RANCANG BANGUN TEKNIK DETEKSI LEMAK BABI PADA DAGING SAPI BERBASIS SIFAT LISTRIK
SUCIPTO
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa disertasi berjudul Rancang Bangun Teknik Deteksi Lemak Babi pada Daging Sapi Berbasis Sifat Listrik 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. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2013 Sucipto NIM F361080151
RINGKASAN SUCIPTO. Rancang Bangun Teknik Deteksi Lemak Babi pada Daging Sapi Berbasis Sifat Listrik. Dibimbing oleh ANAS MIFTAH FAUZI, TUN TEDJA IRAWADI, TAUFIK DJATNA, dan IRZAMAN.
Teknologi yang akurat dan sensitif untuk deteksi cemaran lemak babi pada lemak dan daging sapi penting untuk menjamin kehalalan produk pangan yang diperlukan konsumen. Karena itu, dibutuhkan teknik deteksi cemaran lemak babi yang andal. Penggunaan sifat listrik pada deteksi kualitas produk pangan, teknik data preprocessing, dan teknik klasifikasi berpeluang dimanfaatkan untuk merancang teknik deteksi lemak babi. Tujuan penelitian ini adalah untuk mendapatkan rentang frekuensi untuk pengukuran sifat listrik bahan lemak babi, lemak sapi, dan daging sapi yang berpengaruh untuk deteksi cemaran lemak babi pada daging sapi; mengembangkan teknik deteksi cemaran lemak babi pada daging sapi berbasis sifat listrik dan data mining, serta menguji akurasinya. Penelitian ini menggunakan keping sejajar dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm. Penyerapan air sampel dilakukan menggunakan Na 2SO4 anhidrat. Pengukuran sifat listrik dilakukan pada suhu kamar (26-27oC) dengan frekuensi 0,100-0,999 MHz, 1,000-3,799 MHz, 3,80-5,00 MHz. Sifat listrik yang digunakan meliputi konduktansi, impedansi, dan kapasitansi. Uji profil asam lemak menggunakan kromatografi gas sebagai pembanding penelitian ini. Beberapa teknik preprocessing menggunakan rerata, median, smoothing, normalisasi, dan diskritisasi. Teknik-teknik klasifikasi yang digunakan untuk pembedaan lemak babi dengan lemak sapi dan minyak goreng sawit meliputi naive bayes, decision tree C4.5, simple logistic, support vector machine (SVM), dan multilayer perceptron (MLP). Untuk memprediksi cemaran lemak babi pada daging sapi digunakan teknik-teknik klasifikasi meliputi regresi linier, regresi sequential minimal optimization (SMO), support vector regression (SVR), dan MLP. Hasil penelitian menunjukkan bahwa keping sejajar dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm, efektif untuk mengakuisisi data sifat listrik bahan. Penggunaan Na2SO4 anhidrat untuk menyerap air dari sampel lemak dan frekuensi pada 3,80-5,00 MHz untuk mengukur sifat listrik efektif menghasilkan data yang valid. Sifat listrik yang paling berpengaruh dalam deteksi lemak babi adalah impedansi, kapasitansi, dan konduktansi. Penggunaan teknik preprocessing normalisasi dan teknik klasifikasi MLP mampu membedakan lemak babi dari lemak sapi dan minyak goreng sawit dengan akurasi 87,52% dan root mean squared error (RMSE) 0,2394. Teknik preprocessing normalisasi dan teknik klasifikasi MLP mampu memprediksi cemaran lemak babi pada daging sapi dengan koefisien korelasi (r) 0,9985 dan RMSE 1,9708. Ke depan, kombinasi sifat listrik bahan dengan teknik preprocessing dan teknik klasifikasi yang tepat berpeluang digunakan untuk mengembangkan deteksi cemaran lemak babi. Kata kunci: Teknik deteksi, lemak babi, frekuensi, sifat listrik, data mining.
SUMMARY SUCIPTO. Design of Detection Technique of Lard in Beef Based on Electrical Properties. Supervision of ANAS MIFTAH FAUZI, TUN TEDJA IRAWADI, TAUFIK DJATNA and IRZAMAN. Sensitive and accurate detection technology of lard contaminating tallow and beef is important to assure the halalness of food products, that needed by consumers. Therefore, it is important to develop reliable detection techniques of lard contamination. The using of electrical properties for detecting food product’s quality, data preprocessing and classification techniques are potential for designing lard detection technique. The objectives of this study was to obtain the frequency range for the measurement of electrical properties of lard, tallow and beef as experiment materials, that are significant for the detection of lard contamination in beef; and to develop a detection technique of lard contamination in beef based on the electrical properties and data mining, as well as to test its accuracy. In this study, a parallel plate made of copper by dimension of 20 mm x 10 mm separated at 5 mm distance was used. Na 2SO4 anhydrous was used to reduce the water content in the sample. The measurement of electrical properties was done in room temperature (26-27oC) with frequency range of 0,100-0,999 MHz, 1,000-3,799 MHz and 3,80-5,00 MHz. The measured electrical properties were conductance, impedance, and capacitance. The test of fatty acid profile by using gas chromatography was used as a comparison in this study. The preprocessing techniques that used were mean, median, smoothing, normalization and discretization. Techniques of classification that were used to differentiate lard from tallow and palm oil were naive bayes, decision tree C4.5, simple logistic, support vector machine (SVM) and multilayer perceptron (MLP). In order to predict lard contamination in beef, the classification techniques including linear regression, SMO regression, support vector regression (SVR), and MLP were employed. The results showed that the parallel plate from copper by dimension of 20 mm x 10 mm with 5 mm distance was effective to acquire electrical properties data. The use of Na2SO4 anhydrous to absorb water from fat samples and frequency at 3,80-5,00 MHz to measure electrical properties resulted valid data. The order of electrical properties that influence to lard detection were impedance, capacitance and conductance. The use of preprocessing techniques normalization and classification technique MLP were able to differentiate lard from tallow and palm oil with correctly classification of 87,52% and root mean squared error (RMSE) of 0,2394. The use of preprocessing normalization and classification technique MLP were able to predict the contamination of lard in beef with correlation coefficient (r) of 0,9985 and RMSE of 1,9708. The future of the combination of materials electrical properties with selected preprocessing and classification techniques can be used to develop a detection of lard contamination. Keywords: detection technique, lard, frequency, electrical properties, data mining
© 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
RANCANG BANGUN TEKNIK DETEKSI LEMAK BABI PADA DAGING SAPI BERBASIS SIFAT LISTRIK
SUCIPTO
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: 1. Drs Zainal Alim Mas’ud, DEA PhD 2. Dr Ir Husin Alatas, MSi Penguji pada Ujian Terbuka: 1. Prof Dr Ir Endang Gumbira Sa’id, MADev. 2. Dr Drh Hasim Danuri, DEA.
Judul Disertasi Nama NIM
: Rancang Bangun Teknik Deteksi Lemak Babi pada Daging Sapi Berbasis Sifat Listrik : Sucipto : F361080151
Disetujui oleh Komisi Pembimbing
Prof Dr Ir Anas Miftah Fauzi, M Eng Ketua
Prof Dr Ir Tun Tedja Irawadi, MS Anggota
Dr Eng Taufik Djatna, STP MSi Anggota
Dr Ir Irzaman, MSi Anggota
Diketahui oleh
Ketua Program Studi Teknologi Industri Pertanian
Dekan Sekolah Pascasarjana
Dr Ir Machfud, MS
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 1 Juli 2013
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian adalah deteksi lemak babi, dengan judul Rancang Bangun Teknik Deteksi Lemak Babi pada Daging Sapi Berbasis Sifat Listrik. Penghargaan disampaikan penulis kepada Prof Dr Ir Anas Miftah Fauzi, MEng, Prof Dr Ir Tun Tedja Irawadi, MS, Dr Eng Taufik Djatna STP, MSi, dan Dr Ir Irzaman, MSi, selaku pembimbing yang banyak memberi masukan, saran, dan semangat sehingga turut membentuk daya juang penulis. Drs Zainal Alim Mas’ud, DEA PhD dan Dr Ir Husin Alatas, MSi atas masukan, saran, dan kritik dalam ujian terutup. Prof Dr Ir Endang Gumbira Sa’id, MADev dan Dr Drh Hasim Danuri, DEA atas masukan, saran, dan kritik selama ujian terbuka. Ucapan terima kasih disampaikan pada Heriyanto Safutra, Mamat Rahmat, Jajang Juansah, Fendi, Erus Rustami dari Departemen Fisika. Arif Kamal, Arif Rahman Hakim, Shihab Fahmi dari Departemen Teknologi Industri Pertanian. Dias Indrasti dari Departemen Ilmu dan Teknologi Pangan, Khatibul Umam dari Departemen Kimia, M Baihaqi dari Departemen Teknologi Hasil Ternak, dan teman-teman program doktor TIP IPB, khususnya angkatan 2008 yang membantu penulis berdiskusi terkait riset. Terima kasih juga penulis sampaikan pada laboran Departemen Fisika dan tenaga pendidikan dan administrasi Departemen Teknologi Industri Pertanian IPB yang membantu selama studi. Terima kasih juga disampaikan pada Universitas Brawijaya dan Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan yang mengizinkan dan memberi dukungan dana selama studi. Ungkapan terima kasih tak lupa disampaikan pada bapak Sastrowiryo, ibu Mirah, mertua (alm) K. Masduki, Ibu Muhawanah, istri saya Siti Nurul Muzayyanah, kakak Suyitno, Suyatni, dan Suyati atas doa dan kasih sayangnya. Demikian juga putri dan putra kami, Naila, Fahma, dan Rois atas pengorbanan dan doa yang diberikan. Riset ini merupakan bagian upaya penulis dan pembimbing berkontribusi pada riset halal, mendorong peningkatan produksi produk halal yang dibutuhkan umat muslim dan konsumen umumnya. Dalam penelitian ini ada sebagian ilmu yang terungkap, namun memiliki berbagai keterbatasan. Semoga hasil ini mendorong penulis dan peneliti lain mengungkap ilmu-ilmu terkait. Akhir kata, semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2013 Sucipto
DAFTAR ISI DAFTAR TABEL
xiii
DAFTAR GAMBAR
xiii
1 PENDAHULUAN Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 3 Ruang Lingkup Penelitian 3 Kebaruan Topik Penelitian 3 Kerangka Umum Penelitian 3 Keterkaitan antar Bab 5 2 PERKEMBANGAN TEKNIK DETEKSI CEMARAN BABI DAN TANTANGAN PENGGUNAAN SENSOR LISTRIK (SEBUAH TELAAH) Abstrak 7 Pendahuluan 8 Teknik-Teknik Konvensional 9 Sensor tidak Langsung dengan Polymerase chain reaction (PCR) 9 Sensor Langsung (Tanpa Pelabelan) 10 Tantangan Sensor Listrik 14 Teknik-Teknik Data Mining 16 Simpulan dan Tantangan Masa Depan 17 3 PENGUKURAN SIFAT LISTRIK SEBAGAI BASIS DETEKSI CEMARAN LEMAK BABI (Studi validasi alat, persiapan sampel, dan seleksi frekuensi) Abstrak 21 Pendahuluan 22 Metode Penelitian 22 Hasil dan Pembahasan 23 Simpulan dan Saran 29 4 APLIKASI SIFAT LISTRIK UNTUK MEMBEDAKAN LEMAK BABI DARI LEMAK SAPI DAN MINYAK GORENG SAWIT Abstrak 31 Pendahuluan 32 Metode Penelitian 33 Hasil dan Pembahasan 34 Simpulan dan Saran 41 5 APLIKASI SIFAT LISTRIK UNTUK PREDIKSI CEMARAN LEMAK LEMAK BABI PADA DAGING SAPI Abstrak 45 Pendahuluan 46 Metode Penelitian 47
Hasil dan Pembahasan 47 Simpulan dan Saran 52 6 KEMAMPUAN PEMBEDAAN DATA PREPROCESSING DAN TEKNIKTEKNIK KLASIFIKASI TERHADAP LEMAK BABI, LEMAK SAPI, DAN DAN MINYAK GORENG SAWIT BERBASIS SIFAT LISTRIK Abstrak 55 Pendahuluan 56 Metode Penelitian 57 Hasil dan Pembahasan 58 Simpulan dan Saran 63 7 APLIKASI TEKNIK-TEKNIK KLASIFIKASI UNTUK PREDIKSI CEMARAN LEMAK BABI PADA DAGING SAPI BERBASIS SIFAT LISTRIK Abstrak 65 Pendahuluan 65 Metode Penelitian 67 Hasil dan Pembahasan 68 Simpulan dan Saran 72 8 PEMBAHASAN UMUM: POTENSI IMPLEMENTASI DETEKSI LEMAK LEMAK BABI BERBASIS SIFAT LISTRIK DALAM RANTAI PASOK PRODUK HALAL Abstrak 75 Pendahuluan 76 Teknik Deteksi Lemak Babi Berbasis Sifat Listrik dan data Mining 76 Perbandingan Teknik Deteksi Lemak Babi berbasis Sifat Listrik dengan Beberapa Teknik Sebelumnya 79 Potensi Deteksi Lemak Babi Berbasis Sifat Listrik sebagai Penunjang Audit Audit dan Pengawasan dalam Rantai Pasok Produk Halal 79 Simpulan dan Saran 84 9 SIMPULAN DAN SARAN Simpulan Saran
87 87
DAFTAR ISTILAH
88
RIWAYAT HIDUP
96
DAFTAR TABEL Tabel 2.1 Komposisi asam lemak RBD palm olein dan lemak babi Tabel 3.1 Karakteristik teknik pengukuran umum untuk menentukan sifat dielektrik Tabel 3.2 Hubungan rentang frekuensi pengukuran dengan persentase noise dan koefisien variasi sifat listrik keping sejajar kosong Tabel 3.3 Hubungan rentang frekuensi pengukuran dengan persen noise dan koefisien variasisi sifat listrik lemak babi dan sapi Tabel 4.1 Profil asam lemak dari lemak babi, lemak sapi, dan minyak goreng sawit dengan kromatografi gas Tabel 6.1 Keterangan data masukan Tabel 6.2 Akurasi, RSME, dan waktu komputasi klasifikasi lemak pangan menggunakan variasi preprocessing dan teknik klasifikasi Tabel 7.1 Keterangan data sebelum dan sesudah smoothing Tabel 7.2 Pengaruh teknik klasifikasi sifat listrik cemaran lemak babi pada daging sapi terhadap akurasi prediksi dan waktu komputasi Tabel 8.1 Perbandingan teknik deteksi lemak babi dan riset terkait Tabel 8.2 Rangkuman hasil dan alternatif riset lanjutan
11 25 28 28 36 59 60 70 71 80 85
DAFTAR GAMBAR Gambar 1.1 Gambar 1.2 Gambar 2.1 Gambar 2.2 Gambar 2.3 Gambar 2.4 Gambar 2.5
Kerangka kerja penelitian Keterkaitan antar bab Skema diagram sistem e-nose Spektrum FTIR lemak yang diekstrak dari cake Spektrum perbedaan gelatin babi dan sapi Spektrum FTIR lemak babi dan lemak cokelat murni Representasi ideal spektrum konstanta dielektrik dalam sistem biologis Gambar 2.6 Hasil pengukuran konduktansi lemak babi dan lemak pangan lain menggunakan LCR meter Gambar 3.1 Model sederhana kapasitor dan resistor mebran sel Gambar 3.2 Model pengukuran sifat listrik Gambar 3.3 Disain keping sejajar Gambar 3.4 Skema rangkaian alat pengukuran sifat listrik Gambar 3.5 Contoh tampilan spektrum sifat listrik hasil pengukuran Gambar 3.6 Hubungan frekuensi dengan konduktansi lemak babi, lemak sapi, dan minyak goreng sawit Gambar 4.1 Konduktansi lemak babi, lemak sapi, dan minyak goreng sawit Gambar 4.2 Impedansi lemak babi, lemak sapi, dan minyak goreng sawit Gambar 4.3 Kapasitansi lemak babi, lemak sapi, dan minyak goreng sawit Gambar 4.4 Hubungan frekuensi dengan konstanta dielektrik lemak babi, lemak sapi, dan minyak goreng sawit Gambar 5.1 Pengaruh frekuensi terhadap rerata dan median sifat listrik cemaran lemak babi dalam daging sapi Gambar 5.2 Pengaruh frekuensi terhadap moving average 5 titik median sifat listrik cemaran lemak babi dalam daging sapi
4 5 11 12 13 14 15 16 23 24 24 26 26 29 34 37 39 40 48 49
Gambar 6.1 Proses pemilihan preprocessing dan teknik klasifikasi Gambar 6.2 Pengaruh frekuensi terhadap konduktansi lemak babi, lemak sapi, dan minyak goreng sawit Gambar 6.3 Contoh tree pembentuk sebagian rules penggunaan decision tree C4.5 tanpa preprocessing Gambar 6.4 Hubungan input, hidden layer, dan output dalam MLP untuk klasifikasi lemak berdasar sifat listrik Gambar 7.1 Hubungan frekuensi dan kapasitansi dari proses smoothing dengan moving average 5 titik median Gambar 7.2 Hubungan frekuensi dan konduktansi dari proses smoothing dengan moving average 5 titik median Gambar 7.3 Pemisahan data dalam beberapa dimensi Gambar 8.1 Desain teknik deteksi lemak babi berbasis sifat listrik dan data mining Gambar 8.2 Peran teknik deteksi bahan haram dalam rantai pasok produk halal
58 59 61 62 69 69 70 77 82
1. PENDAHULUAN Latar Belakang Kebutuhan jaminan produk halal (JPH) meningkat seiring tumbuhnya kesadaran hidup berkualitas secara fisik dan spiritual. van der Spiegel et al. (2012) menyatakan pasar produk halal meningkat di negeri mayoritas berpenduduk muslim dan minoritas muslim. Riaz dan Chaudry (2004) menyatakan produk halal telah menjadi simbul kualitas baik muslim maupun non muslim. Pada 2009, produk pangan halal bernilai 16% dari seluruh industri pangan di dunia dan menjelaskan 20% perdagangan produk pangan dunia masa depan (Nestle 2009). Eropa, Afrika, dan Asia mencatat masing-masing 10%, 24%, dan 63% dari pasar global (Hashim 2010). Riset Purnomo et al. (2011) menunjukkan pasar halal global juga meningkat dari tahun ke tahun. Pertumbuhan pasar produk halal seiring peningkatan umat Islam. Pew Forum on Religion and Public Life (2011) memperkirakan ada 1,62 miliar muslim di dunia atau 23,4% dari perkiraan penduduk tahun 2010 sebesar 6,9 miliar. Populasi muslim Eropa sekitar 44,1 juta jiwa atau 2,7% total penduduk (Pew Forum on Religion and Public-Life 2011). Diperkirakan pada 2030 menjadi 25-30 persen. Di negara-negara Asean ada sekitar 250 juta penduduk muslim. Muslim Indonesia yang mencapai sekitar 185 juta jiwa diperebutkan produsen produk halal (Sucipto 2010). Standar kehalalan telah ditetapkan secara nasional, regional, dan internasional. Di Indonesia, JPH menjadi kebijakan yang ditangani pemerintah, legislatif, dan Majelis Ulama Indonesia (MUI). JPH penting untuk melindungi konsumen dan mendorong produksi produk halal. Riaz dan Chaudry (2004) menyatakan pangan halal bebas dari segala komponen haram yang seorang muslim dilarang mengkonsumsinya. JPH sepanjang rantai pasok memerlukan pengawasan, baik pengawasan premarketing maupun post-marketing, untuk mendukung audit sertifikasi, mengontrol proses produksi, dan pengawasan selama distribusi. Untuk menunjang pengawasan produk halal, perlu dikembangkan berbagai teknik deteksi cemaran bahan haram, khususnya cemaran babi dan produk turunannya. Pencampuran lemak babi pada lemak, daging, dan bahan pangan lain pada industri pangan menjadi isu sensitif bagi konsumen, khususnya umat muslim. Di berbagai negara, banyak industri pengolahan menggunakan bahan babi dan turunan babi karena murah dan lebih tersedia di pasar (Aida et al. 2005). Bahan ini terdiri lemak babi, daging babi, mechanically recovered meats (MRM), gelatin babi, dan plasma darah babi (Nakyinsige et al. 2012). Luasnya penggunaan babi dan turunannya, mendorong para peneliti berupaya mendeteksi cemaran babi dan produk turunannya pada bahan pangan lain dengan berbagai teknik. Perkembangan teknik deteksi cemaran babi, dapat dikelompokkan menjadi: teknik deteksi konvensional, seperti gas chromatography (GC), gas liquid chromatography (GLC), high performance liquid chromatography (HPLC), differential scanning calorimetry (DSC), dan lain sebagainya. Teknik berbasis sensor tak langsung, polymerase chain reaction (PCR) dan teknik berbasis sensor
2 tanpa pelabelan, meliputi electronic nose (E-Nose) dan Fourier transform infrared (FTIR) spectroscopy. Teknik-teknik konvensional dapat diandalkan, namun membutuhkan waktu persiapan sampel, bahan kimia, dan biaya yang relatif mahal. Teknik sensor tak langsung dan sensor tanpa pelabelan telah mempercepat proses persiapan sampel dan analisis, namun biaya investasi alat analisisnya masih relatif mahal. Karena itu, perlu dikembangkan teknik analisis yang lebih cepat, akurat, dan relatif murah menggunakan instrumen lebih sederhana dibanding teknik sebelumnya. Peluang itu diharapkan dapat diperoleh melalui penggunaan sifat listrik bahan.
