprediksi masa kadaluarsa cookies dalam kemasan plastik dibandingkan biskuit dalam kemasan lainnya. Salah satu hal yang menyebabkan hal ini terjadi, diduga karena terwakilinya semua range masa kadaluarsa dari data training untuk cookies dalam kemasan plastik. Sehingga hasil prediksi memberi error yang kecil. 14,00
12,74
Rata-rata error (%)
12,00 9,14
10,00 8,00 6,00
3,17
4,00 2,00 0,00 Jenis 1Kemasan Kaleng
Alumunium foil
Plastik
Gambar 5.2 Rata-rata error prediksi model uji JST pada kemasan yang berbeda 4,00 Rata-rata error (%)
3,50
3,55 3,08
3,34
3,00 2,50 2,00 1,50
1,05
1,00 0,50 0,00 Jenis 1biskuit Wafer
Cookies
Crackers
Biskuit keras
Gambar 5.3 Rata-rata error prediksi model uji JST pada kemasan kaleng
43
8,00 Rata-rata error (%)
7,00
6,85
6,00 5,00 4,00 3,00 1,59
2,00
1,55 0,81
1,00 0,00 Jenis 1biskuit Wafer
Cookies
Crackers
Biskuit keras
Gambar 5.4 Rata-rata error prediksi model uji JST pada kemasan alumunium foil 1,60
1,38
Rata-rata error (%)
1,40 1,20 1,00 0,80
0,78
0,60
0,47
0,40
0,21
0,20 0,00 Jenis 1biskuit Wafer
Cookies
Crackers
Biskuit keras
Gambar 5.5 Rata-rata error prediksi model uji JST pada kemasan plastik Prediksi masa kadaluarsa biskuit secara real time dengan integrasi sensor dielektrik dan jaringan syaraf tiruan Di dalam perspektif ilmu pengetahuan dan teknologi, sistem cerdas merupakan bagian dari bidang inteligensia semu (Artificial Intelligence/AI). Berbeda dengan program komputer biasa, sistem cerdas dapat digunakan untuk memecahkan masalah yang tidak terstruktur dan dimana tidak ada suatu prosedur tertentu untuk memecahkan masalah tersebut. Pengertian cerdas dalam sistem kecerdasan buatan manusia berbeda dengan pengertiannya pada kehidupan manusia sehari-hari. Cerdas bagi manusia berarti manusia memiliki suatu pola atau rencana pikiran yang tergantung kepada masing-masing individu, sedangkan dalam lingkup kecerdasan buatan kata cerdas berarti bahwa sistem buatan tersebut mampu menjalankan program-program yang memang sengaja dibuat cerdas. Pada pengintegrasian JST dengan sensor dielektrik, kinerja prediksi yang dihasilkan cukup akurat, meskipun arsitektur JST yang digunakan memiliki kinerja pengujian yang tidak terlalu tinggi. Hal ini mengindikasikan bahwa arsitektur JST tersebut masih cukup baik digunakan sebagai perangkat prediksi.
44
Desain JST cenderung menghasilkan bobot keluaran yang mendekati nilai masa kdaluwarsa biskuit yang dihasilkan. Adanya faktor frekuensi turut mempengaruhi nilai dielektrik yang dihasilkan sehingga untuk mengurangi fluktuasi pembacaan nilai kapasitansi dari sensor dielektrik diperlukan perancangan satu nilai frekuensi dari sensor, meskipun hal tersebut cukup kompleks. Fluktuasi pembacaan nilai kapasitansi, diduga dapat mempengaruhi pembelajaran JST saat pengujian dan pemverifikasian data.
6 SIMPULAN DAN SARAN
Simpulan Parameter dielektrik terbaik untuk penentuan masa kadaluarsa biskuit adalah kapasitansi paralel (Cp). Rangkaian CC (Constant current) yang beroperasi pada frekuensi 42 - 351,65 Hz dan frekuensi 4721,13 – 50054,56 Hz, terbaik untuk mendeteksi masa kadaluarsa biskuit. Hasil ini selanjutnya dijadikan dasar pendesainan alat ukur masa kadaluarsa biskuit berbasis sifat dielektrik dengan rangkaian RC. JST yang dikombinasikan dengan parameter dielektrik sangat baik untuk memprediksi masa kadaluarsa biskuit dengan kinerja pelatihan MSE 9,8648 x 10-5 dan R 99,80%. Arsitektur yang menghasilkan kinerja pelatihan terbaik adalah JST dengan 5 hiden layer, 10 node per hidden layer, fungsi aktivasi hidden layer tansig, fungsi aktivasi output layer purelin, fungsi pembelajaran trainlm dan 86 epoch. Pengintegrasian JST dan sensor dielektrik telah mampu memprediksi masa kadaluarsa biskuit secara real time. Kinerja sistem real time cerdas yang didesain dalam memprediksi masa kadaluarsa biskuit cukup akurat. Saran Proses pembelajaran secara paralel dari semua parameter desain arsitektur JST dapat dicoba untuk mendapatkan kinerja yang lebih akurat (MSE < 0,0001 dan R > 99%) dengan waktu lebih singkat. Perbaikan kinerja JST dapat dicobakan juga untuk jumlah node dan hidden layer yang lebih banyak dengan goal yang lebih kecil (<10-4). Alternatif lain untuk meningkatkan kinerja JST adalah menambah data (minimal 10) pada frekuensi yang bervariasi untuk setiap sampel dan masa kadaluarsa. Frekuensi sensor yang diset pada satu nilai juga dapat dicoba untuk mengurangi fluktuasi nilai kapasitansi yang diukur dan meningkatkan kinerja pengujian JST. Untuk data input masa kadaluarsa pada JST, perlu dicoba dengan menggunakan nilai kadaluarsa versi laboratorium dan tidak dengan versi produsen agar nilai prediksi lebih valid. Perlu juga dikaji korelasi sifat dielektrik dengan AW (aktifitas air) agar aplikasi sistem ini dapat lebih luas. Parameter dielektrik phase dapat dicoba sebagai alternatif dasar pengukuran sensor, sehingga lebih meningkatkan akurasi.
