METODE PENELITIAN Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Maret – Juni 2010, di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, FATETA-IPB, dan di Laboratorium Pascapanen Balai Besar Pengembangan Mekanisasi Peratnian, Badan Litbang, Kementerian Pertanian.
Bahan dan Alat Penelitian Bahan Bahan yang digunakan dalam penelitian ini adalah jarak pagar dari Kebun Percobaan Natar, Balai Pengkajian Teknologi Pertanian (BPTP-Lampung), Badan Litbang, Kementerian Pertanian. Natar, Provinsi Lampung. Bahan kimia yang digunakan dalam penelitian ini meliputi heksan, alkohol 95%, phenolphthalein 1% dan NaOH 0.1 N.
Alat Alat yang digunakan dalam penelitian ini adalah : 1. Satu unit NIR Spectroscopy merek NIRFlex N-500, diproduksi oleh BÜCHI Labortechnik AG, Switzerland. 2. Soklet Aparatus (Soklet, labu lemak 250 ml, hot plate, selang, kertas saring) 3. FFA Aparatus (Buret, pipet, pengaduk, pinset, gelas ukur 100 ml, erlemeyer 350 ml) 4. Peralatan pendukung (Static stand, Oven, timbagan digital (0-200 gram, ketelitian 0.001 gram), thermometer, stopwatch) 5. Kantong plastik 6. Mesin press kapasitas 10 ton, holder sampel dan kain saring.
22
Prosedur Penelitian Persiapan Sampel Bahan utama dalam penelitian ini adalah biji jarak pagar varietas IP1P yang dikembangkan oleh Pusat Penelitian Tanaman Perkebunan, Badan Litbang, Kementerian Pertanian dan ditanam di Kebun Percobaan BBTP-Lampung. Biji jarak pagar yang digunakan terdiri dari lima tingkat kematangan yang diindikasikan dengan warna kulit buah. Lima tingkat kematangan tersebut adalah warna hijau, hijau-kuning, kuning, kuning-hitam dan hitam kering. Sampel yang digunakan dalam penelitian ini dipetik langsung disortasi dan dikupas di lapangan. Jumlah sampel adalah 105 sampel, 21 sampel untuk tiap tingkat kematangan, masing-masing sampel seberat 250 gram. Penerapan perbedaan tingkat kematangan untuk mendapatkan perbedaan atau variasi data yang lebih lebar agar dalam pembuatan model kalibrasinya dapat mewakili kondisi sesungguhnya. Persiapan Instrumen NIR Instrumen NIR yang digunakan dalam penelitian ini adalah NIRFlax N500 dengan mode petri solids dan pada kisaran panjang 1000-2500 nm dengan resolusi 1 nm. Instrumen NIR yang digunakan disambungkan ke komputer dan dan bagian petri modenya dipasangkan. Mekanisme instrumen NIR seperti gambar berikut:
1. 2. 3. 4. 5. 6.
Detector Magnet sensor Status LED START button STOP button Internal reference
7. 8. 9. 10. 11.
Magnetic coding Sample Petri dish Petri dish holder Rotary plate
12. 13. 14. 15. 16. 17.
Motor Optic 1 Light barrier Mirror 1 Mirror 2 Optic 2
Gambar 4. Bagian-bagian NIRFlax petri solid
23
Pengukuran Spektra Reflektan NIR Pengukuran spektra NIR bertujuan untuk mendapatkan data spektra dari semua sampel, pengukuran dilakukan dalam 3 tahap yaitu pada hari ke-1, ke-3 dan ke-5 untuk tiap tingkat ketuaan sampel. Hal ini dilakukan untuk mendapatkan perbedaan karakteristik sampel, sedangkan perlakuan terhadap sampel adalah dengan mengangin-anginkan pada suhu ruang (25-28oC).
Gambar 5. NIR spectroscopy dan pengambilan data spektra.
Setiap sampel dilakukan 3 kali pengambilan spektra (3 kali scan) sehingga jumlah spektra yang dihasilkan dari total 105 sampel biji jarak adalah 315 spektra. Sejumlah 70 sampel (210 spektra) digunakan untuk proses kalibrasi dan 35 sampel (105 spektra) digunakan untuk validasi. Sampel yang digunakan untuk kalibrasi dan validasi adalah sampel yang berbeda. Selama proses pengambilan data reflektan, tempat sampel akan berputar sejauh 360o searah jarum jam kemudian berputar kearah berlawanan sejauh 360o dan berhenti di tempat semula menandakan pengambilan data selesai dilakukan. Data tersimpan ke komputer dan disajikan dalam bentuk grafik spektra dan selanjutnya dirubah ke dalam format Microsoft Excel dan diolah lebih lanjut untuk penentuan PCA dan pengembangan model JST.