Perumusan Masalah Sifat listrik bahan pangan, dapat digunakan menilai kualitas dan kemurnian bahan secara cepat, non destruktif, mengarah in-situ berdasar energi elektromagnetik, teknik ultrasonik, dan resonansi (Castro-Giráldez et al. 2010). Sifat listrik telah dikembangkan untuk mendeteksi kerusakan daging sapi (Damez et al. 2008) dan uji pencampuran lemak pangan (Lizhi et al. 2008). Perbedaan komposisi bahan memberikan pengaruh pada perbedaan sifat listrik. Sifat listrik ini meliputi konduktansi, impedansi, kapasitansi, dan konstanta dielektrik. Sifat listrik juga dipengaruhi frekuensi dan suhu pengukuran. Berdasar studi di atas, sifat listrik bahan pangan akan dimanfaatkan sebagai dasar deteksi lemak babi. Berbagai algoritma preprocessing data dan klasifikasi dalam data mining telah berkembang. Algoritma ini sangat bermanfaat untuk mempercepat pengenalan pola data sehingga membantu proses deteksi semakin cepat dan akurat. Dalam proses klasifikasi data dinamis berskala sangat besar dapat menggunakan teknik skyline query (Djatna dan Morimoto 2008). Untuk bidang kimia, berbagai teknik ini disebut dengan istilah kemometrika yang dibantu dengan berbagai teknik preprocessing data dan klasifikasi. Kombinasi sifat listrik bahan dengan berbagai teknik preprocessing data dan klasifikasi diharapkan meningkatkan keandalan proses deteksi lemak babi. Untuk itu diperlukan rancang bangun teknik deteksi lemak babi pada daging sapi berbasis sifat listrik. Dengan teknik ini diharapkan proses deteksi lemak babi menjadi lebih sederhana dibanding teknik sebelumnya. Hasil penelitian keseluruhan akan menunjang audit sertifikasi, pengawasan produksi, dan pengawasan distribusi dalam rantai pasok produk halal.
Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut. 1. Mendapatkan rentang frekuensi untuk pengukuran sifat listrik bahan lemak babi, lemak sapi, dan daging sapi yang berpengaruh untuk deteksi cemaran lemak babi pada daging sapi. 2. Mengembangkan teknik deteksi cemaran lemak babi pada daging sapi berbasis sifat listrik dan data mining, serta menguji akurasinya.
3 Manfaat Penelitian Manfaat penelitian sebagai berikut. 1. Menghasilkan teknik deteksi lemak babi menjadi lebih sederhana dan relatif lebih murah dibanding teknik sebelumnya. 2. Memberikan kontribusi dalam pengembangan ilmu pengetahuan dan teknologi penunjang pengawasan produksi, distribusi, dan sertifikasi kehalalan produk pangan. Secara lebih luas di masa depan, teknik ini akan mendukung upaya mewujudkan jaminan produk halal bagi masyarakat.
Ruang Lingkup Penelitian Ruang lingkup penelitian sebagai berikut. 1. Sifat listrik bahan untuk merancang teknik deteksi dibatasi menggunakan sampel lemak babi, lemak sapi, minyak goreng sawit, dan daging sapi. 2. Pengukuran sifat listrik dilakukan pada suhu ruang (26-27oC) agar memudahkan aplikasi hasil penelitian.
Kebaruan Topik Penelitian Kebaruan penelitian ini sebagai berikut. 1. Penggunaan sifat listrik impedansi, kapasitansi, dan konduktansi untuk deteksi cemaran lemak babi pada rentang frekuensi tertentu. 2. Kombinasi sifat listrik dengan pilihan teknik preprocessing data dan teknik klasifikasi yang tepat untuk meningkatkan akurasi proses deteksi.
Kerangka umum penelitian Penelitian berurutan dan terstruktur seperti pada Gambar 1.1. Hasil setiap tahap menentukan tahap berikutnya. Pada tahap awal peneliti melakukan investigasi teknik deteksi cemaran babi dengan berbagai teknik analisis. Tahap ini memberikan pengetahuan perkembangan berbagai teknik deteksi cemaran babi, kelebihan dan kekurangannya. Berikutnya, dilakukan kajian penggunaan sifat listrik bahan pangan, terkait faktor yang memengaruhi, teknik pengukuran, dan pemanfaatannya untuk mendeteksi kualitas dan campuran bahan pangan. Tahap ini diperoleh peluang memanfaatkan sifat listrik bahan untuk deteksi lemak babi. Adanya peluang penggunaan sifat listrik sebagai basis deteksi cemaran lemak babi perlu diuji dengan beberapa tahap penelitian. Tahap 1, mempersiapkan instrumen pengukur sifat listrik bahan, teknik persiapan sampel, dan mencari frekuensi pengukuran. Hasil tahap ini penting untuk menetapkan persiapan sampel dan frekuensi yang digunakan tahap berikutnya. Pada Tahap 2 dilakukan aplikasi hasil tahap sebelumnya untuk membedakan lemak babi dari lemak sapi dan minyak goreng sawit. Tahap 3 diaplikasikan untuk memprediksi cemaran lemak babi pada daging sapi.
4
INVESTIGASI TEKNIK DETEKSI CEMARAN BABI Telaah perkembangan teknik analisis cemaran babi Pengembangan teknik deteksi cemaran babi berbasis sifat listrik bahan
MENGEMBANGKAN INSTRUMEN PENGUKUR SIFAT LISTRIK BAHAN SEBAGAI BASIS DETEKSI CEMARAN LEMAK BABI Tahap 1. Perancangan pengukur sifat listrik bahan, teknik persiapan sampel, dan frekuensi pengukuran Tahap 2. Aplikasi sifat listrik untuk membedakan lemak babi dari lemak sapi dan minyak goreng sawit Tahap 3. Aplikasi sifat listrik untuk memprediksi cemaran lemak babi pada daging sapi
PENGEMBANGAN TEKNIK DETEKSI LEMAK BABI BERBASIS SIFAT LISTRIK DAN DATA MINING Tahap 4. Pengembangan teknik deteksi untuk pembedaan lemak babi dari lemak sapi dan minyak goreng sawit, serta prediksi cemaran lemak babi pada daging sapi berbasis sifat listrik (konduktansi, impedansi, dan kapasitansi), teknik-teknik preprocessing dan teknik klasifikasi
EVALUASI KINERJA TEKNIK DETEKSI Validasi
Gambar 1.1 Kerangka kerja penelitian Pengembangan teknik deteksi cemaran lemak babi berbasis sifat listrik diperkuat dengan berbagai teknik preprocessing data dan teknik klasifikasi untuk mengolah data sifat listrik bahan seperti pada Tahap 4. Kinerja teknik deteksi menggunakan berbagai teknik preprocessing data dan teknik klasifikasi diuji dan dipilih yang menghasilkan akurasi tinggi dan waktu komputasi relatif cepat. Secara keseluruhan riset memperoleh frekuensi pengukuran dan sifat listrik yang berpengaruh, serta teknik preprocessing data dan teknik klasifikasi yang menghasilkan kinerja terbaik.
5 Keterkaitan antar bab Untuk memudahkan pembaca menelaah tulisan secara keseluruhan, berikut ini dikemukakan keterkaitan antar bab seperti Gambar 1.2. Bab 1 Pendahuluan Bab 2 Telaah Perkembangan Teknik Deteksi Cemaran Babi dan Tantangan Penggunaan Sensor Berbasis Sifat Listrik Bab 3 Pengukuran Sifat Elektrik Sebagai Basis Deteksi Cemaran Lemak Babi (Studi alat, persiapan sampel, dan kondisi pengukuran) Bab 4 Aplikasi Sifat Listrik untuk Membedakan Lemak Babi dari Lemak Sapi dan Minyak Goreng Sawit
Bab 5 Aplikasi Sifat Listrik untuk Prediksi Cemaran Lemak Babi Pada Daging Sapi
Bab 6 Kemampuan Pembedaan Data Preprocessing dan Teknik-Teknik Klasifikasi terhadap Lemak Babi, Lemak Sapi, dan Minyak Goreng Sawit Berbasis Sifat Listrik
Bab 7 Aplikasi Teknik-Teknik Klasifikasi untuk Prediksi Cemaran Lemak Babi pada Daging Sapi Berbasis Sifat Listrik
Bab 8 Pembahasan Umum: Potensi Implementasi Teknik Deteksi Lemak Babi Berbasis Sifat Listrik dalam Rantai Pasok Produk Halal Bab 9 Simpulan dan Saran Gambar 1.2 Keterkaitan antar bab
6
Pustaka Aida AA, Che Man YB, Wong CMVL, Raha AR, Son R. 2005. Analysis of raw meats and fats of pigs using polymerase chain reaction for halal authentication. Meat Sci. 69(1): 47-52. Castro-Giráldez M, Chenoll C, Fito P J, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In Toldra. F. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons, Inc. Damez JL, Clerjon S. 2008. Meat quality assessment using biophysical methods related to meat structure. Meat Sci. 80 (1):132- 149. Djatna T, Morimoto Y. 2008. Attribute selection for numerical databases that contain correlations. Int J Softw Informatics. 2:125-139. Hashim DD. 2010. The quest for a global halal standard. Paper presented at the Meat Industry Association of New Zealand annual conference, 19-20 September 2010. Christchurch. Lizhi H, Toyoda K, Ihara I. 2008. Dielectric properties of edible oils and fatty acids as a function of frequency, temperature, moisture and composition. J. Food Eng. 88:151-158. Nakyinsige K, Che Man YB, Sazili AQ. 2012. Review halal authenticity issues in meat and meat products. Meat sci. 91(3):207-214. doi.org/10.1016/j.meatsci.2012.02.015 Nestle. 2009. Nestlé and halal. http://www.nestletasteofhome.com/NR/rdonlyres/B519F379-6669-428E-872B6DCA9DFA2B6B/46458/NestleandHalal_Nov09.pdf Pew-Forum-on-Religion and Public-Life. 2011. The future global muslim population projections for 2010-2030. Pew Research Center. Washington. Purnomo D, Gumbira-Sa’id E, Fauzi AM, Syamsu K, Tasrif M. 2011. Analisis kekuatan keunggulan komparatif dan kompetitif Indonesia dalam meningkatkan daya saing agroindustri halal. Jurnal Teknotan. Universitas Padjajaran. Riaz MN, Chaudry MM. 2004. Halal food production. CRC Press. New York. Sucipto. 2010 Agt 03. Menguak peluang pasar produk halal. Harian Kontan Rubrik opini:23(kol 3-4). van der Spiegel M, van der Fels-Klerx HJ, Sterrenburg P, van Ruth SM, Scholtens-Toma IMJ, Kok EJ. 2012. Halal assurance in food supply chains:Verification of halal certificates using audits and laboratory analysis. Trends Food Sci Tech. 27: 109-119.
7
2. PERKEMBANGAN TEKNIK DETEKSI CEMARAN BABI DAN TANTANGAN PENGGUNAAN SENSOR LISTRIK (SEBUAH TELAAH) Abstrak Pencampuran daging babi dan turunannya dalam produk pangan, tidak hanya sensitif terhadap penganut Islam dan Yahudi ortodoks, tetapi juga menjadi masalah bagi kesehatan. Relatif murahnya daging babi dan turunannya dibanding dengan produk sejenis dari sapi dan hewan lain menyebabkan bahan ini sering dicampur untuk mengurangi biaya produksi di industri pengolahan pangan. Berdasarkan perspektif teknologi sensor, teknik deteksi pencampuran daging babi dibagi menjadi tiga kelompok. Pertama, teknik deteksi konvensional, seperti GC, GLC, HPLC, DSC, dan lainnya. Kedua, teknik sensor tidak langsung yaitu PCR. Ketiga, teknik sensor tanpa pelabelan, seperti E-Nose dan Spektroskopi FTIR. Karena itu, penting untuk mengetahui perkembangan teknik deteksi babi dan turunan babi dalam produk pangan. Dalam tulisan ini, disajikan peluang sensor biolistrik untuk deteksi babi. Kombinasi sifat biolistrik bahan pangan dan teknik klastering data diharapkan mampu membantu deteksi pencampuran babi menjadi lebih cepat, akurat, dan relatif murah dibanding teknik sebelumnya menggunakan alat lebih sederhana. Teknik ini akan mendukung pengawasan produksi, distribusi, dan sertifikasi halal produk pangan. Kata kunci: Sensor, sifat listrik, data mining, deteksi babi. Singkatan: gas chromatography (GC), gas liquid chromatography (GLC), high performance liquid chromatography (HPLC), diferential scanning calorimetry (DSC), polymerase chain reaction (PCR), Electronic nose (E-Nose), Fourier transform infrared (FTIR) spectroscopy
PROGRESS OF LARD AND PORK DETECTION SYSTEM AND CHALLENGE OF EELECTRIC SENSOR (A REVIEW) Abstract Pork adulteration and its derivatives in food products is not only sensitive to the adherents of Islam and orthodox Jews, but also to health problems. Relative cheapness of pork and its derivatives compared to similar products from beef and other animals results these products are often mixed into foodstuff to reduce the production cost in the food processing industry. Based on sensor technology perspective, the detection methods of mixing pork were divided into three groups. The first one, conventional techniques include GC, GLC, HPLC, DSC ect. The second, indirect sensor-based technique namely PCR and the third sensor-based techniques without labeling such as E-Nose and FTIR spectroscopy. Therefore, it is important to understand the development of detection techniques of pork and pork derivatives adulteration. In this paper, we also are presented the opportunities of bioelectric sensors for pork detection. The combination between bioelectric properties of food materials and clustering techniques are expected to assist the detection of mixing pork that is faster, more accurate, use simple tools, and relatively inexpensive compared to previous techniques. This technique will
8 support the supervision of production, distribution, and certification of halal food products. Keywords: Sensor, electrical properties, data mining, pork detection. Abbreviation: gas chromatography (GC), gas liquid chromatography (GLC), high performance liquid chromatography (HPLC), differential scanning calorimetry (DSC), polymerase chain reaction (PCR), electronic nose (E-Nose), Fourier transform infrared (FTIR) spectroscopy
Pendahuluan Permintaan dan konsumsi daging di negara maju sangat tinggi. Daging adalah produk yang heterogen terkait komposisi, teknologi, dan atribut sensoris yang berpengaruh sebelum penyembelihan (bibit, jenis kelamin, umur, berat, dan lingkungan) dan faktor pasca kematian (waktu simpan dan suhu) (Andres et al. 2007). Variabilitas kualitas daging menjadi perhatian konsumen (Warriss 2004). Saat ini, pencampuran jenis daging dan turunannya menjadi masalah besar di pasar ritel (Asensio et al. 2008). Evaluasi pembuktian dan kualitas produk-produk ini meliputi beberapa isu, seperti substitusi daging dengan nilai komersial tinggi dengan daging bernilai komersial lebih rendah dalam industri daging (Fajardo et al. 2008), dan adanya ketidakjelasan spesies (Aida et al. 2005). Dari segi gizi, lemak hewani banyak ditolak karena mengandung asam lemak jenuh dalam proporsi besar. Diet kaya lemak babi diduga kuat menyebabkan kolesterol dalam darah, aortic injury, penimbunan lemak dalam aorta, penyakit jantung koroner, dan berbagai timbunan lemak lainnya. Lemak babi juga terkait dengan risiko sesak napas, gangguan pankreas, dan kanker usus besar, serta memicu terjadinya karsinogenesis. Produk pangan yang mengandung daging dan lemak babi menjadi perhatian para pengikut Islam dan Yahudi ortodoks. Kedua agama ini melarang konsumsi daging maupun lemak babi dalam setiap produk (Marikkar et al. 2002; Regenstein et al. 2003). Pelabelan yang akurat merupakan informasi penting bagi proses pemilihan konsumen. Ballin (2010) mengkategorikan teknik pembuktian (authentication) daging antara lain berbasis asal daging, substitusi daging, perlakuan pengolahan daging, dan bahan tambahan non-daging. Berdasarkan permasalahan di atas, penting untuk mengembangkan proses pembuktian dan identifikasi spesies daging dan turunannya. Ini juga termasuk mendeteksi cemaran babi dan turunan babi dalam pangan segar dan olahan. Berbagai teknik telah dikembangkan untuk identifikasi dan pembuktian. Artikel ini menunjukkan perkembangan dan kemajuan teknik deteksi lemak dan daging babi dari teknik konvensional ke teknik baru berbasis sensor. Kemajuan ini diharapkan mendukung pengembangan teknik baru yang lebih cepat, akurat, dan relatif murah untuk identifikasi dan kuantifikasi kontaminasi lemak dan daging babi dalam produk pangan.