45
DAFTAR PUSTAKA
[BPOM] Badan Pengawasan Obat dan Makanan. 2010. Audit BPOM : Makanan Kadaluwarsa Mayoritas Jenis Biskuit, Coklat dan Permen. [diacu 2012 Januari 7]. Tersedia dari: http://www.detiknews.com/read/2010/09/05/ 095925/1435192/10/makanan-kadaluwarsa-mayoritas-jenis-biskuit-coklatpermen. Berbert PA, Queiroz DM, Sousa EF, Molina MB, Melo EC, Faroni LRD. 2001. Dielectric properties of parchment coffee. Journal of Agricultural Engineering Research, 80(1):65-80. Bila S, Y Harkouss, Y Ibrahim M, Rousset J, N‟Goya E, Baillargeat D, Verdeyme S, Aubourg M, Guillon P. 1999. An accurate wavelet neural-network-based model for electromagnetic optimization of microwave circuits. International Journal of RF and Microwave Computer-Aided Engineering. 93: 297–306. Bhothmange M, Shastri P. 2011. Application of artificial neural networks to food and fermentation technology. Artificial Neural Networks - Industrial and Control Engineering Applications. Intech, April 2011. Chen Y, Donald AJ. 2000. An empirical study on estimators for liniear regression analysis in fisheries and ecology. Fisheriees Research, 49:193206. Cordoba BV, GE Arteaga, S Nakai. 1995. Predicting milk shelf-life based on artificial neural networks and headspace gas chromatographic data. Journal of Food Science. 60(5): 885–888. Coulibaly P, Bobe´e B, Anctil F. 2001. Improving extreme hydrologic events forecasting using a new criterion for artificial neural network selection. Hydrocarbon Processing. 15:1533–1536. De Canete JF, S Gonzalez-Perez, P del Saz-Orozco. 2008. Software tools for system identification and control using neural networks in process engineering. World Academy of Science, Engineering and Technology, No 47. Desai, KM, Survase, Shrikant A, Saudagar, Parag S, Lele SS, Singhal RS. 2008. Comparison of artificial neural network (ann) and response surface metodhology (rsm) in fermentation media optimizatition : case study of fermentative production of scleroglucan. Biochemical Engineerning Journal, 41:266-273. Floros JD dan V Gnanasekharan. 1993. Shelf Life Prediction of Packaged Foods: Chemichal, Biological, Physical, and Nutritional Aspects. G. Chlaralambous (Ed.). Elsevier Publ., London. Goyal S, GK Goyal. 2011a. Radial basis artificial neural network computer engineering approach for predicting shelf life of brown milk cakes decorated with almonds. International Journal of Latest Trends in Computing. 23: 434- 438.
46
Goyal S, GK Goyal. 2011b. Advanced computing research on cascade single and double hidden layers for detecting shelf life of kalakand: an artificial neural network approach. International Journal of Computer Science and Emerging Technologies. 2(5):292-295. Goyal S, GK Goyal. 2011c. A new scientific approach of intelligent artificial neural network engineering for predicting shelf life of milky white dessert jeweled with pistachio. International Journal of Scientific and Engineering Research. 2(9):1-4. Goyal S, GK Goyal. 2011d. Simulated neural network intelligent computing models for predicting shelf life of soft cakes. Global Journal of Computer Science and Technology 11(14):28-33. Goyal S, GK Goyal. 2012. A novel method for shelf life detection of processed cheese using cascade single and multi layer artificial neural network computing models. ARPN Journal of Systems and Software. 2(2):79-83. Guo W, G Tiwari, J Tang, S Wang. 2008. Frequency, moisture and temperaturedependent dielectric properties of chickpea flour. Biosystems Engineering, 101(2008):217-224. Harmen.2001. Rancang Bangun Alat dan Pengukuran Nilai Dielektrik pada Kisaran Frekuensi Radio. [Tesis]. Program Pascasarjana IPB. Harmen, AH Tambunan, Y Sebastian. 2004. Rancang Bangun Alat Ukur Nilai Dielektrik pada Kisaran Frekuensi Radio untuk Bahan pertanian. Laporan Penelitian Hibah Bersaing Tahun 2004. Politeknik Negeri Lampung 2004. Hartono D. 2008. Real Time System (RTS). [diacu 2013 Januari 16]. Tersedia dari http://dwiishartono.wordpress.com/2008/09/17/ real-time-systemrts. Herv's CG,Zurera, Garcfa RM, Martinez JA. 2001. Optimization of computational neural network for its application in the prediction of microbial growth in foods, Food Science and Technology International, 7: 159-163. Hu X, Xuyin W, Lijun S. and Zhichao X. 2009. A real-time intelligent system for order processing in b2c e-commerce. International Journal Of Innovative Computing. Information and Control, 5(11(A)):3691–3706. Ikediala, JN, Tang J, Drake SR, Neven LG. 2000. Dielectric properties of apple cultivars and codling moth larvae. Transactions of the ASAE, 43:1175-1184. Kira K, Rendell LA. 1992a. Practical approach to feature selection. proceedings of the ninth international conference (ml92). Morgan Kaufmann Publishers Inc., 249-256. Kira K, Rendell LA. 1992b. The feature selection problem : traditional methods and a new algorithm. Proceedings of Tenth National Conference on Artificial Intelligence. MIT Press, 129-134. Ko S-H, Eun-Young Park, Kee-Young Han, Bong-Soo Noh, Suk-Shin Kim. 2000. Development of neural network analysis program to predict shelf-life of soymilk by using electronic nose. Food Engineering Progress, 4(3):193198.
47
Kononenko I. 1994. Estimating attributes: analysis and extensions of Relief. In: L.De Raedt and F. Bergadano (eds.): Machine Learning. ECML-94:171– 182, Springer Verlag. Krishnakumar K. 2003. Intelligent systems for aerospace engineering-an overview. NASA Technical Report. Intelligent Systems for Aeronautics Conference 2003. Lee CY.
2007.
RC Circuits. [diacu 2013 Agustus 26]. Tersedia dari :
http://www.isu.edu.tw/upload/52/35/files/dept_35_lv_2_4168.pdf
Li X, AS Zyuzin,AV Mamishev. 2003. Measuring moisture content in cookies using dielectric spectroscopy. Electrical Insulation and Dielectric Phenomena, 2003 Annual Report:459–462. Liu Y, Tang J, Zhihuai M. 2009. Analysis of bread dielectric properties using mixture equations. Journal of Food Engineering, 93:72-79. Mathworks. 2010. MATLAB Release 2010b. http://www.mathworks.com Muhidin AH, Indra J, T Hestirianoto. 2007. Identifikasi kawanan ikan lemuru dari data hidroakustik dengan metode jaringan syaraf tiruan. Torani, 17(3):181-192. Meshram CN. 2008. Studies on Dehydration of Agro Based Products Using Radio Frequency Dryer, M.Tech (ChemTech.) [Thesis], Nagpur University. Nelson SO. 2008. Dielectric properties of agricultural products and some applications. RES. AGR. ENG., 54(2): 104–112. Nelson SO, S Trablesi. 2012. Factors influencing the dielectric properties of agricultural and food products. Journal of Microwave Power and Electromagnetic Energy. 46(2):93-107. Park EY, Bong-Soo Noh, Sanghoon Ko. 2002. Prediction of self life for soynean curd by the electronic nose and artificial neural network system. Food Science and Biotechnology, 11(3):245-251. Robnik-Sikonja M, I. Kononenko. 2003. Theoretical and empirical analysis of ReliefF and RReliefF. Machine Learning Journal, 53:23-69. Robertson GL. 2010. Food Packaging and Shelf Life: A Pratical Guide. Boca Raton, Florida: CRC Press. Rojek I. 2008. Neural networks as prediction models for water intake in water supply system. ICAISC 2008, LNAI 5097:1109–1119. Siang JJ. 2009. Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab. Andi Offset, Yogyakarta. Sosa-Morales ME, Valerio-Junco L, López-Malo A, HS García. 2010. Dielectric properties of foods: reported data in the 21st century and their potential applications. LWT - Food Science and Technology, 43(2010):1169-1179 Subarna D. 2009. Aplikasi jaringan neural untuk pemodelan dan prediksi curah hujan. Berita Dirgantara, 10 (1):13-18.