Pengukuran Sifat Kimia Biji Jarak Pagar Secara Destruktif Pengukuran bilangan asam dan asam lemak bebas (AOAC 1995) Bilangan asam adalah jumlah NaOH (mg) yang dibutuhkan untuk menetralkan asam lemak dalam satu gram contoh.
24
Prosedur pengukuran adalah minyak yang akan diuji ditimbang 2-5 gram dalam Erlemeyer 350 ml, ditambahkan 50 ml alkohol netral 95%, kemudian dipanaskan selama 10 menit dalam pemanas air sambil diaduk. Setelah ditambahkan indikator phenolphthalein 1%, larutan dititrasi dengan larutan NaOH 0.1 N sampai tepat berwarna merah jambu yang tidak hilang dalam beberapa detik. Selanjutnya jumlah NaOH (mg) yang digunakan untuk menetralisir asam lemak bebas dalam 1 gram minyak atau lemak di hitung. Perhitungan : × ×
=
(%) =
Keterangan :
.
……………………………………(28)
× ×
.
…………………………………(29)
A
= Jumlah NaOH untuk titrasi (ml)
N
= Normalitas larutan NaOH
M
= Bobot molekul asam lemak (asam oleat = 282 gr/mol)
G
= Bobot sampel (gram)
56.1
= Bobot molekul NaOH
Pengukuran kadar air (thermogravimetri) Pengukuran
kadar
air
biji
jarak
dilakukan
dengan
metode
thermogravimetri. Prosedur pengukuran adalah cawan kosong dan tutupnya dikeringkan dalam oven dengan suhu 105oC selama 15 menit dan didinginkan dalam disikator selama 10 menit, kemudian ditimbang. Sampel yang sudah diambil data spektranya ditimbang ± 25-30 gram kemudian dimasukan kedalam cawan dan ditimbang tanpa tutup. Cawan beserta isi dan tutupnya kemudian dimasukan kedalam oven dengan suhu 105oC selama 6 jam. Selanjutnya cawan dimasukan ke desikator, ditutup lalu didinginkan dan kemudian ditimbang kembali. Cawan dikeringkan kembali di dalam oven sampai memperoleh berat yang tetap. Perhitungan kadar air menggunakan persamaan berikut : (%
ℎ) =
× 100%.....................(30)
25
Pengukuran kadar lemak (AOAC 2005) Analisa kadar lemak dilakukan dengan metode ekstraksi Soxhlet. Labu lemak yang ukurannya sesuai dengan alat exstraksi Soxhlet dikeringkan dalam oven, didinginkan dalam desikator dan kemudian ditimbang. Sebanyak 5 gram sampel yang telah dihilangkan kadar airnya ditimbang dan dibungkus dalam saringan timbel. Timbel berisi sampel dimasukan ke dalam alat ekstraksi Soxhlet, kemudian alat kondensor dipasang di atasnya dan labu lemak dipasang di bawahnya. Pelarut lemak (heksan) dituang ke dalam labu lemak secukupnya. Proses dilakukan selama minimal 5 jam sampai pelarut yang turun kembali ke dalam labu lemak berwarna jernih. Pelarut yang tertampung dalam lemak kemudian didestilasi dan ditampung. Labu lemak yang berisi lemak hasil ekstraksi dipanaskan dalam oven 105oC. Timbal berisi sampel dikeringkan dalam oven, didinginkan dalam desikator, dan ditimbang hingga mencapai berat konstan. Perhitungan yang dilakukan untuk mendapatkan kadar lemak bahan adalah sebagai berikut: (%) =
(
(
)
)
× 100%................................................(31)
Pengembangan Model Jaringan Saraf Tiruan untuk Pendugaan Kandungan Kimia Biji Jarak Data spektra NIR yang digunakan untuk pengembangan model JST adalah data reflektan dari biji jarak, data dikeluarkan dari komputer pengambilan data spektra dalam bentuk *.txt yang selanjutnya dirubah kedalam format *.xls. Sebelum data digunakan dalam program JST terlebih dahulu data diperlakukan dengan normalisasi (0-1) dan PCA. PCA digunakan untuk menghasilkan variabel baru dengan jumlah yang lebih sedikit. Dalam model JST, data spektra akan digunakan sebagai variabel input dengan jumlah 1500 data spektra, jumlah data yang sangat banyak akan menyulitkan kenerja JST sehingga dibangkitkan parameter baru dengan PCA untuk mendapatkan variabel yang lebih sedikit tanpa menghilangkan informasi yang dibawa oleh spektra tersebut. Model jaringan saraf tiruan yang digunakan dalam penelitian ini adalah model jaringan feed-forward multi layer dengan menggunakan algoritma terlatih back propagation (BP). Jaringan saraf tiruan terdiri 3 lapisan yaitu lapisan input,
26
lapisan tersembunyi dan output. Sedangkan input data akan menggunakan dilai spektra yang sudah disederhanakan dengan PCA. Algoritma ini juga disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut : ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke lapisan keluaran. Kemudian lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan kelapisan masukan. H1
NIR Spektra
I1
O1
Kadar air (%)
O2
Kandungan Minyak (%)
O3
Kandungan FFA (%)
H2
I2
Hn
In Input layer
Hidden Layer
Output layer
Gambar 6. Skematik diagram jaringan saraf tiruan.