9 Teknik-Teknik Konvensional Berbagai teknik deteksi lemak dan daging babi telah dikembangkan. Teknik deteksi konvensional telah lama dikembangkan untuk mendeteksi babi dan produk turunan babi, seperti differential scanning calorimetry (DSC), gas chromatography (GC), gas liquid chromatography (GLC), high performance liquid chromatography (HPLC). Differential Scanning Calorimetry (DSC) Marikkar et al. (2002) menemukan bahwa DSC menjadi teknik yang lebih sensitif untuk menentukan secara kualitatif dan kuantitatif dari enzymaticallyrandomized lard (ERLD) minyak sawit. Teknik ini dapat mengidentifikasi refined-bleached-deodorized (RBD) palm olein palsu dengan ERLD dengan limit deteksi 1%. Marikkar et al. (2003) menggunakan DSC berpendingin dan pemanas untuk mendeteksi lemak babi dalam tempe, ayam, sapi, dan produk olahan. Gas Chromatography (GC) Indrasti et al.(2010) menerapkan chromatography hyphenated with a timeof-flight mass spectrometry untuk mendeteksi perbedaan antara lemak babi dengan 3 lemak hewani, yaitu lemak sapi, lemak ayam, dan lemak kambing. Perbedaan masing-masing lemak dapat dilihat dari 3 fatty acid methyl esters (FAME) meliputi methyl trans-9, 12, 15-octadecatrienoate (C18:3 n3t), methyl 11, 14, 17-eicosatrienoate (C20:3 n3t) and methyl 11.14 - eicosadienoate (C20:2 N6). Profil FAME dapat digunakan sebagai basis pembedaan lemak babi dari lemak hewan dalam proses pembuktian. Gas Liquid Chromatography (GLC) Marikkar et al. (2005a) mengidentifikasi kontaminasi lemak babi pada minyak sawit, minyak inti sawit, dan minyak kanola menggunakan GLC. Perubahan komposisi asam lemak dalam campuran dianalisis fatty acid methyl esters (FAME), terutama pada 2-monoacylglycerol (2-MG) dan triacylglycerol (TAG) netral diisolasi dari sampel. High Performance Liquid Chromatography (HPLC) HPLC digunakan mengidentifikasi 2% lemak babi dalam minyak inti sawit dan minyak sawit. Profil kromatogram TAG pada waktu retensi tertentu menunjukkan kontaminasi lemak babi pada bahan lain (Marikkar et al. 2005b).
Sensor Tidak Langsung dengan Polymerase Chain Reaction (PCR) Spesies daging dan lemak babi dianalisis menggunakan polymerase chain reaction-restriction fragment length polymorphisms (PCR-RFLP). Cytochrome b (Cyt b) dari PCR-RFLP menghasilkan teknik untuk mendeteksi babi dari spesies hewan lain (Aida et al. 2005). Penggunaan PCR-RFLP gen 12s rRNA dari mitokondria asal daging digunakan mengidentifikasi dan membedakan jenis daging sapi, kerbau, domba, dan chevon, baik sampel segar maupun olahan (Girish et al. 2005). PCR-RFLP gen mitokondria dapat digunakan
10 mengidentifikasi spesies dan pembuktian halal daging sapi, babi, kerbau, unta, domba, dan kelinci (Murugaiah et al. 2009). Soares et al. (2010) menggunakan PCR untuk mendeteksi daging sapi dan spesies unggas menggunakan Cyt b mitokondria dan 12s rRNA sebagai gen target untuk babi dan unggas. Teknik alternatif ini memiliki biaya rendah, mudah, dan andal untuk memperkirakan pemalsuan daging unggas dengan daging babi. Ahmed et al. (2010) berhasil membedakan-spesies tertentu dalam kontrol dan daging babi olahan, daging babi, ayam, dan daging sapi menggunakan the loop mediated isothermal amplicons (LAMP) dan disposable electrochemical printed (DEP). LAMP adalah teknik penguatan asam nukleat yang memperkuat DNA target dengan spesifikasi yang tinggi, efisien, dan cepat dalam kondisi isotermal (63oC). Teknik ini merupakan calon biosensor in situ portabel untuk memantau pangan dari spesies daging dalam produk pangan.
Sensor Langsung (Tanpa Pelabelan) Electronic nose (e-nose) Electronic nose (e-nose) adalah instrumen yang meniru indera penciuman. Alat ini merupakan bentuk pola sensor untuk mendeteksi dan membedakan bau yang berbeda secara akurat dalam sampel kompleks (Stetter dan Penrose 2002). Pearce et al. (2003) mengemukakan secara umum, instrumen e-nose terdiri atas 3 elemen, yang disebut (i) sistem penanganan sampel, (ii) sistem deteksi, dan (iii) sistem pengolahan data. E-nose berperan besar dalam teknik deteksi berbasis kimia. Sensor kimia adalah sebuah alat yang mampu mengubah jumlah bahan kimia menjadi sinyal listrik yang berkaitan dengan konsentrasi partikel tertentu seperti atom, molekul, atau ion dalam bentuk gas atau cair (Peris dan Escuder-Gilabert 2009). Jenis sensor dalam e-nose diperlukan untuk merespon molekul gas (senyawa organik volatile) dengan berat molekul relatif berbeda (Pearce et al. 2003). Jenis sensor yang digunakan dalam e-nose berdasar literatur (Cattrall 1997; Persaud dan Travers 1997) adalah sebagai berikut. 1. Piezoelectric disebut juga sensor gravimetri atau sensor akustik, berdasarkan propagasi gelombang akustik yang dihasilkan oleh bahan (misalnya kuarsa atau LiNbO3) dalam struktur multilayer. Surface acoustic wave (SAW) dan bulk acoustic wave (BAW) adalah jenis paling umum dari sensor akustik. Sensor BAW sering disebut sensor thickness shear mode (TSM) atau quartz crystal microbalances (QCM). 2. Sensor elektrokimia, meliputi sensor amperometri, potensiometri, dan sensor konduktimetri atau chemiresistive. Diantaranya adalah sensor chemiresistive seperti metal oxide semiconductors (MOS) atau dikenal dengan Taguchi Gas Sensor (TGS) dan conducting polymer (CP). Sensor ini banyak digunakan mengukur pola gas atau bau. Beberapa sensor gas potensiometri menggunakan metal oxide semiconductor field effect transistors (MOSFET) sedang dikembangkan dan digunakan dalam teknologi e-nose. 3. Optik, seperti serat optik, digunakan dalam absorbansi, reflektansi, luminescence, dan surface plasmon resonance (SPR).
11 4. Kalorimetri atau sensor panas menggunakan reaksi kimia dengan pemanasan, meliputi analisis dan pemantauan dengan transduser. E-nose sering digunakan dalam berbagai diagnostik pangan, industri kosmetik, farmasi, kontrol lingkungan, dan diagnostik klinis. Dalam produk pangan ada 5 kategori penggunaan: (i) monitoring proses, (ii) investigasi umur simpan, (iii) evaluasi kesegaran, (iv) pembuktian lebih lanjut, dan (v) studi kontrol kualitas lainnya (Peris dan Escuder-Gilabert 2009). Zheng-Hai dan Jun-Wang (2006) mendeteksi pemalsuan minyak jagung pada minyak wijen menggunakan e-nose dengan 10 sensor gas MOS. Secara skematis seperti Gambar 2.1. Berbagai gas yang diuapkan dari sampel ditangkap dengan 10 sensor yang berbeda. Data diolah dalam komputer dengan algoritma tertentu sehingga dapat mengenali pemalsuan minyak.
Gambar 2.1 Skema diagram sistem e-nose (Zheng-Hai dan Jun-Wang 2006) E-nose telah digunakan mendeteksi cemaran babi atau lemak babi. Surface acoustic wave (SAW) sensor electronic nose (misalnya zNoseTM) digunakan mendeteksi lemak babi sebagai campuran dalam refined-bleached-deodorized (RBD) palm olein. Dalam riset ini lemak babi 1% sampai 20% (b/b) dicampur RBD palm olein (Che Man et al. 2005). Pembedaan didasarkan pada komposisi asam lemak RBD palm olein dan lemak babi seperti pada Tabel 2.1. Tabel 2.1 Komposisi asam lemak RBD palm olein dan lemak babi (Che Man et al. 2005) Asam lemak RBD Palm olein (%) Lemak babi (%) 12:0 0.6 0.15 14:0 1.62 1.70 15:0 0.17 16:0 45.6 26.9 16:1 0.21 1.71 17:0 0.65 17:1 0.32 18:0 3.29 10.9 18:1 38.8 31.8 18:2 9.57 23.1 18:3 0.19 1.41 20:0 0.12 0.24 20:1 0.59
12 Tabel 2.1 menunjukkan komposisi RBD palm olein dan lemak babi memiliki asam lemak dengan rantai C berkisar dari C12:0 sampai C20:1. RBD palm olein mengandung asam lemak dominan: C16:0, C:18:1, C18:2 dan C18:0, sedang pada lemak babi berturut-turut C18:1, C16:0, C18:1, dan C18:0. Dalam lemak babi terkandung asam lemak rantai ganjil, yaitu C15:0, C17:0 dan C17:1, yang tidak ditemukan dalam minyak nabati. Berdasar komposisi asam lemak tersebut, kemungkinan dapat digunakan sebagai dasar deteksi minyak hewani dalam minyak nabati (Krishnamurthy 1993). Penelitian menggunakan zNoseTM sensitif untuk mendeteksi lemak babi pada RBD palm olein hingga level 1 persen. Kelebihan menggunakan e-nose tidak membutuhkan perlakuan awal sampel dan bahan kimia untuk analisis, serta akurat dan cepat untuk mengidentifikasi campuran lemak babi dalam RBD palm olein (Che Man et al. 2005). Spektroskopi Fourier transform infrared (FTIR) FTIR merupakan teknik analisis komposisi kimia pada berbagai kimia organik, polimer, gas, sampel biologis, bahan anorganik dan mineral. Analisis FTIR tidak hanya bersifat kualitatif, tetapi juga kuantitatif. FTIR merupakan alat analisis cepat dan non-destruktif untuk studi minyak dan lemak pangan, dan hanya perlu persiapan sampel minimum. FTIR sangat baik untuk analisis kuantitatif karena intensitas pita gelombang menunjukkan proporsi konsentrasi. FTIR telah digunakan untuk membedakan minyak dari berbagai daerah menggunakan teknik klasifikasi non-supervisi. FTIR juga digunakan untuk membedakan minyak zaitun ekstra murni dengan minyak pangan lain yang berharga lebih rendah.
Gambar 2.2 Spektrum FTIR lemak diekstrak dari cake (Syahariza et al. 2005) Dimana (A) 0% lemak babi, (B)-(F) campuran lemak babi/ shortening, dan (G) lemak babi 100% di wilayah 4000-600 cm-1. Persentase lemak babi dalam campuran shortening adalah (B) 10 g = 17%, (C) 22 g = 33%, (D) 30 g = 50%, (E) 40 g = 66%, dan (F) 50 g = 83% lemak babi dalam shortening
13 Jaswir et al. (2003) mengkombinasikan spektroskopi FTIR dengan partial least square (PLS) untuk menganalisis lemak babi ketika dicampurkan lemak domba dan sapi. Pemalsuan lemak babi dan domba dikenali pada spektrum gelombang 3010-3000, 1200-1095 dan 968-965 cm-1. Campuran lemak babi pada lemak sapi dikenali pada 1419-1414, 968-965 cm-1. Syahariza et al. (2005) berhasil mendeteksi campuran lemak babi pada formulasi cake pada gelombang 1117-1097 (notasi a) dan 990-950 cm-1 (notasi b) seperti Gambar 2.2. Pada gelombang tersebut absorbansi (A) antar sampel lebih dapat dibedakan. Potensi penggunaan Spektroskopi FTIR untuk mendeteksi gelatin babi dicampur pada gelatin sapi telah diteliti dengan hasil pada Gambar 2.3. Ada 4 daerah yang digunakan untuk mengidentifikasi perbedaan spektrum, yaitu 3600-2300 cm-1 (amida A), 1656-1644 cm-1 (amida I), 1560-1335 cm-1 (amida II), dan 1240-670 cm-1 (amida III). Gelatin sapi dan gelatin babi memiliki spektrum sangat mirip, sehingga pembedaan difokuskan pada protein dan polipeptida. Secara keseluruhan, perbedaan maksimum antar gelatin ditemukan pada 2 bagian spektrum utama yaitu 3290-3280 cm-1 dan 1660-1200 cm-1 (Hashim et al. 2010).
Gambar 2.3 Spektrum perbedaan gelatin babi dan sapi (Hashim et al. 2010) Analisis pemalsuan minyak ikan dengan spektroskopi FTIR sebagai teknik non destruktif dan cepat telah dilakukan. Dengan ATR dan partial least square (PLS) dapat diidentifikasi perbedaan minyak ikan dengan lemak hewan lain, meliputi lemak sapi, domba, dan babi. Daerah fingerprint 1500-1030 cm-1 mampu mengenali perbedaan ini. Model validasi dan kalibrasi minyak ikan dicampur dengan lemak babi, puncaknya pada 1035-1030 cm-1, akan terjadi vibrasi grup C-O dalam ikatan ester yang terdiri dari dua vibrasi ikatan asimetris C-C(=O)-O dan O-C-C (Rohman dan Che Man 2009). Che Man et al. (2005) mengemukakan bahwa kombinasi spektroskopi FTIR dengan ATR dan regresi PLS dapat digunakan mendeteksi adanya lemak babi dalam formulasi cokelat. Pendekatan kuantitatif dilakukan di daerah frekuensi 4000-650 cm-1, ditunjukkan pada Gambar 2.4.
14
Gambar 2.4 Spektrum FTIR lemak babi dan lemak cokelat (Che Man et al. 2005) Dari gambar tersebut diperkirakan kelompok gelombang 1400 cm -1 sampai 1000 cm-1 paling sulit diidentifikasi. Diperkirakan pada 1465 cm -1, gelombang g, kedua spektrum lemak babi dan lemak cokelat menunjukkan kelompok gelombang yang merupakan vibrasi ikatan gugus methylene. Kelompok gelombang h, pada 1377 cm-1 mengindikasikan vibrasi simetris kelompok metil. Berikutnya kelompok i, j, k, l, dan m diperkirakan pada 1238, 1163, 1118, 1097, 723 cm-1 (Che Man et al. 2005). Kombinasi spektroskopi FTIR dengan kemometrika menggunakan PLS dan analisis diskriminan (DA) telah dikembangkan untuk analisis sederhana lemak babi dalam campuran lemak domba, sapi, dan ayam. Perbedaan kualitatif lemak babi dengan lemak lain diperoleh pada spektrum dengan daerah fingerprint pada 1500-900 cm-1 (Rohman dan Che Man 2010). Rohman et al. (2011) berhasil membedakan campuran bakso daging sapi dan daging babi dengan FTIR di daerah fingerprint 1200-1000 cm-1. Selain teknik di atas teknik deteksi potensial kontaminasi daging babi adalah rasio isotop (Fauzi dan Mas’ud 2009). Demikian juga, sifat listrik bahan pangan.
Tantangan Sensor Listrik Sifat listrik dalam bahan pangan, dapat digunakan untuk mengukur kualitas maupun kemurnian bahan secara cepat, non destruktif, mengarah in-situ berdasar energi elektromagnetik, teknik ultrasonik, dan resonansi. Beragam sensor berdasar interaksi pangan dengan gelombang elektromagnetik. Gelombang elektromagnetik terdiri dari bidang listrik dan magnetik (Castro-Giráldez et al. 2010).