48
Santoso I, U Effendi, C Fauziya. 2007. Penerapan jaringan syaraf tiruan untuk peramalan permintaan komoditas karet di Perkebunan Nusantara XII Surabaya. Jurnal Teknologi Pertanian, 8(1):46-54. Siripatrawan U, Harte BR. 2007. Solid phase microextraction/gas chromatograph/mass spectrometer coupled with discriminant factor analysis and multilayer perceptron neural network for detection of Escherichia coli. Analytica Chimica Acta, 581:63–70. Siripatrawan U, Linz J, Harte BR. 2004. Rapid method for prediction of Escherichia coli numbers using an electronic sensor array and an artificial neural network. Journal of Food Protection, 67:1604–1609. Siripatrawan U, Jantawat P. 2008. A novel method for shelf life prediction of a packaged moisture sensitive snack using multilayer perceptron neural network. Expert Systems with Applications, 34(2):1562-1567. Toyoda K. 2003. The Utilization of Electric Properties. In: Sumio, K. (Ed). The Handbook Of Non-Destructive Detection. Science forum, Tokyo: 108–126 (Chapter 8) SPSS. 2007. SPSS for Windows Release 16.0.[http://www-01.ibm.com/software/ analytics/spss/]. Terra MH, Tino´s R. 2001. Fault detection and isolation in robotic manipulators via neural networks: a comparison among three architectures for residual analysis. Journal of Robotic Systems, 18:357–374. Wang S, Tang J, Johnson JA, Mitcham E, Hansen JD, Hallman G, Drake SR, Wang Y, 2003. Dielectric properties of fruits and insect pests as related to radio frequency and microwave treatments. Biosystems Engineering, 85(2):201-212. Weka. 2010. Waikato Environment for Knowledge http://www.cs.waikato.ac.nz/~ml/weka/ [1 Mei 2011].
Analysis.
Wiryadinata R, DA Ratnawati. 2005. Simulasi jaringan syaraf tiruan berbasis metode backpropagation sebagai pengendali kecepatan motor DC. Prosiding Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005).Yogyakarta 18 juni 2005.
49
Lampiran 1 Coding program MATLAB lengkap desain model JST clear all; close all; clc; %DATA data=xlsread('D:\ummi\my desertasi\Penelitian\prediksiMKnorm0,1\transformSort.xlsx',1,'J:O' ); input=data(1:288,1:5); output=data(1:288,6); input=input'; output=output'; %INISIALISASI JARINGAN nodehidden1=10; nodehidden2=10; nodehidden3=10; nodehidden4=10; nodehidden5=10; nodeoutput=1; fgsaktivhidden1='tansig'; fgsaktivhidden2='tansig'; fgsaktivhidden3='tansig'; fgsaktivhidden4='tansig'; fgsaktivhidden5='tansig'; fgsaktivoutput='purelin'; fgstrain='trainlm'; epo=1000; goa=1e-4; lrate=0.05; for i=1:3 net_bagi=newff(minmax(input),[nodehidden1,nodehidden2,nodehidden3, nodehidden4,nodehidden5,nodeoutput],{fgsaktivhidden1,fgsaktivhidde n2,fgsaktivhidden3,fgsaktivhidden4,fgsaktivhidden5,fgsaktivoutput} , fgstrain); net_bagi=init(net_bagi); %PREDIKSI TANPA LATIHAN disp(i) disp('prediksi tanpa latihan') y=sim(net_bagi,input); [y,Pf,Af,e,perf]=sim(net_bagi,input,[],[],output); mean_square_errornotrain=mse(e)
%PREDIKSI DENGAN LATIHAN net_bagi.trainParam.epochs=epo; net_bagi.trainParam.goal=goa; net_bagi.trainParam.show=100; net_bagi.trainParam.lr=lrate; net_bagi.trainParam.min_grad=1e-100;
50
net_bagi.trainParam.mu_max=1e+100; net_bagi=train(net_bagi,input,output); disp('prediksi dengan latihan') [ytrain,Pftrain,Aftrain,etrain,perftrain]=sim(net_bagi,input,[],[] ,output); mean_square_errortrain=mse(etrain) [m,b,r]=postreg(ytrain,output); R=r R2=r^2 save net_bagi.mat end
%DATA PENGUJIAN inputuji=data(289:360,1:5); outputuji=data(289:360,6); inputuji=inputuji'; outputuji=outputuji'; %HASIL PREDIKSI PENGUJIAN disp('prediksi dari pengujian') yuji=sim(net_bagi,inputuji); [yuji,Pfuji,Afuji,euji,perfuji]=sim(net_bagi,inputuji,[],[],output uji) mean_square_erroruji=mse(euji) [muji,buji,ruji]=postreg(yuji,outputuji) %VERIFIKASI %dataver=xlsread('D:\ummi\my desertasi\Penelitian\prediksiMKnorm0,1\transformSort.xlsx',1,'J:O' ); inputver=data(362:373,1:5); outputver=data(362:373,6); inputver=inputver'; outputver=outputver'; %HASIL VERIFIKASI disp('prediksi dari verifikasi') yver=sim(net_bagi,inputver); [yver,Pfver,Afver,ever,perfver]=sim(net_bagi,inputver,[],[],output ver) mean_square_errorver=mse(ever)
51
Lampiran 2 Coding program MATLAB lengkap integrasi JST dengan sensor dielektrik dan desain GUI %clear all; %close all; %clc; function varargout = PrediksiGUI(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @PrediksiGUI_OpeningFcn, ... 'gui_OutputFcn', @PrediksiGUI_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before PrediksiGUI is made visible. function PrediksiGUI_OpeningFcn(hObject, eventdata, handles, varargin) handles.output = hObject; % Update handles structure guidata(hObject, handles);
% --- Outputs from this function are returned to the command line. function varargout = PrediksiGUI_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;