Pelatihan Jaringan Saraf Tiruan Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf tiruan itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru bisa dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau fase pengujian. Algoritma pelatihan back propagation (BP) terdiri dari dua proses, feed forward dan back propagation dari galatnya. Dengan tahapan sebagai berikut : Langkah 0: -
Pemberian inisialisasi penimbang (diberi nilai kecil secara acak)
27
Lankah 1: -
Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi terpenuhi
Langkah 2: -
Untuk masing-masing pasangan data peltihan (training data) lakukan langkah 3 hingga 8
Propagasi maju (feed forward) Langkah 3: -
Masing-masing unit masukan (Xi, i=1,2,………….n) menerima sinyal masukan Xi dan sinyal tersebut disebar ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi)
Langkah 4: -
Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasnya : _
=
+
… … … … … … … … … … … … … … … … … … . (32)
Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan: =
_
…………………………………………………….(33)
Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah: =
1+
1
_
… … … … … … … … … … … … … … … … … . … … . . (34)
Kemudian mengirim sinyal tersebut ke semua unit keluaran Langkah 5: -
Masing-masing unit keluaran (Yk, k=1,2,3……………m) dikalikan dengan faktor penimbang dan dijumlahkan : _
=
+
… … … … … … … … … … … … … … … … … (35)
Menghitung kembali sesuai dengan fungsi aktifasi: = ( _
)…………………………………..…………………(36)
28
Back Propagation dan galatnya Langkah 6: -
Masing-masing unit keluaran (Yk, k=1,2,3……………m) menerima pola target sesuai dengan masukan saat pelatihan dan hitung galatnya: =(
) ′( _
−
)………………………..………………….(37)
Karena f’(Y_ink) = Yk menggunakan fungsi sigmoid, maka: ′( _
)= ( _
′( _
)=
Menghitung
(1 −
) 1− ( _ )
perbaikan
) ………...…………………..(38)
faktor
penimbang
(kemudian
untuk
memperbaiki Wjk) ∆
= .
…………………………………………….……….(39)
∆
= .
……………………………………………….………(40)
Menghitung perbaikan koreksi :
Dan menggunakan nilai ∂k pada semua unit sebelumnya. Langkah 7: -
Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran
dengan
unit-unit
pada
lapisan
tersembunyi
(Zk,
J=1,2,3……………p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya. _
=
… … … … … … … … … … … … … . . … … … … … . . (41)
Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat = _
′
_
………………………………….…………….(42)
Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij) ∆
=
…………………………………………….………….(43)
∆
=
……………………………………………………….…(44)
Kemudian menghitung perbaikan bias (untuk memperbaiki Voj)
Memperbaiki penimbang dan bias
29
Langkah 8: -
Masing-masing keluaran unit (Yk, k=1,2……….,m) diperbaiki bias dan penimbangnya (j = 0,1, …………..p) (
)=
(
)+∆
…………………………………(45)
Masing-masing unit tersembunyi (Zj, j=1,2……….,p) diperbaiki bias dan penimbangnya (j = 0,1,……………….,n)
Langkah 9: -
(
)=
(
)+∆
…………….……………..……….(46)
Uji kondisi pemberhentian (akhir iterasi)
Validasi Model Penduga Proses validasi digunakan untuk menguji tingkat keakuratan model jaringan saraf tiruan yang dibangun dengan menghitung nilai Root Mean of Squared Error of Prediction (RMSEP): =
− −1
… … … … … … … … . . … … . (47)
Jika dihasilkan nilai RMSEP masih besar maka dilakukan optimalisasi
pada kombinasi struktur jaringan saraf tiruan hingga mendapatkan nilai RMSEP yang sangat kecil, seperti yang dapat dilihat pada blok diagram penelitian pada Gambar 7. Pada penelitian ini program jaringan saraf tiruan yang digunakan adalah Backpropagation Neural Network yang dikembangkan oleh Rudiyanto, Budi Indra Setiawan dan Suroso tahun (2003).
30
Mulai
Persiapan : 1. Instrumen 2. Sampel
Sampel siap diukur VALIDASI
KALIBRASI
Pengukuran Nilai reflektan NIR
Pengukuran dengan metode standar sebagai acuan
Pengukuran Nilai reflektan NIR
Pengukuran dengan metode standartsebagai acuan
PCA
PCA
Model JST terlatih Model kalibrasi dengan JST Nilai duga JST Model JST terlatih VALIDASI
Tidak
RMSEP <<<
Ya Selesai Gambar 7. Blok diagram penelitian.