15 Sifat dielektrik Sifat dielektrik adalah interaksi bidang elektromagnetik dengan bahan berdaya hantar rendah atau non penghantar. Sifat dielektrik bahan tergantung frekuensi, suhu, kandungan air, densitas, komposisi, dan struktur bahan (Venkatesh dan Raghavan 2004). Pangan memiliki sifat dielektrik dan polarisasi non ideal terkait fenomena disipasi, absorpsi energi, dan kerusakan yang memengaruhi konstanta dielektrik (Castro-Giráldez et al. 2010).
Gambar 2.5 Representasi ideal spektrum konstanta dielektrik dalam sistem biologis (Castro-Giráldez et al. 2007) Dalam sistem sel, sifat dielektrik didasarkan dua mekanisme yaitu proses resonansi dan relaksasi. Fenomena resonansi terjadi ketika aplikasi bidang listrik menggunakan frekuensi yang sesuai frekuensi getaran alami bahan. Hal itu meliputi polarisasi elektronika dan polarisasi atomik yang dihasilkan pada frekuensi gelombang mikro dan gelombang yang lebih tinggi, seperti Gambar 2.5. Pada Gambar 2.5 menunjukkan kelompok senyawa dalam spektrum dielektrik dapat dideteksi pada rentang frekuensi tertentu. Lizhi et al. (2008) telah menggunakan sifat dielektrik untuk mengidentifikasi campuran 10 minyak pangan dan 6 asam lemak pada frekuensi 100 Hz-1 MHz. Konstanta dielektrik dipengaruhi jumlah ikatan ganda dan panjang rantai molekul. Sifat dielektrik bahan dipengaruhi oleh sifat dielektrik masing-masing komponen bahan. Spektroskopi dielektrik Prinsip ini didasarkan pada kemampuan meneruskan atau menyimpan arus listrik. Dalam jaringan biologis dan sistem koloid impedansi memiliki komponen resistor, kapasitor, dan induktor (Damez dan Clerjon 2008). Transformasi kimia, fisika, dan struktur menghasilkan perubahan sifat listrik jaringan otot. Variasi impedansi digunakan untuk mengontrol beberapa aspek kualitas, seperti jenis
16 daging babi segar (kesegaran, keempukan, kandungan lemak) atau mendeteksi daging beku, dan aspek keamanan seperti deteksi mikroba atau kontaminasi kimia. Penggunaan spektroskopi bioimpedansi pada kualitas daging untuk memisahkan daging PSE (pale, soft, exudative), DFD (dark, firm, dry), dan RFN (red, firm, nonexudative) (Castro-Giráldez et al. 2007).
Conductance (nS)
30,000.00 25,000.00 20,000.00
Tallow Palm oil Chicken Goat Lard
15,000.00 10,000.00 5,000.00 1.0 1.6 2.2 2.8 3.2 3.8 4.4 5.0 Frequency (MHz)
Gambar 2.6 Hasil pengukuran konduktansi lemak babi dan lemak pangan lain menggunakan LCR meter Pengukuran sifat listrik konduktansi untuk mendeteksi lemak babi dan beberapa lemak lain menggunakan LCR meter telah dikembangkan dalam laboratorium (Sucipto et al. 2011), dengan hasil Gambar 2.6. Gambar tersebut memperlihatkan pada frekuensi di atas 3,80 MHz mulai terjadi pemisahan spektrum konduktansi antara lemak satu dengan lemak lain. Temuan ini berpotensi digunakan untuk mendeteksi lemak babi terhadap lemak lain. Sifat listrik selain konduktansi perlu diteliti lebih lanjut.
Teknik-Teknik Data Mining Berbagai teknik klasifikasi untuk mengenal pola data dan mendukung deteksi kualitas dan pemalsuan bahan telah dikembangkan. Hasil beberapa pengukuran parameter kualitas dan pemalsuan bahan dapat dibedakan dengan teknik statistika. Dalam bidang kimia teknik ini dikenal dengan kemometrika. Beberapa teknik yang sering digunakan seperti Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) dan K-nearest neighbor (kNN) (Di et al. 2008; Pravdova et al. 2002; Sikorska et al. 2006). Teknik ini dapat digunakan untuk mengurangi spektrum pengukuran pada suatu kategori di dalam training set. Penghitungan kemometrika berguna untuk menganalisis campuran kompleks dan mampu mengurangi secara cepat dan simultan setiap komponen dalam campuran. PCA sebuah teknik eksplorasi multivariabel yang mengurangi transformasi seperangkat variabel penduga (berkorelasi) menjadi set (yang lebih kecil) variabel baru yang tidak berkorelasi disebut komponen utama. Teknik ini dapat digunakan untuk deskripsi, klasifikasi, dan interpretasi. PCA digunakan untuk membedakan
17 minyak zaitun dengan minyak nabati lain menggunakan spektroskopi dielektrik (Lizhi et al. 2010). Partial Least Squares (PLS) merupakan teknik kalibrasi faktorial multivariabel yang memisahkan spektrum data ke dalam pemuatan dan penilaian, membangun model hubungan kalibrasi dari variabel baru (Martens dan Naes 1989). PLS dipadukan dengan spektroskopi FTIR digunakan untuk membedakan kualitas minyak pangan (Bendini et al. 2007), mengevaluasi komposisi asam lemak dan kualitas minyak zaitun murni (Maggio et al. 2009). Demikian pula, campuran extra virgin olive oil (EVOO) dengan minyak pangan lainnya (Maggio et al. 2010), dan identifikasi daging babi dan sapi di bakso (Rohman et al. 2011). Prosedur validasi silang digunakan untuk memverifikasi model kalibrasi. Nilai root mean standard error of calibration (RMSEC) dan koefisien determinasi (R2) digunakan sebagai kriteria validasi untuk kalibrasi. Validasi berikutnya menggunakan perbedaan rata-rata (MD) dan perbedaan standar deviasi (SDD) untuk akurasi dan pengulangannya (Rohman et al. 2011).
Simpulan dan Tantangan Masa Depan Teknik deteksi lemak dan daging babi pada bahan pangan perlu terus dikembangkan. Meskipun teknik konvensional terbukti dapat diandalkan, masih perlu pengembangan lebih lanjut dengan teknik yang lebih cepat, akurat, dan relatif murah. Teknologi sensor seperti, PCR, E-nose, dan FTIR telah membantu mempercepat proses deteksi, namun masih relatif mahal. Berdasarkan studi di atas ada peluang untuk mengembangkan teknik deteksi baru berbasis sifat listrik untuk lebih mempercepat dan mengurangi biaya dengan instrumen relatif sederhana. Sifat listrik, terutama konduktansi, berpeluang untuk dapat dikembangkan sebagai basis teknik deteksi lemak dan daging babi. Selanjutnya, perlu diteliti sifat listrik lain, seperti impedansi dan kapasitansi untuk deteksi cemaran lemak babi. Integrasi sifat listrik dan data mining diharapkan mempercepat dan meningkatkan akurasi deteksi lemak babi.
Pustaka Ahmed MU, Hasan Q, Hossain MM, Saito M, Tamiya E. 2010. Meat species identification based on the loop mediated isothermal amplification and electrochemical DNA sensor. Food Control. 21:599-605. Aida AA, Man YBC, Wong CMVL, Raha AR, Son R. 2005. Analysis of raw meats and fats of pigs using polymerase chain reaction for halal authentication. Meat Sci. 69:47-52. Andres S, Murray I, Navajas EA, Fisher AV, Lambe NR, Bunger L. 2007. Prediction of sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy. Meat Sci. 76:509-516. Asensio L, Gonzalez I, Garcia T, Martín R. 2008. Determination of food authenticity by enzyme-linked immunosorbent assay (ELISA). Meat Sci. 19:1-8.
18 Ballin NZ. 2010. Review Authentication of meat and meat product. Meat Sci. 86:577-587. doi:10.1016/j.meatsci.2010.06.001. Bendini A, Cerretani L, Carrasco-Pancorbo A, Gómez-Caravaca AM, SeguraCarretero A, Fernández-Gutiérrez A, Lercker G. 2007. Phenolic Molecules in Virgin Olive Oils: a Survey of Their Sensory Properties, Health Effects, Antioxidant Activity and Analytical Methods. An Overview of the Last Decade Alessandra. Molecules. 12:1679-1719. doi:10.3390/12081679. Castro-Giráldez M, Fito P, Toldrá F. Dielectric spectroscopy studies as a tool for quality control in meat industry. 2007. In Proceedings, Food- New Options for the Industry. EFFoST/EHEDG Joint Conference 2007-Practical application of research results. Celebrated from 14 th to 16 th of November in Lisbon (Portugal). Castro-Giráldez M, Chenoll C, Fito P J, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In Toldra. F. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons, Inc. Cattrall RW. 1997. Chemical Sensors. Oxford University Press. Oxford. 1-2. Che Man YB, Gan HL, Nor Aini I, Nazimah SAH, Tan CP. 2005. Detection of lard adulteration in RBD palm olein using an electronic nose. Food Chem. 90:829-835. Che Man YB, Syahariza ZA, Mirghani MES, Jinap S, Bakar J. 2005. Analyses of potential lard adulteration in chocolate and chocolate products using Fourier transform infrared Spectroscopy. Food Chem. 90:815-819. Damez JL, Clerjon S, Abouelkaram S, Lepetit J. 2007. Dielectric behavior of beef meat in the 1-1500 kHz range: Simulation with the Fricke/ Cole-Cole model. Meat Sci. 77(4):512-519. Damez JL, Clerjon S. 2008. Meat quality assessment using biophysical methods related to meat structure. Meat Sci. 80(1):132- 149. Di W, Shuijuan F, Xiaojing C, Haiqing Y, Yong H. 2008. Independent component analysis and support vector machine combined for brands identification of milk powder based on visible and short-wave near-infrared spectroscopy. Image Signal Process. Congress on 5. 456-459. Fajardo V, González I, Martín I, Rojas M, Hernández PE, García T. 2008. Realtime PCR for detection and quantification of red deer (Cervus elaphus), fallow deer (Dama dama), and roe deer (Capreolus capreolus) in meat mixtures. Meat Sci. 79:289-298. Fauzi AM, Mas’ud ZA. 2009. Instrumentation Techniques for Potential Application in Halal Products Authentication. 3rd IMT-GT International Symposium on Halal Science and Management. Kuala Lumpur Malaysia. December 21th – 22nd. Girish PS, Anjaneyulu ASR, Viswas KN Shivakumar, BM, Anand M, Patel M, Sharma B. 2005. Meat species identification by polymerase chain reactionrestriction fragment length polymorphism (PCR-RFLP) of mitochondrial 12S rRNA gene. Meat Sci. 70:107-112. Hashim DM, Che Man YB, Norakasha R Shuhaimi M, Salmah Y, Syahariza ZA. 2010. Potential use of Fourier transform infrared spectroscopy for differentiation of bovine and porcine gelatins. Food Chem. 118:856-860.
19 Indrasti D, Che Man YB, Mustafa S, Hashim DM. 2010. Lard detection based on fatty acids profile using comprehensive gas chromatography hyphenated with time-of-flight mass spectrometry. Food Chem. 122:1273-1277. Jaswir I, Mirghani MES, Hassan TH, Said MZM. 2003. Determination of lard in mixture of body fats of mutton and cow by Fourier transform infrared spectroscopy. J oleo sci. 52(12):633-638. Krishnamurthy MN. 1993. Updated methods for detection of adulterants and contaminants in edible oils and fats: A critical evaluation. J Food Sci Technol. 30:231-238. Lizhi H, Toyoda K, Ihara I. 2008. Dielectric properties of edible oils and fatty acids as a function of frequency, temperature, moisture and composition. J Food Eng. 88:151-158. Lizhi H, Toyoda K, Ihara I. 2010. Discrimination of olive oil adulterated with vegetable oils using dielectric spectroscopy. J Food Eng. 96:167-171. Maggio RM, Kaufman TS, Del Carlo M, Cerretani L, Bendini A, Cichelli A. 2009. Monitoring of fatty acid composition in virgin olive oil by Fourier transformed infrared spectroscopy coupled with partial least squares. Food Chem. 114:1549-1554. Marikkar JMN, Ghazali HM, Che Man YB, Peiris TSG, Lai OM. 2005a. Use of gas liquid chromatography in combination with pancreatic lipolysis and multivariate data analysis techniques for identification of lard contamination in some vegetable oils. Food Chem. 90:23-30. Marikkar JMN, Ghazali HM, Che Man YB, Peiris TSG, Lai OM. 2005b. Distinguishing lard from other animal fats in admixtures of some vegetable oils using liquid chromatographic data coupled with multivariate data analysis. Food Chem. 91:5-14. Marikkar JMN, Ghazali HM, Long K, Lai OM. 2003. Lard uptake and its detection in selected food products deep-fried in lard. Food Res Int. 36:1047-1060. Marikkar JMN, Laia OM, Ghazali HM, Che Man YB. 2002. Compositional and thermal analysis of RBD palm oil adulterated with lipase-catalyzed interesterified lard. Food Chem. 76:249-258. Martens H, Naes T. 1989. Multivariate calibration. Chichester: Wiley. Murugaiah C, Mohd Noor, Mastakim Z M, Bilung LM, Selamat J, Radu S. 2009. Meat species identification and Halal authentication analysis using mitochondrial DNA. Meat Sci. 83:57-61. Pearce TC, Schiffman SS, Nagle HT, Gardner (Eds.) JW. 2003. Handbook of Machine Olfaction: Electronic Nose Technology. Wiley-VCH Verlag GmbH & Co. KGaA, Weinheim. Peris M, Escuder-Gilabert L. 2009. Review- A 21st century technique for food control: Electronic noses. Anal Chim Acta. 638:1-15. Persaud KC, Travers PJ. 1997. Arrays of broad specificity films for sensing volatile chemicals, in: Kress-Rogers E. (Ed.). Handbook of Biosensors and Electronic Noses: Medicine, Food and Environment. CRC Press. Boca Raton. 563-589. Pravdova V, Boucon C, de Jong S, Walczak B, Massart DL. 2002. Three-way principal component analysis applied to food analysis: An example. Anal Chim Acta. 462:133-48.