% --- Executes on button press in pushbutton1. function pushbutton5_Callback(hObject, eventdata, handles) %–membuat sebuah object serial pada matlab dan mengatur setting sesuai dengan setting %–di mikrokontroller
52
f=serial('COM10','BaudRate',9600,'DataBits',8,'StopBits',1,'InputB ufferSize',600); %–membuka koneksi object dengan port serial fopen(f) %–meminta user untuk memasukkan sejumlah nilai pengambilan data %SET = input('Tekan "ENTER"'); %–melakukan lopping sejumlah data yang dimasukkan %while (j<=SET) data=fread(f,400,'uint8'); %–menutup koneksi dengan serial fclose(f) %–menghapus object serial delete(f); %–menyimpan data hasil pengukuran lihat = char(data)'; n=length(data); if data(1)~= double('A') k=1; while(data(k)~=double('A')) k=k+1; end data=data(k-1:end); end if data(end)~= double('D') k2=length(data); while(data(k2)~=double('D')) k2=k2-1; end data=data(1:k2); end lihat=char(data)'; n = length(data); z=[]; i2=0; j=0; z1=[]; V11=[];V22=[];V33=[]; V1=[];V2=[];V3=[]; for i=1:n if data(i)== double('A') V11=[]; while(i2<100) i2=1+i2; if i2+i > n || data(i2+i)==double('B'),break,end V=data(i2+i); V11=[V11 V]; end V=str2double(char(V11)); V1 = [V1 V]; %i=i2+i; i2=0; end
53
if data(i)== double('B') V11=[]; while(i2<100) i2=1+i2; if i2+i > n || data(i2+i)==double('C'),break,end V=data(i2+i); V11=[V11 V]; end V=str2double(char(V11)); V2 = [V2 V]; %i=i2+i; i2=0; end if data(i)== double('C') V11=[]; while(i2<100) i2=1+i2; if i2+i > n || data(i2+i)==double('D'),break,end V=data(i2+i); V11=[V11 V]; end V=str2double(char(V11)); V3 = [V3 V]; %i=i2+i; i2=0; end
end % V3 = Vin % V2 = Vfrek % V1 = Vsen V = [V1' V2' V3'].*4.93./1023; V = mean(V); %V(1,3)=V(1,3)-1.2 Vin = (202e3+198e3)/202e3*V(3); f
= sqrt( (Vin/V(2)).^2 - 1 ) ./ (2*pi*1.977e3*10.5e-9);
VCnoninv = V(1)./(1+100.4e3./46.5e3); VClow = VCnoninv.*sqrt(1+(2*pi()*f*100e-9*559)^2); VChight = VClow.*sqrt(1+(2*pi()*f*100e9*253)^2)./(2*pi()*f*100e-9*253); C
= sqrt( (Vin/VChight).^2 - 1 ) ./ (2*pi*0.998e6*f);
Xc = 1./(2*pi*f*C); G =1./Xc; A = 4e-4;d = 0.25e-2;Eo=8.85e-12; k
= C*d/Eo/A;
set(handles.text11,'string',f); set(handles.text8,'string',C); set(handles.text21,'string',k);
54
set(handles.uipanel2,'Visible','on')
% --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close;
% --- Executes on selection change in popupmenu1. function popupmenu1_Callback(hObject, eventdata, handles) indeks=get(handles.popupmenu1,'value'); handles.indeks=indeks; guidata(hObject,handles) % --- Executes during object creation, after setting all properties. function popupmenu1_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
% --- Executes on selection change in popupmenu2. function popupmenu2_Callback(hObject, eventdata, handles) indeks2=get(handles.popupmenu1,'value'); handles.indeks2=indeks2; guidata(hObject,handles)
% --- Executes during object creation, after setting all properties. function popupmenu2_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
% --- Executes on button press in pushbutton6. function pushbutton6_Callback(hObject, eventdata, handles) load net_bagi.mat; indeks=get(handles.popupmenu1,'value'); indeks2=get(handles.popupmenu2,'value'); fr=str2num(get(handles.text11,'string')); cp=str2num(get(handles.text8,'string')); kd=str2num(get(handles.text21,'string'));
55
jkemasan=indeks; jbiskuit=indeks2; frek=(0.8*(fr-5840.3))/(6246.3-5840.3)+0.1; Cp=(0.8*(cp - (1.2075e-11)))/((2.9129e-11) - (1.2075e-11))+0.1; kdielektrik=(0.8*(kd-8.5279))/(20.5713-8.5279)+0.1; jkmsan=(0.8*(jkemasan-1))/(3-1)+0.1; jbisk=(0.8*(jbiskuit-1))/(4-1)+0.1; matrikspred=[jkmsan jbisk frek Cp kdielektrik]; matrikspred=matrikspred'; ypred=sim(net,matrikspred); hasilprediksi=(0.8*(-177)+((ypred-0.1)*(517-(-177))))/0.8; set(handles.text12,'string',hasilprediksi);
56
Lampiran 3 Petunjuk penggunaan sistem real time cerdas prediksi masa kadaluarsa biskuit (user manual) Untuk menggunakan sistem real time cerdas prediksi masa kadaluarsa biskuit, ikuti tahapan berikut : 1. Sensor dihubungkan dengan sumber listrik. 2. Hubungkan mikrokontroler dengan komputer. 3. Jalankan program prediksi dengan menekan dua kali file PrediksiGUI.fig yang terdapat pada folder C:/PrediksiMK. Sehingga muncul tampilan utama. 4. Selipkan sampel pada probe. Untuk biskuit yang diameternya lebih besar dari diameter probe, perlu ditipiskan sehingga dapat disisipkan pada probe. 5. Klik „UKUR‟ pada frame „Pengukuran‟ untuk mengukur beberapa nilai inputan frekuensi, kapasitansi dan konstanta dielektrik. Akan terlihat hasil pengukuran frekuensi, kapasitansi dan konstanta dielektrik pada text box. 6. Isi „Jenis kemasan‟ dan „Jenis biskuit‟ pada frame „Pengisisan data‟ dengan memilih item pada masing-masing input box. Pilihan Jenis kemasan yang tersedia adalah Kaleng, Alumunium foil, dan Plastik. Pilihan Jenis biskuit yang tersedia adalah Wafer, Cookies, Crackers, dan Biskuit keras.