20 Regenstein JM, Chaudry MM, Regenstein CE. 2003. The kosher and halal food laws. Compr. rev. Food Sci Food Saf. 2:111-127. Rohman A, Che Man YB. 2009. Analysis of Cod-Liver oil adulteration using Fourier transform infrared (FTIR) Spectroscopy. J Am Oil Chem Soc. 86(12):1149-1153. doi:10.1007/s11746-009-1453-9. Rohman A, Che Man YB. 2010. FTIR spectroscopy combined with chemometrics for analysis of lard in the mixtures with body fats of lamb, cow, and chicken. Int Food Res J. 17:519-526. Rohman A, Sismindari, Erwanto Y, Che Man YB. 2011. Analysis of pork adulteration in beef meatball using fourier transform infrared (FTIR) spectroscopy. Meat Sci. 88:91-95. Sikorska E, Górecki T, Khmelinskii IV, Sikorski M, De Keukeleire D. 2006. Monitoring beer during storage by fluorescence spectroscopy. Food Chem. 96:632-639. Soares S, Amaral JS, Mafra I, Oliveira MBPP. 2010. Quantitative detection of poultry meat adulteration with pork by duplex PCR assay. Meat Sci. doi:10.1016/j.meatsci. 2010, 03, 001. Stetter JR and Penrose WR. 2002. Understanding Chemical Sensors and Chemical Sensor Arrays (Electronic Noses): Past, Present, and Future. Sensors Update. 10:189-229.doi: 10.1002/1616-8984(200201)10:1<189:AIDSEUP189>3.0.CO;2-N. Sucipto, Irzaman, Tun Tedja I, Fauzi AM. 2011. Potential of conductance measurement for lard detection. IJBAS-IJENS. 11(05):26-30. http://www.ijens.org/Vol_11_I_05/114805-9696-IJBAS-IJENS.pdf Syahariza ZA, Che Man YB, Selamat J, Bakar J. 2005. Detection of lard adulteration in cake formulation by Fourier transform infrared (FTIR) spectroscopy. Food Chem. 92:365–371. Venkatesh MS, Raghavan GSV. 2004. An overview of microwave processing and dielectric properties of agri-food materials. Biosystems Eng. 88(1):1-11. Warriss PD. 2004. Meat science-an introductory text. Wallingford. Oxon. UK: CABI Publishing. Zheng Hai, Jun Wang. 2006. Electronic nose and data analysis for detection of maize oil adulteration in sesame oil. Sensors and Actuators B. 119:449-455. Djatna T, Morimoto Y. 2008. Attribute Selection for Numerical Databases That
21
3. PENGUKURAN SIFAT LISTRIK SEBAGAI BASIS DETEKSI CEMARAN LEMAK BABI (STUDI VALIDASI ALAT, PERSIAPAN SAMPEL, DAN SELEKSI FREKUENSI) Abstrak Penelitian ini bertujuan mendapatkan teknik pengukuran sifat listrik, persiapan sampel bahan, dan rentang frekuensi yang tepat sebagai basis deteksi cemaran lemak babi. Penelitian dilakukan dengan merancang keping sejajar yang sesuai untuk mengukur sifat listrik bahan. Sampel lemak dilakukan penyerapan air menggunakan Na2SO4 anhidrat dan tanpa penyerapan air. Pengukuran diuji pada rentang frekuensi 0,100-0,999 MHz, 1,000-3,799 MHz, dan 3,80-5,00 MHz pada suhu ruang (26-27oC). Hasil penelitian menunjukkan keping sejajar terbuat dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm efektif digunakan untuk mengakuisisi data sifat listrik bahan. Sampel lemak yang diserap airnya menggunakan Na2SO4 anhidrat dan diukur pada frekuensi 3,80-5,00 MHz menghasilkan data sifat listrik yang valid. Dengan alat, persiapan sampel, dan pilihan frekuensi pengukuran tersebut diharapkan dapat digunakan mengakuisisi data sifat listrik bahan sebagai basis pengembangan teknik deteksi lemak babi pada lemak pangan lain. Kata kunci: keping sejajar, persiapan sampel, rentang frekuensi, pengukuran sifat listrik, lemak babi
ELECTRICAL PROPERTIES MEASUREMENT AS BASIS OF LARD CONTAMINATION DETECTION (STUDY TOOLS VALIDATION, SAMPLE PREPARATION AND FREQUENCY SELECTION) Abstact This study aimed to identify the measurement technique of electrical properties, material sample preparation, and precisely frequency range as a detection basis of lard contamination. The study was conducted by using parallel plate design which is suitable for measuring the electrical properties of materials. Samples are prepared by water absorption using Na2SO4 anhydrous and without water absorption. The measurements were conducted at frequencies range of 0,100-0,999 MHz, 1,000-3,799 MHz and 3,80-5,00 MHz at room temperature (26-27°C). The results showed that the parallel plate made of copper, by dimension of 20 mm x 10 mm separate at distance 5 mm is effective acquire electrical properties data of materials. Fat were absorbed their water using Na2SO4 anhydrous and measured at frequencies of 3,80-5,00 MHz produced valid electrical properties data. With this instrument, sample preparation, and frequency range were expected can be used to acquire the electrical properties of materials as a basis for the development of lard detection technique on other edible fats. Keywords: parallel plate, sample preparation, frequency range, measurement electrical properties, lard
22 Pendahuluan Pengukuran sifat listrik bahan dapat dilakukan sesuai kondisi bahan dan tujuan pengukuran. Sifat listrik adalah karakteristik suatu bahan yang mencirikan potensinya dalam merespon pemanasan dielektrik, dan kemampuannya untuk menyimpan, meneruskan, dan memantulkan gelombang elektromagnetik. Pemanfaatan sifat dielektrik dalam bidang pertanian dan pangan meningkat seiring waktu. Sebagai contoh, pengukuran sifat listrik daging dan olahan daging telah dikembangkan untuk menilai kualitas dan kemurnian secara cepat dan non destruktif, mengarah in-situ berdasar energi elektromagnetik, teknik ultrasonik, dan resonansi (Castro-Giraldez et al. 2010). Selain itu, juga dikembangkan deteksi berbasis impedansi spektroskopi untuk evaluasi kerusakan daging sapi (Damez dan Clerjon 2008), dan uji pencampuran lemak (Lizhi et al. 2008). Teknik ini mengukur sifat listrik bahan sebagai penduga kualitas dan pencampuran bahan. Karena itu, informasi mengenai sifat listrik bahan pertanian dan pangan sebagai bahan hidup perlu diketahui. Demikian juga faktor-faktor yang memengaruhi sifat listrik seperti frekuensi, kadar air, temperatur, densitas, komposisi kimia, geometri, dan homogenitas bahan. Pengetahuan ini akan menunjang pemanfaatan sifat listrik bahan pertanian dan pangan secara lebih luas. Diantara masalah pemanfaatan sifat listrik bahan pertanian dan pangan adalah kurangnya pemahaman keterkaitan sifat listrik, fisik, dan kimia bahan. Alat ukur sifat listrik yang sesuai bahan pertanian dan pangan juga masih terbatas. Demikian juga rentang frekuensi pengukuran sifat listrik dan teknis persiapan bahan pangan belum banyak diketahui. Penelitian bertujuan mengembangkan alat ukur sifat listrik bahan pangan, khususnya lemak pangan, mencari prosedur persiapan sampel, dan mendapatkan rentang frekuensi pengukuran. Hasil ini diharapkan mendukung akuisisi sifat listrik bahan secara valid sebagai basis pengembangan teknik deteksi lemak babi.
Metode Penelitian Persiapan sampel Bahan yang digunakan penelitian terdiri 2 macam. Pertama, bahan keping sejajar sebagai tempat lemak yang diukur sifat listriknya. Kedua, lemak pangan yang diuji sifat listriknya, lemak babi dan lemak sapi. Sampel lemak babi dan lemak sapi diekstraksi dari jaringan lemak masing-masing hewan dengan pemanasan pada suhu 90-100oC selama 2 jam (Marikkar et al 2002). Lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Pada awal penelitian sampel lemak hasil ekstraksi langsung diukur sifat listriknya. Pada penelitian selanjutnya, lemak pangan dilakukan persiapan sampel diserap airnya menggunakan Na2SO4 anhidrat. Pengukuran sifat listrik Pengukuran sifat listrik bahan dilakukan menggunakan rentang frekuensi 0,100-0,999 MHz sebanyak 50 titik, 1,000-3,799 MHz sebanyak 50 titik, dan 3,80-5,00 MHz sebanyak 100 titik. Masing-masing diulang 5 kali.
23 Penilaian validitas hasil akuisisi data Untuk menilai validitas hasil akuisisi data sifat listrik setiap rentang frekuensi, dihitung dengan kriteria persen terjadinya noise selama akuisisi data. Persen noise = (( noise/ ( n x titik frekuensi)) x 100% ………….…. (3.1) Selain itu, dihitung rerata ( ), standar deviasi ( ), dan koefisien variasi ( ) setiap sifat listrik yang diukur. ...................................................................................... (3.2) ...................................................................... (3.3) /
..................................................................................................... (3.4)
dimana, n adalah jumlah ulangan pengukuran
Hasil dan Pembahasan Teknik pengukuran sifat listrik lemak pangan Sifat listrik bahan pada jaringan hidup berhubungan dengan prinsip bahwa kecepatan aliran arus setiap bahan berbeda, diantaranya tergantung komposisinya. Jaringan biologis terdiri dari sel-sel yang dikelilingi cairan ekstraselular. Membran sel bertindak sebagai isolator pada frekuensi rendah, berperilaku seperti sebuah kapasitor. Gambar 3.1 menunjukkan model sederhana, suatu kapasitor dan resistor yang terdapat pada membran sel. Dengan jenis rangkaian kapasitor (C) dan resistor (R) tertentu dihasilkan sifat listrik spesifik untuk suatu bahan.
Gambar 3.1 Model sederhana kapasitor dan resistor mebran sel (Pliquett 2010) Keterangan: Cm : model membran kapasitansi Re : resistensi ekstraseluler
Ri : resistensi intraseluler
Jaringan biologis, terutama daging, memiliki impedansi anisotropik, yaitu impedansi yang bervariasi berdasar apakah arus berjalan sejajar atau tegak lurus
24 terhadap serat otot (Damez et al. 2007). Setiap bahan hidup yang memiliki komposisi tertentu juga memiliki impedansi biolektrik tertentu. Impedansi dapat digunakan sebagai basis sensor perubahan komposisi bahan akibat penurunan kualitas dan atau pemalsuan bahan. Gambar 3.2 menunjukkan model pengukuran sifat listrik untuk bahan pangan. Kapasitansi paralel (Cp), kapasitansi seri (Cs), resistensi (R), dan impedansi (Z) dapat diukur dengan satu alat pengukur sifat listrik (M). Sifat listrik ini dapat dimanfaatkan sebagai basis sensor deteksi kualitas atau pemalsuan lemak pangan.
Gambar 3.2 Model pengukuran sifat listrik (Zywica et al. 2005) Keterangan: M : Alat pengukur C: Kapasitansi R: Resistansi Secara umum pengukuran sifat listrik dapat dilakukan dengan berbagai teknik, seperti pada Tabel 3.1. Dari tabel tersebut diketahui kelebihan dan kekurangan setiap teknik. Karena itu, teknik yang dipilih dapat mempertimbangkan tujuan, akurasi yang ingin dicapai, ketersediaan alat, waktu, dan biaya, serta pertimbangan lain. 20 mm 5 mm 5 mm kabel ke LCR meter
10 mm kabel ke LCR meter
Gambar 3.3 Disain keping sejajar Dengan pertimbangan di atas, untuk memudahkan pengukuran sifat listrik lemak pangan, pada penelitian ini digunakan teknik parallel plate (keping sejajar). Desain keping sejajar dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm seperti Gambar 3.3. Dimensi tersebut, terutama ketebalan 5 mm, sudah memenuhi untuk akuisisi data sifat listrik bahan pada rentang frekuensi 0,10-5,00 MHz. Kondisi ini sesuai kriteria Icier dan Baysal (2004) pada Tabel 3.1. Akuisisi, penyimpanan, dan pengelolaan data sifat listrik dilakukan secara cepat dan akurat dengan cara menghubungkan keping sejajar dan LCR meter type 3532-50 LCR HiTESTER (Hioki) dengan komputer menggunakan program National Instrument Labview 7.1. Data tersimpan dalam bentuk teks dengan tipe file LVM dan dapat diolah dengan program macro pada Microsoft exel.
25 Tabel 3.1 Karakteristik teknik pengukuran umum untuk menentukan sifat dielektrik diadaptasi dari Icier dan Baysal (2004) Teknik Pengukuran Karakteristik
Parallel plate
Lumped circuit
Coaxial probe
Transmission line
Cavity resonator
Free space
Diskripsi singkat
Bahan harus ditempatkan di antara dua elektroda untuk membentuk sebuah kapasitor
Sampel adalah bagian dari isolator dalam rangkaian disamakan
Sebuah kabel koasial memotong membentuk batas bidang datar kontak dengan bahan. Sebuah analisa vektor diperlukan untuk mengukur refleksi sampel berbentuk
Brick mengisi penampang saluran transmisi tertutup, menyebabka n perubahan impedansi
Sampel diperkenal kan dalam rongga (Q struktur resonansi tinggi), yang memengar uhi pusat frekuensi dan faktor kualitas rongga
Antena digunakan untuk mengarahkan sinar microwave pada atau melalui bahan. Sebuah vektor network analyzer mengukur koefisien refleksi& transmisi
Bahan yang direkomendasik an Range frekuensi
Bahan yang dapat dibentuk lapisan
Semua bahan, kecuali gas
Cair dan semipadat
Cair padat
Padat
Padat
<100 MHz
<100 MHz
200 MHz– 20 GHz, terutama >100 GHz
<100 MHz
1 MHz– 100 GHz
Range gelombang mikro
Kelebihan
Murah, akurasi tinggi
Bahan cair dan padat dapat diukur
Mudah digunakan, nondestruktif untuk beberapa bahan, tidak perlu persiapan sampel
Lebih akurat dan sensitif dibanding dengan metode probe
Persiapan sampel mudah, adaptif untuk berbagai suhu
Nondestruktif, suhu tinggi dapat digunakan
Cepat dan pengukura n dengan akurasi tinggi, sampel kecil
Kekurang an
Rentang frekuensi yang terbatas, sampel lembar sangat tipis (<10 mm)
Rentang frekuensi yang terbatas, tidak cocok untuk very loss materials
Akurasi terbatas (± 5%), resolusi kehilangan rendah, sampel besar & padat harus dibuat dalam permukaan datar
Akurasi kurang dari resonator, persiapan sampel sulit, dan memakan waktu
Data frekuensi broadband tidak disediakan dan analisis mungkin rumit
Sebuah lembaranan, tipis, sampel paralel, dan dibutuhkan kalibrasi khusus
Mahal
dan
Time domain spectroscopy Pulsa pendek dari radiasi Terahertz dalam generasi dan skema deteksi, yang sensitif terhadap efek amplitudo dan fase radiasi
Homogen
10 MHz– 10 GHz
26
Gambar 3.4 Skema rangkaian alat pengukuran sifat listrik Rangkaian terintegrasi keping sejajar, LCR meter, dan komputer penyimpan data seperti Gambar 3.4. Dengan rangkaian ini, parameter input pengukuran, seperti kuat arus, kecepatan pengukuran, rentang dan jumlah titik frekuensi, serta sifat listrik yang diukur dapat dipilih melalui program komputer. Hasil akuisisi data sifat listrik oleh LCR meter tersimpan dalam processor komputer. Pengukuran sifat listrik, meliputi impedansi, kapasitansi, dan konduktansi, dilakukan dengan berbagai kondisi. Pengukuran pada suhu ruang, 26-27oC memperoleh hasil akuisisi masing-masing sifat listrik dengan tampilan seperti Gambar 3.5. Pada sumbu horisontal (x) menunjukkan frekuensi tertentu menghasilkan nilai masingmasing sifat listrik, yaitu impedansi, kapasitansi, dan konduktansi (sumbu vertikal atau y) tertentu pula. Kondisi ini berarti pilihan rentang frekuensi akan menentukan nilai sifat listrik bahan yang bermakna dalam proses deteksi.
a. Impedansi
b. Kapasitansi
c. Konduktansi
Gambar 3.5 Contoh tampilan spektrum sifat listrik hasil pengukuran Mekanisme terukurnya sifat listrik sampel lemak sebagai berikut. Pada saat sampel lemak di dalam keping sejajar belum berada pada medan listrik maka ionion bahan dalam kondisi acak. Akibat arus listrik dari luar, terjadi penyeragaman arah dipol listrik (Kumar et al. 2007). Kemampuan penyeragaman momen dipol merupakan ciri khas dari molekul-molekul yang berkorelasi terhadap sifat dielektrik, fisiko kimia, dan biologis (Harmen 2001). Persiapan sampel lemak pangan Pada awal penelitian dengan tujuan mempercepat proses deteksi, dicoba pengukuran sifat listrik lemak pangan sesuai kondisi di pasar, yaitu tanpa persiapan sampel dengan penyerapan air. Hasilnya menunjukkan bahwa lemak yang tidak diserap airnya memiliki sifat listrik yang kurang konsisten. Analisis lebih jauh menunjukkan, air merupakan komponen yang berpengaruh besar pada sifat listrik, karena memiliki polaritas tinggi. Keberadaan air dalam bahan pangan akan memengaruhi sifat listriknya. Hermawan (2005) menyatakan setiap bahan
27 memiliki sifat listrik yang khas dan dipengaruhi oleh kondisi internal bahan, seperti momen dipol, komposisi kimia, kadar air, keasaman, dan sifat lainnya. Air dalam keadaan cairan murni jarang ditemukan dalam produk pangan. Air dalam bahan pangan mengandung bahan-bahan terlarut, secara fisik terserap dalam kapiler bahan pangan atau terikat secara kimia dengan molekul lain. Karena itu, masih sulit memahami dan memprediksi perilaku dielektrik bahan pangan di frekuensi, suhu, dan kadar air berbeda hanya didasarkan perilaku air. Nelson dan Datta (2001) menyatakan pada bahan berkelembaban tinggi, seperti kentang konstanta dielektrik menurun dalam rentang frekuensi tertentu. Pada bahan berkelembaban rendah, seperti biji gandum, konstanta dielektrik juga menurun dalam rentang frekuensi 250 Hz sampai 12 GHz. Karena itu, kadar air memiliki efek yang sangat nyata terhadap sifat listrik bahan. Untuk meminimalkan pengaruh air pada sifat listrik lemak pangan, dalam penelitian berikutnya dilakukan persiapan sampel dengan penyerapan air menggunakan Na2SO4 anhidrat. Prosedur ini merujuk metode yang telah digunakan Marikkar et al. (2005) untuk membedakan lemak babi dari lemak hewani lain menggunakan kromatografi cair, Indrasti et al. (2010) membedakan lemak babi dengan lemak nabati dan hewani lain menggunakan kromatografi gasspektrometri massa. Metode ini juga digunakan Rohman dan Che-Man (2010) untuk membedakan lemak babi dengan lemak kambing, lemak sapi, dan lemak ayam. Dalam metode ini prosedur persiapan bahan sebagai berikut. Lemak babi dan lemak sapi diekstraksi dari jaringan lemak maing-masing hewan melalui pemanasan pada suhu 90-100 oC selama 2 jam (Marikkar et al. 2002). Lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Kemudian ditambahkan Na2SO4 anhidrat pada lemak cair. Ditunggu hingga ada endapan yang menunjukkan Na2SO4 telah jenuh mengikat air dari lemak yang sebelumnya tanpa endapan. Kemudian, lemak yang masih cair segera dipisahkan dari endapan, dimasukkan ke botol berwarna gelap hingga penuh, dan ditutup rapat untuk meminimalkan kontak dengan udara. Lemak ini dijadikan sediaan untuk diukur sifat listriknya dalam rentang frekuensi tertentu. Pengaruh frekuensi pengukuran Sifat listrik bahan pangan dipengaruhi suhu, komposisi, dan frekuensi yang diberikan. Pilihan frekuensi pengukuran sifat listrik bahan pangan terkait sifat fisik dan komposisi kimia bahan. Rentang frekuensi pengukuran menentukan makna hasil pengukuran sifat listrik. Penentuan pilihan frekuensi dinilai dari persen noise (Persamaan 3.1) dan koefisien variasi (Persamaan 3.4) untuk setiap kelompok frekuensi. Pertama kali diuji alat sebagai tempat lemak pangan, yaitu keping sejajar kosong (udara), seperti pada Tabel 3. 2. Tabel 3.2 menunjukkan bahwa pada rentang frekuensi 0,100-0,999 MHz, terjadi noise pengukuran 3 kali atau 0,012 persen dan memiliki nilai koefisien variasi terbesar dibanding rentang frekeuensi lebih tinggi. Pada rentang frekuensi 1,000-3,799 MHz, terjadi noise pengukuran 17 kali atau 0,068 persen dan koefisien variasinya bernilai di antara rentang frekuensi lain. Pada rentang frekuensi 3,80-5,00 MHz tidak terjadi noise pengukuran dan menghasilkan koefisien variasi terkecil dibanding rentang frekuensi lain. Hasil ini menunjukkan pengukuran pada frekuensi 3,80-5,00 MHz paling valid. Untuk
28 lebih mengetahui pengaruh rentang frekuensi pengukuran, keping sejajar yang sama diisi lemak babi dan lemak sapi dan diukur sifat listriknya. Tabel 3.2
Hubungan rentang frekuensi pengukuran dengan persen noise dan koefisien variasi sifat listrik keping sejajar kosong Parameter
Jumlah noise Jumlah ulangan (n) Jumlah titik frekuensi Persen noise Rentang koefisien variasi ( ) - Impedansi - Kapasitansi - Konduktansi
Rentang Frekuensi Pengukuran 0,100-0,999 MHz 1.000-3.799 MHz 3.80-5.00 MHz 3 17 0 5 5 5 50 50 100 0.012 0.068 0.000
0,2806 – 1,3753 0,5402 – 4,2778 0,4378 – 2,2221
0,0345-0,8572 0,0202-0,8577 0,1280-1,1183
0,0045-0,2454 0,0060-0,2417 0,0437-1,2328
Tabel 3.3 Hubungan rentang frekuensi pengukuran dengan persen noise dan koefisien variasi sifat listrik lemak babi dan lemak sapi Parameter Lemak babi Jumlah noise Jumlah ulangan Jumlah titik frekuensi Persen noise Rentang koefisien variasi ( ) - Impedansi - Kapasitansi - Konduktansi Lemak sapi Jumlah niose Jumlah ulangan Jumlah titik frekuensi Persen noise Rentang koefisien variasi ( ) - Impedansi - Kapasitansi - Konduktansi
Rentang Frekuensi Pengukuran 0,100-0,999 MHz 1.000-3.799 MHz 3.80-5.00 MHz 2 5 50 0.008
0,1744 – 1,4048 0,2135 – 1,2601 0,2964 – 1,7324 3 5 50 0.012
0,1855 – 1,2399 0,1225 – 1,5794 0,3398 – 1,6413
7 5 50 0.028
0,518-1,4205 0,0476-1,5249 0,3355-2,1083 19 5 50 0.076
0,0146-0,5517 0,0118-0,9421 0,0501-1,5128
0 5 100 0.000
0,0116-0,2161 0,0111-0,2173 0,0311-0,8512 0 5 100 0.000
0,0115-0,2532 0,0099-0,2231 0,0222-0,7877
Tabel 3.3 menunjukkan bahwa pada rentang frekuensi 3,80-5,00 MHz tidak terjadi noise dan standar deviasinya terkecil. Ini berarti pengukuran pada rentang frekuensi 3,80-5,00 MHz menghasilkan data sifat listrik lemak babi dan lemak sapi berkonsistensi tinggi. Frekuensi ini digunakan pengukuran berikutnya.
29 Contoh hasil pengukuran sifat listrik konduktansi lemak babi, lemak sapi, dan minyak goreng sawit pada frekuensi 3,80-5,00 MHz seperti Gambar 3.6. Minyak goreng Lemak babi Lemak sapi
0.00018 0.00016
Konduktansi (S)
0.00014 0.00012 0.0001
0.00008 0.00006 0.00004 0.00002 0 3.8
4.3
4.8
Frekuensi (MHz)
Gambar 3.6 Hubungan frekuensi dengan konduktansi lemak babi, lemak sapi, dan minyak goreng sawit Gambar 3.6 memperlihatkan pada frekuensi lebih tinggi, konduktansi cenderung meningkat hingga frekuensi tertentu, kemudian menurun. Pada frekuensi lebih tinggi perubahan arah gerakan muatan listik pada keping sejajar berlangsung cepat dan diikuti penyesuaian arah muatan sampel lemak juga cepat, sehingga konduktansi meningkat. Hasil ini berkesesuaian dengan pengukuran konduktansi telur kampung selama proses penyimpanan (Juansah et al. 2009).
Simpulan dan Saran Simpulan Hasil penelitian menunjukkan keping sejajar dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm dapat digunakan mengakuisisi data sifat listrik lemak pangan. Sampel lemak perlu diserap airnya menggunakan Na2SO4 anhidrat. Penggunaan rentang frekuensi 3,80-5,00 MHz menghasilkan data sifat listrik, impedansi, kapasitansi, dan konduktansi yang valid. Alat dan kondisi pengukuran di atas direkomendasikan digunakan untuk mengakuisisi data sifat listrik sebagai basis pengembangan teknik deteksi lemak babi pada lemak pangan lain. Saran Aplikasi rentang frekuensi terpilih pada penelitian ini perlu diteliti dengan menggunkan sampel lain, semisal lemak pangan lainnya dan daging sapi. Demikian juga kemungkinan penggunaan frekuensi yang lebih tinggi.
30 Pustaka Castro-Giráldez M, Chenoll C, Fito PJ, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In: Toldra F. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons Inc. Damez JL, Clerjon S. 2008. Meat quality assessment using biophysical methods related to meat structure. Meat Sci. 80(1):132-149. Damez JL, Clerjon S, Abouelkaram S, Lepetit J. 2007. Dielectric behavior of beef meat in the 1-1500 kHz range: Simulation with the Fricke/ Cole-Cole model. Meat Sci. 77(4):512-519. Harmen. 2001. Rancang bangun alat dan pengukuran nilai sifat dielketrik bahan pertanian pada kisaran frekuensi radio. Tesis. Program pascasarjana, Institut Pertanian Bogor. Bogor. Hermawan. 2005. Monitoring kadar air tanah melalui pengukuran sifat dielektrik pada lahan jagung. JIPI. 7:15-22. Içıer F, Baysal T. 2004. Dielectric properties of food materials-2: measurement techniques. Crit Rev Food Sci Nutr. 44:473-478. Indrasti D, Che Man YB, Mustafa S, Hashim D M. 2010. Lard detection based on fatty acids profile using comprehensive gas chromatography hyphenated with time-of-flight mass spectrometry. Food Chem. 122:1273-1277. Juansah J, Irmansyah, Kusnadi. 2009. Sifat listrik telur ayam kampung selama penyimpanan. Med Pet. 32(1):22-30. Kumar P, Coronel P, Simunovic J, Truong VD, Sandeep KP. 2007. Measurement of dielectric properties of pumpable food materials under static and continuous flow conditions. J Food Sci. 72(4):177-183. Lizhi H, Toyoda K, Ihara I. 2008. Dielectric properties of edible oils and fatty acids as a function of frequency, temperature, moisture and composition. J Food Eng. 88:151-158. Marikkar JMN, Ghazali HM, Che Man YB, Lai OM. 2002. The use of cooling and heating thermograms for monitoring of tallow, lard and chicken fat adulterations in canola oil. Food Res Int. 35:1007-1014. doi:10.1016/S09639969(02)00162-X Marikkar JMN, Ghazali HM, Che Man, YB, Peiris TSG, Lai OM. 2005. Distinguishing lard from other animal fats in admixtures of some vegetable oils using liquid chromatographic data coupled with multivariate data analysis. Food Chem. 91:5-14. Nelson SO, Datta AK, 2001. Dielectric properties of food materials and electric field interactions. In: Datta AK, Anantheswaran RC. (Eds.) Handbook of microwave technology for food applications. Marcel Dekker Inc. New York. p69-114. Pliquett U. 2010. Bioimpedance: A Review for Food Processing. Food Eng Rev. 2:74-94. doi:10.1007/s12393-010-9019-z. Rohman A, Che Man YB. 2010. FTIR spectroscopy combined with chemometrics for analysis of lard in the mixtures with body fats of lamb, cow, and chicken. Int Food Res J. 17:519-526. Zywica R, Pierzynowska-Korniak G, Wojcik J. 2005. Application of food products electrical model parameters for evaluation of apple puree dilution. J Food Eng. 67:413-418.
31
4.AAPLIKASI SIFAT LISTRIK UNTUK MEMBEDAKAN LEMAK BABI DARI LEMAK SAPI DAN MINYAK GORENG SAWIT Abstrak Studi ini bertujuan untuk membedakan lemak babi dari lemak sapi dan minyak goreng sawit berdasar sifat listriknya, yaitu konduktansi, impedansi, dan kapasitansi. Sifat ini diukur pada frekuensi 4,20 sampai 5,00 MHz di suhu ruang (26-27 oC). Statistik multi variabel yang terdiri atas analisis komponen utama (AKU) dan analisis kluster digunakan untuk mengevaluasi data. Hasilnya menunjukkan bahwa lemak babi dan lemak sapi dapat dibedakan menggunakan seluruh parameter sifat listrik bahan. Di sisi lain, lemak babi dan minyak goreng sawit hanya dapat dibedakan menggunakan sebagian sifat listrik bahan. Kinerja terbaik proses pembedaan diperoleh menggunakan model AKU pada frekuensi 4,71 sampai 4,98 MHz. Dua komponen utama AKU, yang diturunkan dari konduktansi, impedansi, dan kapasitansi, berkontribusi lebih dari 90% total variansi. Analisis kluster menunjukkan bahwa lemak babi dan lemak sapi berbeda kelompok didasarkan jarak Euclidean masing-masing sifat listriknya. Teknik ini berpotensi dikembangkan sebagai sensor listrik untuk pembedaan lemak babi terhadap lemak sapi dan minyak goreng sawit. Kata kunci: Pembedaan, lemak babi, lemak sapi, minyak goreng sawit, sifat listrik
APPLICATION OF ELECTRICAL PROPERTIES TO DIFFERENTIATE LARD FROM TALLOW AND PALM OIL Abstract This study aimed to differentiate lard from tallow and palm oil based on its electrical properties, namely conductance, impedance and capacitance. These properties were measured at spectra frequencies of 4,20 to 5,00 MHz in room temperature (26-27oC). Multivariate statistic that consist of principal component analysis (PCA) and cluster analysis (CA) were used to evaluate the data. The results showed that lard and tallow can be differentiated using whole parameters electrical properties of materials. On the other hand, lard and palm oil can only be differentiated using part of the material electrical properties. Good performance of differentiation process was obtained using PCA model at 4,71 to 4,98 MHz. The first two components of PCA, which was derived from conductance, impedance and capacitance, contributed more than 90% of the total variances. CA showed that lard and tallow are different groups based on the Euclidean distance of each electrical properties. This technique can be potentially developed as an electrical sensor for differentiation lard to tallow and palm oil. Keywordsi: Differentiate, lard, tallow, palm oil, electrical properties
32 Pendahuluan Pemalsuan produk pangan meliputi penggantian bahan berharga tinggi dengan bahan berkualitas lebih rendah dan berharga lebih murah (Tay et al. 2002). Pemalsuan lemak babi pada lemak dan minyak lain merupakan masalah serius bagi lembaga regulator, pemasok minyak, dan mengancam kesehatan konsumen (Rashood et al. 1996). Penganut Yahudi ortodoks dan Islam melarang mengonsumsi daging dan lemak babi dalam setiap produk (Marikkar et al. 2002). Pemalsuan minyak pangan juga terjadi bila komposisi produk sebenarnya menyimpang dari komposisi campuran yang tercantum pada label atau jika produk campuran diperdagangkan sebagai produk murni (Ulberth et al. 2000). Ada beberapa teknik yang telah digunakan mendeteksi lemak babi pada lemak dan minyak lainnya. Berdasarkan teknik sensor, pemalsuan lemak babi dibagi dalam dua kelompok. Teknik pertama adalah deteksi dengan pelabelan, contohnya polymerase chain reaction (PCR). Teknik kedua yaitu deteksi tanpa pelabelan, seperti Electronic nose (E-Nose) dan Fourier transform infrared (FTIR) spectroscopy (Sucipto et al. 2011). Polymerase chain reaction-restriction fragment length polymorphisms (PCR-RFLP) digunakan untuk menganalisis daging dan lemak babi (Aida et al. 2005) dan pembuktian daging babi dalam produk nugget dan sosis (Erwanto et al. 2011). Surface acoustic wave (SAW) sensor electronic nose (zNose TM) digunakan untuk mendeteksi pemalsuan lemak babi dalam refined, bleached, deodorized (RBD) palm olein (Che Man et al. 2005a). Kombinasi spektroskopi FTIR dan partial least square (PLS) digunakan untuk menganalisis pemalsuan lemak babi pada lemak domba (Jaswir et al. 2003), lemak babi pada kue (Syahariza et al. 2005). Kombinasi spektroskopi FTIR dengan Attenuated Total Reflectance (ATR) and PLS digunakan untuk mengidentifikasi lemak babi pada formulasi coklat (Che Man et al. 2005b), pemalsuan lemak ikan dengan lemak sapi, domba dan babi (Rohman dan Che Man 2009), lemak babi pada lemak domba, sapi, dan ayam (Rohman et al. 2010). Umumnya, teknik tersebut perlu peralatan kompleks, mahal, dan membutuhkan waktu. Karena itu, perlu pengembangan teknik baru yang sederhana tetapi akurat untuk membedakan lemak babi dari lemak dan minyak pangan lain. Sifat dielektrik telah digunakan mendeteksi kadar air dalam pangan (Toyoda 2003), menganalisis dan memonitor kualitas bahan pangan (Venkatesh dan Raghavan 2004), dan memisahkan minyak zaitun dari minyak nabati lain (Lizhi et al. 2010). Sifat dielektrik berbagai jenis bahan pangan diperlukan untuk memahami karakteristik bahan ketika dilewatkan medan elektromagnetik pada frekuensi tertentu dan suhu yang diinginkan (Sosa-Morales et al. 2010). Sifat dielektrik bahan dipengaruhi oleh frekuensi, suhu, kandungan air, densitas, komposisi, dan struktur bahan (Castro-Giráldez et al. 2010). Pangan memiliki sifat dielektrik dan polarisasi non-ideal yang terlibat dalam fenomena disipasi, energi adsorpsi, dan kerusakan yang memengaruhi konstanta dielektrik. (Toyoda 2003). PCA merupakan salah satu teknik penting dalam analisis multivariat. PCA memproyeksikan data asli dalam pengurangan dimensi yang didefinisikan sebagai komponen utama (PC). Teknik ini berguna ketika ada korelasi antar data (Cserha’ti 2009).
33 Dalam penelitian ini, sifat listrik, seperti konduktansi, impedansi, dan kapasitansi dikombinasikan statistik multivariat, PCA dan CA digunakan untuk membedakan lemak babi dari lemak serta minyak lain. Penelitian ini adalah aplikasi baru sifat listrik untuk membedakan lemak babi terhadap lemak dan minyak pangan lain. Metode Penelitian Tempat dan waktu penelitian Penelitian dilakukan di Laboratorium Biofisika Departemen Fisika dan Laboratorium Kimia Terpadu IPB. Persiapan sampel Pada penelitian ini, sampel lemak babi (lard) dan lemak sapi (tallow) diekstraksi dari jaringan lemak babi dan sapi dengan pemanasan pada suhu 90-100 oC selama 2 jam (Marikkar et al. 2002). Lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Refined-bleached-deodorized palm olein ((RBDPO) yang selanjutnya disebut minyak goreng sawit (palm oil) diperoleh dari pasar dengan merk tertentu. Setiap lemak yang telah disaring dikeringkan dengan Natrium Sulfat (Na2SO4) anhidrat. Fraksi ini disimpan dalam freezer (pada -20 oC) sebelum dianalisis lebih lanjut. Pengukuran sifat listrik dan asam lemak Setiap sampel dimasukkan lempeng sejajar dari tembaga dengan ukuran 20 mm x 10 mm berjarak 5 mm. Kemudian, lempeng sejajar dihubungkan dengan 3532-50 LCR HiTESTER (Hioki) untuk mengukur sifat listrik sampel, meliputi konduktansi, impedansi, dan kapasitansi. Konduktansi diukur dalam Siemens (S), kapasitansi dalam nano Farad (nF), dan impedansi dalam Mega Ohm (MΩ). Pengukuran pada 4,20 sampai 5,00 MHz dalam 81 titik frekuensi di suhu ruang sekitar 26-27 oC. Nilai konstanta dielektrik (ε') sampel dihitung dengan persamaan berikut: = ............................................................................................................. (4.1) Cp adalah kapasitansi bahan (F), d adalah jarak keping sejajar (m), A adalah luas keping (m2) dan ε0 adalah permitivitas ruang hampa = 8,85 e-12 (F/m). Komposisi asam lemak dalam setiap sampel ditentukan dengan melakukan tahap pembentukan metil ester asam lemak sesuai dengan metode AOAC 2-66 (AOAC 2005). Selanjutnya metil ester asam lemak yang diperoleh dianalisis dengan gas-chromatography 1700a (Shimadzu). Kolom menggunakan DB-23 (30 m x 0,25 mm i.d, ketebalan film 0,25 µm), splitless-split injector, flame ionisation detector (FID), pembawa gas adalah Helium. Hasil analisis digunakan untuk menjelaskan hubungan sifat listrik dengan komposisi asam lemak bahan. Analisis data Semua sampel dianalisis sifat listriknya pada spektrum yang ditentukan dalam tiga ulangan. Rerata nilai konduktansi, impedansi, dan kapasitansi, serta
34 konstanta dielektrik dihitung dengan perangkat lunak Microsoft Excel 2007. Analisis statistik PCA dan CA dihitung dengan Minitab software (Rilis 16). Hasil dan Pembahasan Konduktansi Konduktansi lemak babi, lemak sapi, dan minyak goreng sawit pada frekuensi 4,20 MHz sampai 5,00 MHz ditunjukkan pada Gambar 4.1a.