7. Klik „PREDIKSI‟ pada frame „Keluaran‟ untuk menunjukkan hasil prediksi masa kadaluarsa biskuit tersebut dalam hari. 8. Jika akan mengukur sampel yang lain, dapat diulangi langkah 4 sampai 7. Jika telah selesai, dapat meng-klik „KELUAR‟
Selesai
Mulai
57
DAFTAR ISTILAH
A Akurasi adalah kondisi dimana rata-rata pengukuran sesuai dengan semestinya. Akurasi merupakan faktor penting dalam menilai keberhasilan data mining. Akurasi data mengacu pada tingkat nilai yang benar dalam data. Akurasi model mengacu pada derajat kesesuaian antara model dan data. Accelerated Self-Life Testing (ASLT) adalah metoda menggunakan suatu kondisi lingkungan penyimpanan yang dapat mempercepat (accelerated) terjadinya reaksi-reaksi penurunan mutu produk pangan. Analysis of Variance (ANOVA) adalah suatu metode untuk menguraikan keragaman total data menjadi komponen-komponen yang mengukur berbagai sumber keragaman. B Backpropagation adalah algoritma pembelajaran untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target yang diinginkan. Backpropagation juga merupakan sebuah metode sistematik untuk pelatihan multilayer JST karena backpropagation memiliki tiga layer dalam proses pelatihannya, yaitu input layer, hidden layer dan output layer, dimana backpropagation ini merupakan perkembangan dari single layer network (Jaringan Layar Tunggal) yang memiliki dua layer, yaitu input layer dan output layer. Dengan adanya hidden layer pada backpropagation dapat menyebabkan tingkat error pada backpropagation lebih kecil dibanding tingkat error pada single layer network. karena hidden layer pada backpropagation berfungsi sebagai tempat untuk mengupdate dan menyesuaikan bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output yang diinginkan. Biskuit adalah produk yang diperoleh dengan memanggang adonan dari tepung terigu dengan penambahan makanan lain dan dengan atau tanpa penambahan bahan tambahan pangan yang diijinkan. Cookies merupakan sinonim dengan biskuit, biasa digunakan di Amerika sedangkan biskuit digunakan di Inggris. Di Indonesia dalam hal ini Departemen Perindustrian RI membagi biskuit menjadi 4 kelompok yaitu : biskuit keras, crackers, cookies dan wafer.
58
Biskuit keras adalah jenis biskuit manis yang dibuat dari adonan keras, berbentuk pipih, bila dipatahkan penampang potongannya bertekstur padat, dapat berkadar lemak tinggi maupun rendah. C Cookies adalah jenis biskuit yang dibuat dari adonan lunak, berkadar lemak tinggi, relatif renyah dan bila dipatahkan penampang potongannya bertekstur kurang padat. Crackers adalah jenis biskuit yang dibuat dari adonan keras melalui proses fermentasi atau pemeraman, berbentuk pipih yang rasanya mengarah asin dan relatif renyah, serta bila dipatahkan penampang potongannya berlapis-lapis. Constant Current (CC) adalah arus listrik yang dialirkan tetap pada satu kuat arus, sedangkan tegangan listrik yang dialirkan berubah-ubah kekuatannya. Constant Voltage (CV) adalah tegangan listrik yang dialirkan tetap pada satu kuat tegangan, sedangkan arus listrik yang dialirkan berubah-ubah kekuatannya. D Densitas adalah ukuran kerapatan suatu zat yang dinyatakan banyaknya zat (massa) per satuan volume. Satuannya adalah satuan massa per satuan volume, misalnya kg per meter kubik atau gram per centimeter kubik. Sedangkan berat jenis adalah perbandingan relatif antara massa jenis sebuah zat dengan massa jenis air murni. Air murni bermassa jenis 1 g/cm³ atau 1000 kg/m³. Berat jenis tidak mempunyai satuan atau dimensi.
Dielektrik (dielectric) adalah sejenis bahan isolator listrik yang dapat dikutubkan (polarized) dengan cara menempatkan bahan dielektrik dalam medan listrik. Ketika bahan ini berada dalam medan listrik, muatan listrik yang terkandung di dalamnya tidak akan mengalir, sehingga tidak timbul arus seperti bahan konduktor, tapi hanya sedikit bergeser dari posisi setimbangnya mengakibatkan terciptanya pengutuban dielektrik. suatu bahan dielektrik memiliki daya hantar arus yang sangat kecil. Bahan dielektrik tidak terdapat elektron-elektron konduksi yang bebas bergerak oleh pengaruh medan listrik. Istilah "dielektrik" biasanya digunakan untuk bahan-bahan isolator yang memiliki
59
tingkat kemampuan pengutuban tinggi yang besarannya diwakili oleh konstanta dielektrik. Displacement (D) adalah perubahan posisi (kedudukan) suatu partikel dalam suatu selang waktu tertentu. E Efektif adalah pencapaian hasil yang sesuai dengan tujuan yang telah ditetapkan. Electronic nose (E-Nose) adalah instrumen yang meniru indera penciuman. Alat ini berbentuk pola sensor untuk mendeteksi dan membedakan bau yang berbeda secara akurat dalam sampel kompleks. E-nose terdiri dari 3 elemen, yaitu sistem penanganan sampel, sistem deteksi, dan sistem pengolahan data. Epoch adalah suatu langkah ulangan yang dilakukan dalam pembelajaran pada JST. Extended Storage Studies (ESS) adalah penentuan tanggal kadaluarsa dengan jalan menyimpan suatu seri produk pada kondisi normal seharihari sambil dilakukan pengamatan terhadap penurunan mutunya (usable quality) hingga mencapai tingkat mutu kadaluarsa. Metode ini disebut juga metode konvensional. Expert Systems (Sistem pakar) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer agar komputer dapat menyelesaikan masalah seperti biasa yang dilakukan oleh para ahli. F Faktor Kehilangan dielektrik (dielectric loss factor) adalah sifat menghamburkan energi listrik. Feature Selection adalah metode penganalisaan data untuk memilih fitur yang berpengaruh (fitur optimal) dan mengesampingkan fitur yang tidak berpengaruh. Formulasi adalah istilah yang digunakan dalam berbagai penggunaan. Pada dasarnya adalah menggabungkan berbagai komponen dalam hubungan yang benar berdasarkan suatu formula. Fungsi Aktivasi adalah operasi matematik yang dikenakan pada sinyal output y. Frekuensi adalah banyak getaran yang dihasilkan suatu benda dalam satu detik.
60
Fungsi Linier adalah suatu fungsi yang variabelnya berpangkat satu atau suatu fungsi yang grafiknya merupakan garis lurus. Fungsi Non Linier adalah fungsi yang grafiknya tidak berupa garis lurus.
G Goal adalah tujuan (MSE) yang akan dicapai dalam JST. Graphical User Interface (GUI) adalah antarmuka pada sistem operasi atau komputer yang menggunakan menu grafis agar mempermudah para pengguna-nya untuk berinteraksi dengan komputer atau sistem operasi. H Hidden layer merupakan lapisan tersembunyi dalam jaringan syaraf tiruan (JST) yang memiliki bobot tertentu. High pass filter adalah rangkaian yang melewatkan isyarat yang berada di atas frekuensi cut off (tinggi) dan menahan frekuensi rendah.
I Impedansi (Impedance) listrik merupakan kompleks konduktansi dan kapasitansi yang berlawanan dengan arus listrik. Impedansi memiliki komponen resistif dan kapasitif. Kompleks dari resistansi dan reaktansi. Sebuah unit pengukuran dengan menggunakan arus AC (I) ke sistem elektroda dan mengukur tegangan yang dihasilkan (V) di elektroda, impedansi (Z) hanya diberikan arus AC, dan sesuai hukum Ohm: Z = V / I. Induktansi adalah sifat dari rangkaian elektronika yang menyebabkan timbulnya potensial listrik secara proporsional terhadap arus yang mengalir pada rangkaian tersebut. Sifat ini disebut sebagai Induktansi seri (Ls). Sedang apabila potensial listrik dalam suatu rangkaian ditimbulkan oleh perubahan arus dari rangkaian lain disebut sebagai Induktansi parallel (Lp). Interface (antar muka) adalah sarana atau medium yang digunakan untuk menghubungkan antara perangkat mikroprosesor agar dapat berkomunikasi dengan pengguna (user).
61
J Jaringan Syaraf Tiruan adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik nonlinier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
K Kadar air adalah persentase kandungan air suatu bahan yang dapat dinyatakan berdasarkan berat basah (wet basis) atau berat kering (dry basis). Biasanya kadar air dinyatakan dalam persen. Kadar air basis basah adalah berat air dalam 100 gram berat bahan. Kadar air basis kering adalah air yang diuapkan setelah dikeringkan. Jumlah air yang diuapkan adalah berat bahan sebelum pengeringan dikurangi berat bahan setelah pengeringan. Kadaluarsa adalah sudah lewat ataupun habisnya jangka waktu sebagaimana yang telah ditetapkan dan apabila dikonsumsi, maka makanan tersebut dapat membahayakan bagi kesehatan yang mengkonsumsinya (Kamus Bahasa Indonesia edisi Ketiga) Kapasitansi (capacitance) adalah kemampuan kapasitor menyimpan energi dalam medan listrik. Kapasitansi bahan bervariasi tergantung frekuensi yang diberikan saat pengukuran. Kapasitansi seri (Cs) adalah kapasitor yang dirangkai seri. Kapasitansi parallel (Cp) adalah kapasitor yang dirangkai paralel. Kecerdasan Buatan (Artifial Intelligence) adalah salah satu cabang Ilmu pengetahuan berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal Ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan/Inteligensia manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer.
62
Kerentanan (X) adalah ukuran seberapa mudah bahan ini dikutubkan dalam medan listrik, yang pada akhirnya menentukan permitivitas listrik sehingga mempengaruhi sifat-sifat lain dalam bahan dielektrik tersebut, misalnya nilai kapasitansi jika dipergunakan dalam kapasitor. sebuah konstanta perbandingan antara medan listrik E dan pengkutuban bahan dielektrik P. Kinerja (performance): tingkat kemampuan karakteristik utama produk. Kinerja (performance) suatu algoritma dalam data mining antara lain ditunjukkan oleh akurasi (lihat akurasi). Koefisien korelasi (correlation coefficient) atau r menunjukkan kekuatan hubungan satu variabel dengan variabel lain. Dalam tulisan ini, r menunjukkan korelasi antara hasil prediksi menggunakan teknik JST yang digunakan dengan data asli. Koefisien regresi adalah koefisien hasil analisis regresi untuk masing-masing variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable dependen dengan suatu persamaan. Koefisien regresi dihitung dengan dua tujuan yaitu untuk meminimumkan penyimpangan antara nilai actual dan nilai estimasi variable dependen; dan untuk mengoptimalkan korelasi antara nilai aktual dan nilai estimasi variable dependen berdasarkan data yang ada. Kondisi rangkaian adalah kondisi susunan komponen-komponen elektronika yang dirangkai dengan sumber tegangan menjadi satu kesatuan yang memiliki fungsi dan kegunaan tertentu pada arus tetap atau tegangan tetap. Konduktansi (conductance) menunjukkan kemampuan bahan mengalirkan muatan listrik. Dalam standar internasional (SI) satuannya siemens (S). Konduktansi kebalikan dari resistansi atau G = 1/R. Konstanta dielektrik (dielectric constant) merupakan fungsi kapasitansi. Konstanta dielektrik (ε') dihitung dengan persamaan 𝜀 ′ =
𝐶𝑝 𝑑 𝐴𝜀 0
,
dimana Cp: kapasitansi bahan (F), d:jarak keping sejajar (m), A:luas plat (m2) dan ε0: permitivitas ruang bebas=8,85x10-12 (F/m). Konstanta (a) adalah besaran yang nilainya tetap, biasanya dalam bentuk bilangan. L Learning Rate adalah laju pemahaman dalam pembelaran di JST
63
Low pass filter adalah rangkaian yang melewatkan isyarat yang berada di bawah frekuensi cut off (tinggi) dan menahan frekuensi tinggi.