Lard (G) 1
4 Second Component (14.1%)
23500 23000 22500 22000 21500
Lard (G) 3
3
Lard (G) 2
2
Tallow (G) 1
1 Tallow (G) 3
0
Tallow (G) 2
-1 -2 -3
Palm oil (G) 1
-4
21000
Palm oil (G) 2
4,20 4,28 4,36 4,44 4,52 4,60 4,68 4,76 4,84 4,92 5,00
-5 -12,5
Palm oil (G) 3
-10,0
-7,5
Frekuensi (MHz) (a)
-5,0 -2,5 0,0 First Component (80.3%)
(b)
Dendrogram
Ward Linkage. Euclidean Distance -91,99
Similarity
Konduktansi (nS)
Score Plot of 4,20. .... 5,00
Palm oil (G) Tallow (G) Lard (G)
24000
-28,00
36,00
100,00
lm Pa
l( oi
1 G) l Pa
m
l( oi
2 G) lm Pa
l( oi
3 G)
rd La
)1 (G
rd La
)3 (G L
d ar
)2 (G Ta
w llo
)1 (G Ta
w llo
)2 (G Ta
w llo
)3 (G
Variables
(c) Gambar 4.1 Konduktansi lemak babi, lemak sapi, dan minyak goreng sawit (a) Hubungan frekuensi dengan konduktansi sampel. (b) Score plot dua komponen utama konduktansi. (c) Dendogram berdasarkan konduktansi
2,5
5,0
35 Konduktansi sampel lemak meningkat sampai tingkat frekuensi tertentu, kemudian menurun. Konduktansi tertinggi lemak sapi diperoleh pada frekuensi 4,40 MHz, tetapi lemak babi dan minyak goreng sawit pada 4,60 MHz. Konduktansi sangat dipengaruhi oleh frekuensi. Konduktansi salah satu sifat listrik yang terkandung dalam bahan dan bervariasi terkait spektrum frekuensi pada medan listrik. Dengan demikian, fenomena penting yang berkontribusi pada sifat dielektrik adalah polarisasi molekul pada medan listrik, yang memiliki momen dipol permanen (Venkatesh dan Raghavan 2004). Pada frekuensi kurang dari 200 MHz, konduktansi ionik memainkan peran utama, dimana baik konduktansi ionik dan rotasi dipol air bebas adalah penting pada pengukuran frekuensi gelombang mikro. Misalnya, konduksi ionik merupakan mekanisme utama dispersi dielektrik pada telur utuh dalam frekuensi kurang dari 200 MHz (Ragni et al. 2007). Perubahan nilai konduktansi lemak sapi relatif lebih besar dibanding lemak babi dan minyak goreng sawit. Konduktansi lemak pangan dipengaruhi asam lemak. Komposisi asam lemak sampel yang diukur dengan kromatografi gas terlihat pada Tabel 4.1. Lemak pangan tersusun oleh triester dari gliserol dan asam karboksilat rantai panjang. Lemak alami merupakan campuran trigliserida dengan dua atau tiga asam lemak berbeda. Jika satu atom hidrogen dalam asam lemak terlepas, atom karbon ikatan tunggal diganti dengan ikatan rangkap. Asam lemak ini menjadi tak jenuh dan umumnya cair pada suhu kamar. Konduktasi lemak dipengaruhi jumlah asam lemak tak jenuh setiap lemak. Laporan Sucipto et al. (2011) mengindikasikan hasil serupa. Lemak sapi mempunyai asam lemak tak jenuh terkecil, sekitar 18,78 persen, dibanding lemak babi dan minyak goreng sawit, berturut-turut 42,59 dan 45, 10 persen (Tabel 4.1). Dalam studi ini, PCA digunakan menganalisis nilai konduktansi lemak babi, lemak sapi, dan minyak goreng sawit pada 81 spektrum dielektrik 4,20-5,00 MHz. Gambar 4.1b menunjukkan score plot PCA konduktansi mewakili proyeksi sampel yang disebut sebagai komponen utama pertama (PC1) dan komponen utama kedua (PC2). PC1 menggambarkan variasi paling besar dalam spektrum dielektrik, sementara PC2 menggambarkan variasi terbesar berikutnya. PC1 menyumbang 80,3% variasi, sedang PC2 14,1% variasi, sehingga 94,4% varian digambarkan kedua komponen utama. Daerah frekuensi 4,91 dan 4,98 MHz berkontribusi lebih besar pada model PCA. Untuk membagi sampel berdasarkan nilai konduktansi ke dalam kelas, digunakan CA dengan metode linkage tunggal. Keuntungan utama dari CA dibanding PCA adalah CA mampu memberikan nilai numerik kesamaan antara objek yang dievaluasi. Kemudian, CA memungkinkan mengurangi dimensi sementara tetap mempertahankan informasi yang diperlukan (Guimet et al. 2004). Gambar 4.1c menunjukkan dendogram yang menggambarkan tahapan linkage. Jika dendogram dipotong pada garis horizontal, analisis konduktansi menemukan bahwa sampel terbagi dalam dua kelompok. Kelompok 1 meliputi lemak babi dan minyak goreng sawit, dan kedua adalah lemak sapi. Jadi, pengukuran konduktansi dapat membedakan lemak babi dan lemak sapi secara lebih baik dibanding lemak babi dan minyak goreng sawit. Ini sesuai komposisi asam lemak dari lemak babi dan lemak sapi berbeda lebih besar dibanding lemak babi dan minyak sawit (Tabel 4.1).
36 Tabel 4.1 Profil asam lemak dari lemak babi, lemak sapi, dan minyak goreng sawit dengan kromatografi gas Asam lemak, Formula
Capric Acid, C10:0 Lauric Acid, C12:0 Tridecanoic Acid, C13:0 Myristic Acid, C14:0 Myristoleic Acid, C14:1 Pentadecanoic Acid, C15:0 Palmitic Acid, C16:0 Palmitoleic Acid, C16:1 Heptadecanoic Acid, C17:0 Cis-10-Heptadecanoic Acid, C17:1 Stearic Acid, C18:0 Oleic Acid, C18:1n9c Linoleic Acid, C18:2n6c Arachidic Acid, C20:0 v-Linolenic Acid, C18:3 Cis-11-Eicosenoic Acid, C20:1 Linolenic Acid, C18:3n3 Heneicosanoic Acid, C21:0 Cis-11,14-Eicosedienoic Acid, C20:2 Behenic Acid, C22:0 Cis-8,11,14-Eicosetrienoic Acid, C20:3n6 Cis-11,14,17-Eicosetrieonic Acid,C20:3n3 Arachidonic Acid, C20:4n6 Tricosanoic Acid, C23:0 Lignoceric Acid, C24:0 Cis-5,8,11,14,17-Eicosapentaenoic Acid, C20:5n3 Cis-4,7,10,13,16,19-Docosahexaenoic Acid, C22:6n3 Total asam lemak
Komposisi asam lemak (%) Minyak Lemak Lemak goreng sapi babi sawit 0,02 0,05 0,13 0,15 0,50 2,56 nd 0,02 nd 0,72 6,61 4,94 nd 0,35 0,04 0,03 0,59 0,08 26,05 24,32 20,41 0,16 1,68 1,45 0,06 1,30 0,27 0,02 0,24 0,12 2,92 26,70 9,81 34,70 15,39 27,08 9,86 0,84 11,14 0,29 0,29 0,13 nd nd 0,04 0,15 0,08 0,52 0,14 0,17 1,03 n,d 0,05 nd 0,07 0,03 0,41 0,05 0,05 n,d nd nd 0,10 nd nd 0,11 nd nd 0,32 nd 0,03 nd 0,05 0,02 nd nd nd 0,03 nd nd 0,20 75,45 79,34 80,89
nd : tidak terdeteksi
Pada kajian ini, konduktansi terutama dipengaruhi asam lemak jenuh, C16:0 dan C18:0. Jumlah ke 2 asam lemak jenuh ini pada lemak sapi mencapai 51,02 persen, sedang pada lemak babi dan minyak goreng sawit masing-masing 30,22 persen dan 28,97 persen. Dominasi asam lemak jenuh menyebabkan energi aktivasi untuk gerakan elektron dari satu posisi ke posisi lain terbatas dan polaritasnya kecil saat diberikan frekuensi tertentu. Spohner (2012) menyatakan sifat listrik komponen minyak alami ditentukan oleh fatty acid methyl ester (FAMEs) yang berhubungan dengan energi aktifasinya. Gambar 4.1a menunjukkan nilai konduktansi lemak sapi paling rendah dibanding minyak goreng sawit dan lemak babi pada frekuensi 4,68-5,00 MHz. Impedansi Impedansi lemak babi, lemak sapi, dan minyak goreng sawit pada frekuensi 4,20 MHz sampai 5,00 MHz ditunjukkan Gambar 4.2a. Impedansi sampel cenderung meningkat seiring peningkatan frekuensi. Lemak sapi awalnya memiliki nilai impedansi terendah namun seiring peningkatan frekuensi, terutama di atas 4,55 MHz, memiliki nilai tertinggi. Impedansi lemak babi dan minyak
37 goreng sawit cenderung berimpit, tetapi impedansi lemak babi dan lemak sapi terpisah. Hasil ini sesuai score plot PCA (Gambar 4.2b). Impedansi adalah kompleks konduktansi dan kapasitansi yang berlawanan dengan arus listrik. Impedansi lemak memiliki komponen resistif dan kapasitif. Lemak bertindak sebagai isolator pada frekuensi rendah yang memiliki perilaku seperti kapasitor. Score Plot of 4,20. .... 5,00
0.03200 4
0.03100
Palm oil (Z) 1
3 Second Component (6.4%)
Impedance (MΩ)
0.03000 0.02900 0.02800 0.02700 Palm oil (Z)
0.02600
Tallow (Z)
0.02500
Lard (Z)
0.02400
Palm oil (Z) 2
2 Palm oil (Z) 3
1
Tallow (Z) 1
0 Tallow (Z) 3
-1
Tallow (Z) 2
Lard (Z) 1
-2
Lard (Z) 3
4,20 4,31 4,42 4,53 4,64 4,75 4,86 4,97
-3 Lard (Z) 2
-4
Frequency (MHz)
-5
0 5 First Component (88.1%)
(a)
10
(b) Dendrogram
Ward Linkage. Euclidean Distance
Similarity
97,52
98,35
99,17
100,00
lm Pa
1 Z) l( i o
lm Pa
l( oi
2 Z) l Pa
m
l( oi
3 Z) La
rd
)1 (Z La
rd
)3 (Z La
rd
)2 (Z Ta
w llo
)1 (Z Ta
w llo
)2 (Z Ta
w llo
)3 (Z
Variables
(c) Gambar 4.2 Impedansi lemak babi, lemak sapi, dan minyak goreng sawit (a) Hubungan frekuensi dengan impedansi sampel. (b) Score plot komponen utama konduktansi sampel. (c) Dendogram berdasarkan impedansi. Gambar 4.2b menunjukkan score plot impedansi PCA pada 81 frekuensi spektrum dielektrik. PC1 menggambarkan variasi paling besar dalam spektrum dielektrik, sementara PC2 menggambarkan variasi terbesar berikutnya. PC1
38 menyumbang 88,1% variasi, sedang PC2 6,40% variasi. Daerah frekuensi 4,71, 4,74, 4,91, 4,92, 4,95, 4,23, 4,30 MHz berkontribusi lebih besar pada model PCA. Hasil CA impedansi sampel pada Gambar 4.2c. Garis horizontal di dendogram memisahkan sampel menjadi dua kelompok. Kelompok pertama adalah lemak babi dan minyak goreng sawit, sedang lemak sapi pada kelompok kedua. Kondisi ini menunjukkan bahwa pengukuran impedansi dapat membedakan lemak babi dari lemak sapi dan minyak goreng sawit dengan PCA dan CA. Impedansi lemak babi dan lemak sapi memiliki perbedaan lebih besar dibanding dengan lemak babi dan minyak goreng sawit. Impedansi lemak dan minyak dipengaruhi oleh komposisi asam lemak tidak jenuh setiap lemak, terutama C18:1 dan C18:2. Tabel 4.1 menunjukkan jumlah ke 2 asam lemak tidak jenuh pada lemak sapi sebesar 16,23 persen, sedang pada lemak babi dan minyak goreng sawit masing-masing 38,22 dan 44,56 persen. Ketika frekuensi tertentu, diberikan pada lemak yang didominasi asam lemak tidak jenuh, energi aktivasinya mudah digunakan untuk gerakan elektron dari satu posisi ke posisi lain dan polaritasnya lebih tinggi. Hasil ini sesuai riset sifat listrik komponen minyak alami (Spohner 2012). Gambar 4.2a menunjukkan pada frekuensi di atas 4,685,00 MHz nilai impedansi tertinggi didapatkan pada lemak sapi. Kapasitansi Kapasitansi adalah kemampuan kapasitor menyimpan energi dalam medan listrik. Kapasitansi berbanding lurus dengan luas permukaan lempeng sejajar dan berbanding terbalik dengan jarak pemisahan antar lempeng. Kapasitansi bervariasi terkait dengan frekuensi, seperti sifat listrik lainnya (Toyoda 2003). Kapasitansi lemak babi, lemak sapi, dan minyak goreng sawit pada frekuensi 4,20-5,00 MHz pada Gambar 4.3a. Kapasitansi sampel cenderung turun seiring meningkatnya frekuensi. Kapasitansi lemak babi dan minyak goreng sawit cenderung berimpit. Ini menunjukkan karakteristik lemak babi dan minyak goreng sawit relatif serupa dan lebih sulit dipisahkan berdasarkan nilai kapasitansi. Gambar 4.3b menunjukkan hasil PCA yang terkait dengan data set kapasitansi sampel. Dua komponen utama pertama menjelaskan 90,5% (PC1 86,5% + PC2 4,0%) dari total varian. Dari PCA, diketahui bahwa frekuensi 4,67, 4,70, 4,71, 4,73, 4,74, 4,75, 4,76, 4,94, 4,23, 4,38 MHz memiliki kontribusi yang lebih ke model PCA. Analisis kluster nilai kapasitansi ditunjukkan Gambar 4.3c. Dendogram ini menggambarkan tahapan linkage. Garis horizontal membagi sampel menjadi dua kelompok. Kelompok 1 terdiri atas lemak babi dan minyak goreng sawit, sedang kelompok 2 adalah lemak sapi. Nilai kapasitansi lemak dipengaruhi oleh komposisi asam lemak dari masing-masing sampel (Tabel 4.1). Secara visual, nilai kapasitansi lemak babi dan minyak goreng sawit cenderung berimpit, sedang keduanya dengan lemak sapi terpisah. Dengan menggunakan PCA and CA dari kapasitansi, lemak babi dan lemak sapi terpisah, sedang lemak babi dan minyak goreng sawit ada yang berada dalam satu kelompok (Gambar 4.3b).
39 Palm oil (Cp) Tallow (Cp) Lard (Cp)
0.00130
Lard (Cp) 2 Second Component (4.0%)
Capacitance (nF)
0.00120
Score Plot of 4,20. .... 5,00 3
0.00110 0.00100 0.00090 0.00080 0.00070
2
Palm oil (Cp) 3
Tallow (Cp) 2
1
Lard (Cp) 3
Tallow (Cp) 3
0 Palm oil (Cp) 2
-1
Tallow (Cp) 1 Palm oil (Cp) 1
-2
4,20 4,29 4,38 4,47 4,56 4,65 4,74 4,83 4,92
Lard (Cp) 1
-3 -10
-5 0 First Component (86.5%)
Frequency (MHz)
(a)
5
(b) Dendrogram
Ward Linkage. Euclidean Distance
Similarity
99,14
99,42
99,71
100,00
l Pa
m
l( oi
p) C
1
lm Pa
l( oi
C
p)
2
lm Pa
oi
l(
C
p)
3 rd La
(C
p)
1 rd La
(C
p)
2 L
d ar
(C
p)
3
T
a
w llo
p) (C
1
T
a
w llo
p) (C
2 a T
w llo
p) (C
3
Variables
(c) Gambar 4.3 Kapasitansi lemak babi, lemak sapi, dan minyak goreng sawit (a) Hubungan frekuensi dengan kapasitansi sampel. (b) Score plot dua komponen utama kapasitansi sampel. (c) Dendogram berdasarkan kapasitansi. Ini berarti lemak babi lebih sulit dibedakan dari minyak goreng sawit, karena kedua jenis minyak memiliki asam lemak serupa. Tabel 4.1 menunjukkan jumlah masing-masing asam lemak, terutama C18:0, C18:1, C18:2 untuk lemak babi dan minyak goreng sawit hampir sama. Proporsi masing-masing asam lemak menyebabkan kemampuan melepas elektron lemak babi dan minyak goreng sawit hampir sama, sehingga nilai kapasitansinya juga hampir sama. Hasil riset ini sesuai penelitian Che Man et al. (2011) bahwa PCA dan CA dikombinasikan dengan FTIR mampu membedakan lemak babi dengan lemak pangan lain, termasuk lemak sapi. Konstanta dielektrik Konstanta dielektrik sampel pada berbagai frekuensi ditunjukkan pada Gambar 4.4. Hasil ini merupakan perhitungan menggunakan Persamaan 4.1. Konstanta dielektrik lemak cenderung menurun seiring meningkatnya frekuensi. Pola ini mirip hasil riset sebelumnya terkait konstanta dielektrik minyak nabati
40 dan asam lemak pada frekuensi 100 Hz sampai 1 MHz (Lizhi et al. 2008). Hasil pengukuran konstanta dielektrik lemak babi dan lemak sapi yang serupa diperoleh pada frekuensi 300, 1000, dan 3000 MHz (Pace et al. 2005).