M Masa Kadaluarsa adalah waktu yang diperlukan oleh produk pangan, dalam kondisi penyimpanan, untuk sampai pada suatu level atau tingkatan degradasi mutu tertentu. Mean Square Error (MSE) adalah rata-rata kesalahan meramal yang dikuadratkan. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan nilai yang akan diestimasi. Perbedaan itu terjadi karena adanya keacakan pada data atau karena estimator tidak mengandung informasi yang dapat menghasilkan estimasi yang lebih akurat. Medan induksi (B) adalah kuat medan magnet akibat adanya arus listrik yang mengalir dalam konduktor. Mikrokontroler adalah sebuah chip yang berfungsi sebagai pengontrol rangkaian elektronik dan umunya dapat menyimpan program di dalamnya. Mikrokontroler umumnya terdiri dari CPU (Central Processing Unit), memori, I/O tertentu dan unit pendukung seperti Analogto-Digital Converter (ADC) yang sudah terintegrasi di dalamnya. Kelebihan utama dari mikrokontroler ialah tersedianya RAM dan peralatan I/O pendukung sehingga ukuran board mikrokontroler menjadi sangat ringkas. Mikrokontroler sering disebut single chip microcomputer. Lebih lanjut, mikrokontroler merupakan sistem komputer yang mempunyai satu atau beberapa tugas yang sangat spesifik, berbeda dangan PC (Personal Computer) yang memiliki beragam fungsi. Perbedaan lainnya adalah perbandingan RAM dan ROM yang sangat berbeda antara komputer dengan mikrokontroler. Mikrokontroler AVR ATMega 8535 adalah mikrokontroler CMOS 8 bit daya rendah berbasis arsitektur RISC. Instruksi dikerjakan pada satu siklus clock. ATMega8535 mempunyai throughput mendekati 1 MIPS per MHz. Hal ini membuat ATMega8535 dapat bekerja dengan kecepatan tinggi walaupun dengan penggunaan daya rendah. Mikrokontroler ATmega8535 memiliki beberapa fitur atau spesifikasi yang menjadikannya sebuah solusi pengendali
64
yang efektif untuk berbagai keperluan. Fitur-fitur tersebut antara lain: 1. Saluran I/O sebanyak 32 buah, yang terdiri atas Port A, B, C dan D 2. ADC (Analog to Digital Converter) 3. Tiga buah Timer/Counter dengan kemampuan perbandingan 4. CPU yang terdiri atas 32 register 5. Watchdog Timer dengan osilator internal 6. SRAM sebesar 512 byte 7. Memori Flash sebesar 8kb dengan kemampuan read while write 8. Unit Interupsi Internal dan External 9. Port antarmuka SPI untuk men-download program ke flash 10. EEPROM sebesar 512 byte yang dapat diprogram saat operasi 11. Antarmuka komparator analog 12. Port USART untuk komunikasi serial. Muatan lisrik (Q) adalah muatan dasar yang dimiliki suatu benda, yang membuatnya mengalami gaya pada benda lain yang berdekatan dan juga memiliki muatan listrik. Metode adalah sebuah pendekatan untuk melakukan pengembangan sistem, berdasar cara berpikir tertentu, yang terdiri atas arahan dan aturan, terstruktur dalam cara yang sistematis dalam kegiatan pengembangan produk atau proses. Kata „metode‟ berasal dari bahasa Yunani 'methodos', yang berarti cara penyelidikan. Metode memberikan penataan bertahap pengembangan kegiatan dan kebutuhan struktural untuk produk atau proses. Modulus Young (Y) adalah hubungan besaran tegangan tarik dan regangan tarik. Lebih jelasnya adalah perbandingan antara tegangan tarik dan regangan tarik. Modulus Young bisa digunakan untuk menentukan nilai keelastisan dari sebuah benda. Multilayer Perceptron (MLP) adalah model Jaringan Syaraf Tiruan (JST) yang memetakan data set input ke satu set output yang sesuai. MLP terdiri atas beberapa lapisan simpul (node) dalam sebuah grafik yang diarahkan, dengan setiap lapisan terhubung penuh ke simpul (node) lapisan berikutnya. Khusus simpul input, setiap simpul adalah neuron (atau elemen pemrosesan) dengan fungsi aktivasi nonlinier. MLP menggunakan teknik belajar terawasi (a supervised learning technique) yang disebut backpropagation untuk pelatihan jaringan.
65
N Node adalah elemen pemroses (processing element) pada JST. Noise adalah kondisi gangguan karena berbagai hal misalnya fluktuasi tegangan listrik. Fungsi Non Linier adalah fungsi yang grafiknya tidak berupa garis lurus. Normalisasi (normalized) adalah salah satu bentuk transformasi dari suatu relasi data yang memiliki masalah tertentu (anomali) ke dalam dua buah relasi atau lebih yang tidak memiliki masalah tersebut sehingga lebih mudah diproses lebih lanjut. Normalisasi minmaks 0-1 akan menghasilkan data dengan skala 0-1. O Offset adalah waktu di mana sesuatu yang seharusnya dimulai Operating system adalah perangkat lunak komputer atau software yang bertugas untuk melakukan kontrol dan manajemen perangkat keras dan juga operasi-operasi dasar sistem, termasuk menjalankan software aplikasi seperti program-program pengolah data yang bisa digunakan untuk mempermudah kegiatan manusia. Outlayer adalah bagian data yang tidak (atau dianggap tidak) berasal dari populasi data yang diasumsikan. Misalnya, sebuah data non numerik ketika mengharapkan nilai numerik. Output layer adalah layar yang menjadi bagian dari keluaran pada JST P Phase adalah suatu tahap yang telah dicapai oleh suatu gerak berkala dengan membandingkan dengan gerak lain yang telah dicapai oleh suatu gerak. Preprocessing data adalah teknik data mining yang melibatkan pengubahan data mentah menjadi format yang lebih dapat dimengerti. Data sering tidak lengkap, tidak konsisten, kurang, dan mengandung kesalahan. Preprocessing data menyiapkan data mentah untuk lebih mudah diproses lebih lanjut. Preprocessing data diantaranya: a.Pembersihan data (data cleaning), yakni data dibersihkan melalui proses seperti mengisi nilai yang hilang, merapikan data bising (noise), atau menyelesaikan inkonsistensi data. b.Integrasi data dari data dengan representasi berbeda
66
disatukan dan konflik dalam data diselesaikan. c.Transformasi data. d.Diskritasi mengubah atribut kontinyu menjadi atribut dengan interval tertentu. Probe adalah instrumen untuk mengukur atau memeriksa. R Rancang Bangun (design) adalah proses perencanaan yang urutan kegiatan (sistematika) suatu program. teknik deteksi adalah proses perencanaan komponen deteksi yang merupakan suatu program tersebut.
menggambarkan Rancang bangun urutan kegiatan kesatuan dari
Rangkaian elektronika adalah susunan dari komponen elektronika terkait listrik arus lemah untuk mengontrol aliran elektron atau muatan listrik dalam alat. Rangkaian RC adalah rangkaian yang menghasilkan tegangan keluaran dengan fungsi dari tegangan masukannya, resistor dan kapasitor. Rangkaian ini dapat dibangun dengan menggunakan dua buah komponen pasif, yaitu resistor dan kapasitor yang dihubungkan secara seri. Real Time (waktu nyata) adalah respon yang tepat dalam batas waktu yang telah ditentukan Regresi adalah mendeskripsikan fenomena data melalui suatu model hubungan yang bersifat numerik. Regresi dapat digunakan untuk melakukan prediksi variabel terikat. Regresi linier (linear regression) adalah metode statistika untuk membentuk model hubungan antara variabel terikat dengan satu atau lebih variabel bebas. Bila variabel bebas terdiri dari satu variabel bebas disebut regresi linier sederhana, bila lebih dari 1 variabel bebas, disebut sebagai regresi linier berganda. ReliefF adalah salah satu algoritme feature selection yang memanfaatkan teknik bobot (weight) untuk mengukur signifikansi fitur dalam konteks klasifikasi. Resistansi adalah kemampuan suatu benda untuk menahan aliran arus listrik. Resistansi seri (Rs) adalah resistor yang dirangkai seri. Resistansi parallel (Rp) adalah resistor yang dirangkai parallel.
67
Resistor feedback adalah resistor umpan balik. Resistor sendiri adalah komponen elektronik dua kutub yang didesain untuk menahan arus listrik dengan memproduksi tegangan listrik di antara kedua kutubnya, nilai tegangan terhadap resistansi berbanding dengan arus yang mengalir, berdasarkan hukum Ohm. Secara sederhana, resistor adalah komponen elektronika yang berfungsi untuk menghambat arus listrik dan menghasilkan nilai resistansi tertentu. Root Mean Squared Error (RMSE) atau simpangan baku (deviasi standar) menggambarkan sebaran data-data. RMSE merupakan akar kuadrat rata-rata simpangan data dari rata-rata yang dikuadratkan. S Sampling adalah pengambilan contoh dengan cara tertentu sehingga karakteristik contoh mewakili produk secara keseluruhan Sensor adalah alat untuk mendeteksi atau mengukur sesuatu, yang digunakan untuk mengubah variasi mekanis, magnetis, panas, sinar dan kimia menjadi tegangan dan arus listrik. Sifat listrik (electrical properties) bahan merupakan respon bahan terhadap medan listrik, seperti konduktansi, impedansi, dan kapasitansi. Simpul (node) adalah sebuah titik keputusan dalam klasifikasi misalnya, pohon keputusan. Simpul merupakan sebuah titik dalam jaring saraf tiruan (JST) yang menggabungkan masukan dari titik lain untuk menghasilkan output melalui fungsi aktivasi tertentu. Sistem Real Time Cerdas adalah sistem real time yang menggunakan Expert Systems/Kecerdasan Buatan/Artifial Intelligence atau Kendali Cerdas dalam menghasilkan informasi T Tegangan adalah beda potensial listrik adalah perbedaan potensial listrik antara dua titik dalam rangkaian listrik. Tegangan listrik merupakan ukuran beda potensial yang mampu membangkitkan medan listrik sehingga menyebabkan timbulnya arus listrik dalam sebuak konduktor listrik. Teknik adalah prosedur, yang mungkin disimbulkan dengan notasi tertentu, untuk melakukan pengembangan kegiatan. Teknik terkait aspek representasi pengembangan dan prosedural. Contoh teknik
68
pemodelan data dengan diagram hubungan entitas, interview dengan bahasa sederhana, diagram tindakan. Teknik-teknik dapat diklasifikasikan dalam beberapa cara terkait tingkat formalitas notasi atau terkait jenis kegiatan pengembangan yang mendukung, misalnya pemodelan data, proses, dan desain interaksi. V Valid adalah menurut cara yg semestinya; sahih Validasi (validation) adalah tindakan yang dilakukan untuk mengonfirmasi apakah sistem telah dilaksasnakan. Termasuk melakukan pengujian hasil dan kalibrasi alat. Validasi silang (cross validation) adalah metode untuk memperkirakan akurasi klasifikasi atau model regresi dengan membagi data set (kumpulan data) menjadi beberapa bagian, dengan setiap bagian digunakan untuk menguji model. Variabel adalah suatu besaran yang dapat diubah atau berubah sehingga mempengaruhi peristiwa atau hasil penelitian. Variabel bebas adalah variabel yang mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel dependen(terikat). Variabel ini biasa disebut juga variabel eksogen. Variabel terikat adalah variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel bebas. Verifikasi (verification) adalah tindakan yang dilakukan untuk menilai apakah segala sesuatu (misalnya proses, bahan, dsb) telah berada pada jalur yang benar. W Wafer adalah jenis biskuit yang dibuat dari adonan cair, berpori-pori kasar, relatif renyah dan bila dipatahkan penampang potongannya beronggarongga. Waktu komputasi (running time) adalah waktu yang dibutuhkan suatu algoritma tertentu untuk mencapai hasil sesuai iterasi yang ditetapkan. Biasanya merupakan fungsi dari jumlah input yang diproses.
69
RIWAYAT HIDUP Penulis dilahirkan di Ternate pada tanggal 13 Februari 1975 sebagai anak kelima dari enam bersaudara dari pasangan H. Muhamad Saleh, BSc. (Alm) dan Hj. Djariah Musytari (Almh). Pendidikan menengah ditempuh di SMP Negeri 1 Ternate dan SMA Negeri 1 Ternate. Pendidikan sarjana ditempuh di Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian IPB, pada tahun 19931998. Pada tahun 2000, penulis diterima pada Program Studi Teknologi Industri Pertanian, Program Pascasarjana IPB dan menamatkannya pada tahun 2004. Pendidikan program doktor ditempuh pada program studi dan perguruan tinggi yang sama tahun 2010. Beasiswa program pascasarjana diperoleh dari Dirjen DIKTI dengan beasiswa DN-BPPS. Pada Agustus 2004 penulis bekerja sebagai staf pengajar pada Universitas Khairun, Ternate dan diangkat menjadi Pegawai Negeri Sipil pada Januari 2005 dengan unit kerja Program Studi Teknologi Hasil Pertanian FAPERTA UNKHAIR. Sebelumnya, penulis pernah bekerja sebagai staf pengajar pada Universitas Islam Negeri Syarif Hidayatullah, Jakarta tahun 2002-2003 dan pada Politeknik PP. Darul Fallah, Bogor tahun 2001-2003. Disertasi ini memuat bagian yang merupakan pengembangan dari naskah artikel yang diajukan pada berkala ilmiah nasional terakreditasi dan internasional. Bab 2 dikembangkan menjadi berjudul “Seleksi Parameter Dielektrik Penentuan Masa Kadaluarsa Biskuit (Wafer) dengan Pendekatan Regresi Linier, Feature Selection (ReliefF) dan Artificial Neural Network”, sedang dalam proses review di Jurnal Teknologi Industri Pertanian. Bab 3 dikembangkan menjadi berjudul “Prediksi Masa Kadaluarsa Wafer dengan Artificial Neural Netwok (ANN) Berdasarkan Parameter Nilai Kapasitansi”, siap diterbitkan pada Jurnal Agritech Volume 33 No 4 pada bulan November 2013. Bagian naskah yang belum dipublish, telah disubmit pada tanggal 15 Juli 2013 di Journal of Food Engineering dengan judul “Utilization of Low-Frequency Capacitance Sensor Integrated with Artificial Neural Network for Real Time Prediction of Biscuit Shelf-Life”.