Konstanata dielektrik
3.60 3.40 3.20 3.00 2.80
Palm oil (ε') Tallow (ε') Lard (ε') Poly. (Palm oil (ε') ) Poly. (Tallow (ε') ) Poly. (Lard (ε') )
2.60
2.40 2.20 4,20 4,26 4,32 4,38 4,44 4,50 4,56 4,62 4,68 4,74 4,80 4,86 4,92 4,98
2.00
Frekuensi (MHz)
Gambar 4.4 Hubungan frekuensi dengan konstanta dielektrik lemak babi, lemak sapi, dan minyak goreng sawit Persamaan kuadratik hubungan konstanta dielektrik (ε') dengan frekuensi (x) sebagai berikut: ε ' lemak babi = 6E-05x2 - 0,020 x + 3,466 R ² = 0,999 2 ε ' minyak goreng sawit = 7E-05x - 0,021 x + 3,495 R ² = 0,999 ε ' lemak sapi = 9E-05x2 - 0,029 x + 3,675 R ² = 0,996 Konstanta dielektrik lemak babi dan minyak goreng sawit relatif berimpit, namun keduanya dapat dipisahkan dari lemak sapi. Konstanta dielektrik (ε') adalah fungsi dari kapasitansi dan terkait komposisi bahan. Komposisi asam lemak yang dominan, terutama C16:0, C:18:0, C18:1, C18:2 (Tabel 4.1) memengaruhi konstanta dielektrik bahan. Asam lemak dominan akan memengaruhi kemampuan perpindahan elektron dari satu posisi ke posisi lain saat diberikan frekuensi tertentu pada medan listrik. Nilai konstanta dielektrik sampel terutama dipengaruhi oleh komposisi asam lemak tidak jenuh. Pernyataan ini sesuai hasil penelitian konstanta dielektrik lemak pangan dan asam lemak pada frekuensi 100 kHz-1 MHz (Lizhi et al. 2008). Hasil ini menunjukkan bahwa tiga komponen sifat listrik yaitu konduktansi, impedansi, dan kapasitansi berperan dalam pembedaan lemak babi dari lemak sapi dan minyak goreng sawit. Secara umum, sifat listrik dan statistik multivariat dengan PCA dan CA dapat membedakan secara baik lemak babi dari lemak sapi, tetapi lemak babi dan minyak goreng sawit hanya dapat dibedakan menggunakan sebagian sifat listrik bahan. Berdasarkan model PCA untuk konduktansi, impedansi, dan kapasitansi, frekuensi 4,71-4,98 MHz memiliki peran penting untuk pembedaan.
41 Simpulan dan Saran Simpulan Penelitian ini menunjukkan sifat listrik dikombinasikan statistik multivariat, meliputi PCA dan CA, mampu membedakan lemak babi dari lemak sapi menggunakan seluruh parameter sifat listrik bahan. Disisi lain, lemak babi dan minyak goreng sawit dapat dibedakan menggunakan sebagian sifat listrik bahan. Frekuensi 4,71-4,98 MHz berkontribusi nyata terhadap pembedaan menggunakan model PCA. Sifat listrik lemak dipengaruhi komposisi asam lemak, terutama ikatan rangkap. Saran Penelitian lebih lanjut diperlukan preprocessing data dan teknik klasifikasi lain sehingga dapat memisahkan lemak babi dari bahan lain secara lebih baik. Selain itu, perlu penelitian persentase campuran lemak babi pada bahan lain yang masih dapat dideteksi menggunakan sifat listrik bahan.
Ucapan Terima Kasih Penulis mengucapkan terima kasih pada Direktorat Pendidikan Tinggi Menteri Pendidikan dan Kebudayaan, Universitas Brawijaya, dan Institut Pertanian Bogor yang mendanai penelitian ini.
Pustaka Aida AA, Che Man YB, Wong CMVL, Raha AR, Son R . 2005. Analysis of raw meats and fats of pigs using polymerase chain reaction for halal authentication. Meat Sci. 69:47-52. doi:10.1016/j.meatsci.2004.06.020. AOAC. 2005. Official Methods of Analysis. 18th ed. Gaithersburg, MD. Association of Official Analytical Chemists. USA. Castro-Giráldez M, Fito PJ, Toldrá F , Fito P. 2010. Physical sensors for quality control during processing, in Handbook of Meat Processing. F. Toldrá, editor. Wiley-Blackwell. Oxford. UK. p443-456. doi:10.1002/9780813820897.ch25. Che Man YB, Gan HL, Nor Aini I, Nazimah SAH, Tan CP. 2005a. Detection of lard adulteration in RBD palm olein using an electronic nose. J Food Chem. 90: 829–835. doi:10.1016/j.foodchem.2004.05.062. Che Man YB, Syahariza ZA, Mirghani MES, Jinap S, Bakar J. 2005b. Analysis of potential lard adulteration in chocolate and chocolate products using Fourier transform infrared spectroscopy. J Food Chem. 90:815-819. doi:10.1016/j.foodchem.2004.05.029. Che Man YB, Rohman A, Mansor TST. 2011. Differentiation of lard from other edible fats and oils by means of Fourier transform infrared spectroscopy and chemometrics. J Am Oil Chem Soc. 88: 187-192. doi:10.1007/s11746-0101659-x.
42 Cserha’ti T. 2009. Review: data evaluation in chromatography by principal component analysis. Biomed Chromatogr. 24:20-28. doi:10.1002/bmc.1294. Erwanto Y, Abidin M Z, Rohman A, Sismindari. 2011. PCR-RFLP using BseDI enzyme for pork authentication in sausage and nugget products. Med Pet. 34:14-18. doi:10.5398/medpet.2011.34.1.14. Guimet F, Boque R, Ferre J. 2004. Cluster analysis applied to the exploratory analysis of commercial Spanish olive oils by means of excitation-emission fluorescence spectroscopy. J Agric Food Chem. 52:6673-6679. doi:10.1021/jf040169m. Jaswir I, Mirghani MES, Hassan TH, Said MZM. 2003. Determination of lard in mixture of body fats of mutton and cow by Fourier transform infrared spectroscopy. J Oleo Sci. 52(12):633-638. http://irep.iium.edu.my/id/eprint/7222. Lizhi H, Toyoda K, Ihara I. 2008. Dielectric properties of edible oils and fatty acids as a function of frequency, temperature, moisture and composition. J Food Eng. 88:151-158. doi:10.1016/j.jfoodeng.2007.12.035. Lizhi H, Toyoda K, Ihara I. 2010. Discrimination of olive oil adulterated with vegetable oils using dielectric spectroscopy. J Food Eng. 96:167-171. doi:10.1016/j.jfoodeng.2009.06.045. Marikkar JMN, Ghazali HM , Che Man YB, Lai OM. 2002. The use of cooling and heating thermograms for monitoring of tallow, lard and chicken fat adulterations in canola oil. Food Res Int. 35:1007-1014. doi:10.1016/S0963-9969(02)00162-X. Pace WE, Westphal WB, Goldblith SA. 2005. Dielectric properties of commercial cooking oils in Rao, M.A., S.S.H. Rizvi, A.K. Datta. Engineering properties of foods. CRC Press Taylor & Francis Group. 524-525. Ragni L, Al-Shami A, Mikhaylenko G, Tang J. 2007. Dielectric characterization of hen eggs during storage. J Food Eng. 82:450-459. doi:10.1016/j.jfoodeng.2007.02.063. Rashood KA, Abou-Shaaban RRA, Abdel-Moety EM, Rauf A. 1996. Compositional and thermal characterization of genuine and randomized lard: a comparative study. J Am Oil Chem Soc. 73:303-309. doi:10.1007/BF02523423. Rohman A, Che Man YB. 2009. Analysis of cod-liver oil adulteration using Fourier transform infrared (FTIR) spectroscopy. J Am Oil Chem Soc. 86(12):1149-1153. doi:10.1007/s11746-009-1453-9. Rohman A, Che Man YB, Ismail A, Hashim P. 2010. Application of FTIR spectroscopy for the determination of virgin coconut oil in binary mixtures with olive oil and palm oil. J Am Oil Chem Soc. 87:601-606. doi:10.1007/s11746-009-1536-7. Sosa-Morales ME, Valerio-Junco L, López-Malo A, García HS. 2010. Review dielectric properties of foods: Reported data in the 21st century and their potential applications. LWT-Food Sci Technol. 43:1169-1179. doi:10.1016/j.lwt.2010.03.017.
43 Spohner M. 2012. A Study of the properties of electrical insulation oils and of the components of natural oils. Acta Polytech. 52(5):100-105. Sucipto, Irzaman, Tun Tedja I, Fauzi AM. 2011. Potential of conductance measurement for lard detection. IJBAS-IJENS. 11(05):26-30. http://www.ijens.org/Vol_11_I_05/114805-9696-IJBAS-IJENS.pdf. Syahariza ZA, Che Man YB, Selamat J, Bakar J. 2005. Detection of lard adulteration in cake formulation by Fourier transforms Infrared (FTIR) spectroscopy. Food Chem. 92:365-371. doi:10.1016/j.foodchem.2004.10.039. Tay A, Singh R, Krishnan K, Gore JP. 2002. Authentication of olive oil adulterated with vegetable oils using Fourier transform infrared spectroscopy. Lebensm.-u.-.Techno. 35:99-103. Toyoda K. 2003. The utilization of electric properties in Sumio, K. (Ed.). The handbook of non-destructive detection. Science forum, Tokyo. p108-126. Ulberth F, Buchgraber M . 2000. Authenticity of fats and oils. Eur. J Lipid Sci Tech. 102(11):687-694.doi:10.1002/1438-9312(200011)102:11<687::AIDEJLT687>3.0.CO;2-F. Venkatesh MS, Raghavan GSV. 2004. An overview of microwave processing and dielectric properties of agri-food materials. Biosyst Eng. 88(1):1-11. doi:10.1016/j.biosystemseng.2004.01.007.
44 (Halaman ini sengaja dikosongkan)
45
5. APLIKASI SIFAT LISTRIK UNTUK PREDIKSI CEMARAN LEMAK BABI PADA DAGING SAPI Abstrak Pencampuran lemak dan daging dalam industri pangan dilakukan untuk memperbaiki sifat fisik, konsistensi, dan cita rasa, khususnya produk restructured meat. Ketidakjelasan asal, jenis lemak dan daging yang dicampurkan menimbulkan problem serius bagi keyakinan konsumen, seperti konsep halal bagi muslim. Penelitian bertujuan mengetahui kemampuan prediksi cemaran lemak babi pada daging sapi berdasar sifat listrik, yakni konduktansi, impedansi, dan kapasitansi. Beberapa teknik analisis data, meliputi rerata, median, dan smoothing digunakan untuk membantu proses analisis. Hasilnya menunjukkan, sifat listrik dapat digunakan memprediksi cemaran lemak babi pada daging sapi. Pra penanganan data menentukan akurasi prediksi. Teknik smoothing dengan moving average median gabungan 3 sifat listrik pada frekuensi 3,80-5,00 MHz menghasilkan akurasi prediksi dengan root mean squared error (RMSE) 3,4425 dan koefisien korelasi (r) 0,9865. Karena itu, teknik ini direkomendasikan sebagai teknik penanganan data spektrum sifat listrik untuk prediksi cemaran lemak babi pada daging sapi. Kata kunci: sifat listrik, prediksi, lemak babi, daging sapi, smoothing
APPLICATION OF ELECTRICAL PROPERTIES FOR PREDICTION CONTAMINATION LARD IN BEEF Abstract Mixing of fat and meat in food industry is conducted in order to improve the physical properties, consistency, and flavor, especially restructured meat products. The unclear of origin, type of fat and meat that mixed arise a serious problem for consumer belief, such as halal concept for muslim. The research aimed to determine the predictive ability of lard contamination in beef based on electrical properties, namely conductance, impedance and capacitance. Some analyses techniques of data, including mean, median, and smoothing are used to assist the analysis. The results show that electrical properties can be used to predict contamine lard in beef. Pre-treatment of data determined the accuracy of predictions. The smoothing technique by moving average with median of 3 combined of electrical properties at frequencies from 3,80 to 5,00 MHz produced the prediction accuracy with root mean squared error (RMSE) of 3,4425 and correlation coefficient (r) of 0,9865. Therefore, this technique is recommended as treatment technique of electrical properties of spectral data for the prediction of contamination lard in beef. Keywords: electrical properties, prediction, lard, beef, smoothing.
46 Pendahuluan Konsumsi daging dan olahan daging untuk memenuhi nutrisi semakin meningkat di banyak negara. Dalam proses pengolahan daging, seringkali dilakukan penambahan lemak untuk memperoleh komposisi, tekstur, dan parameter cita rasa yang diinginkan. Misalnya, pada produksi sosis dan restructured meat lain. Bagi industri yang tidak berorientasi pada kehalalan dan hanya menekankan aspek mutu, penambahan lemak babi tidak menjadi masalah. Lain halnya, jika produk dipasarkan pada konsumen yang agamanya melarang mengkonsumsi produk yang mengandung lemak babi. Karena itu, deteksi adanya cemaran lemak babi pada daging sapi penting dikembangkan. Berbagai teknik deteksi lemak babi telah digunakan. Diantara teknik ini gas chromatography (GC), gas liquid chromatography (GLC), high performance liquid chromatography (HPLC), differential scanning calorimetry (DSC), dan sebagainya. Seiring perkembangan ilmu pengetahuan dan teknologi, tuntutan mempercepat proses deteksi dapat terjawab melalui teknologi sensor. Sucipto et al. (2011) menyatakan konduktansi berpotensi dikembangkan untuk mendeteksi lemak babi. Eksplorasi lebih jauh, beberapa sifat listrik lain juga mungkin dikembangkan untuk deteksi lemak babi pada daging sapi. Pengukuran sifat listrik daging dan olahan daging telah dikembangkan untuk menilai kualitas dan kemurniannya, berdasar energi elektromagnetik, teknik ultrasonik, dan resonansi (Castro-Giraldez et al. 2010). Salah satunya, deteksi berbasis sensor impedansi untuk deteksi kerusakan daging sapi (Damez et al. 2008). Teknik ini mengukur sifat listrik bahan sebagai penduga kualitas dan pencampuran bahan. Sifat listrik penting untuk memahami perilaku bahan ketika dimasukkan ke medan elektromagnetik, pada frekuensi dan suhu tertentu (SosaMorales et al. 2010). Sifat ini memberikan informasi interaksi antara bahan pangan dan medan listrik (Ikediala et al. 2000). Sifat listrik bahan dipengaruhi frekuensi, suhu, kadar air, densitas, komposisi dan struktur materi (CastroGiraldez et al. 2010). Pangan memiliki sifat listrik dan polarisasi non ideal yang ditentukan oleh fenomena disipasi, adsorpsi energi, dan kerusakan yang memengaruhi konstanta dielektrik (Venkatesh dan Raghavan 2004). Dalam melakukan prediksi pencampuran bahan, diperlukan pra penanganan data untuk meningkatkan kualitas data yang menunjang proses selanjutnya. Noise perlu dikurangi sehingga dapat menentukan keberhasilan analisis. Han dan Kamber (2001) menyatakan data perlu ditangani secara hati-hati agar terhindar dari redundan dan inkonsistensi mempengaruhi akurasi dan kecepatan proses pengenalan polanya. Studi ini bertujuan untuk mengetahui kemampuan sifat listrik untuk untuk memprediksi pencampuran lemak babi pada daging sapi berbasis sifat listrik. Beberapa pra penanganan data, seperti rerata, median, smoothing digunakan untuk mendapat pilihan pra penanganan data yang tepat sehingga meningkatkan akurasi prediksi. Hasil studi ini diharapkan menunjang pengembangan teknik deteksi cemaran lemak babi pada daging sapi.
47 Metode Penelitian Persiapan sampel Sampel lemak babi diekstraksi dari jaringan adiposa babi dengan teknik rendering pada 90-100oC selama 2 jam (Marikkar et al. 2002). Lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Daging sapi diperoleh dari pasar, diambil bagian loin. Persentase pencampuran lemak babi pada daging sapi, masing-masing 0, 1, 5, 10, 20, 40, 60 persen. Pengukuran Sifat Listrik sampel Sifat listrik sampel, terdiri dari konduktansi, impedansi, dan kapasitansi diukur menggunakan 3532-50 LCR HiTESTER (Hioki) pada 100 titik frekuensi mulai 3,80 MHz sampai 5,00 MHz pada suhu kamar (26-27oC) dan diulang 5 kali. Konduktansi dinyatakan dalam Siemens (S), kapasitansi dalam Farad (F) dan impedansi dalam Ohm (Ω). Pengukuran dilakukan dengan menempatkan setiap sampel pada keping sejajar terbuat dari tembaga dengan ukuran 20 mm x 10 mm berjarak 5 mm. Pra penanganan data spektrum sifat listrik Pada riset ini spektrum asli sifat listrik hasil pengukuran dilakukan pra penanganan data menggunakan rerata, median, dan smoothing dengan moving average 5 titik median berurutan. Perangkat lunak dan pengujian data Untuk komputasi dilakukan dengan beberapa program. Program microsoft excel untuk penanganan data spektrum sifat listrik. Penilaian akurasi prediksi digunakan program Weka 3.6 (Waikato University 2012, open source) yang dapat diunduh di www.cs.waikato.ac.nz/ml/weka/. Data sifat listrik bahan diuji dengan regresi linier. Evaluasi akurasi prediksi Evaluasi dilakukan dengan membandingkan gambar masing-masing perlakuan penanganan awal data spektrum, yakni rerata, median, dan smoothing dengan moving average 5 titik median berurutan. Berikutnya, akurasi hasil prediksi dinilai berdasar kriteria root mean squared error (RMSE) dan koefisien korelasi (r).
Hasil dan Pembahasan Spektrum sifat listrik cemaran lemak babi pada daging sapi Hasil pengukuran sifat listrik lemak babi pada daging sapi dalam rentang frekuensi 3,80-5,00 MHz dibuat rerata dan median agar dapat dipilih teknik pra penanganan data yang lebih akurat. Perbandingan hasil pra penanganan data terangkum pada Gambar 5.1.
95
Lemak babi 0%
85
Lemak babi 1%
95
Lemak babi 5%
75
Impedansi (Ohm)
Impedansi (Ohm)
48
Lemak babi 10%
65
Lemak babi 20%
55
Lemak babi 40% Lemak babi 60%
45
Lemak babi 0%
85
Lemak babi 1%
75
Lemak babi 5%
Lemak babi 10%
65
Lemak babi 20%
55
Lemak babi 40%
45
Lemak babi 60%
35
35 3.80
3.80
4.80
a. Rerata impedansi
b. Median impedansi 7E-10
7E-10
5E-10
Lemak babi 0%
6E-10
Lemak babi 1%
5E-10
Lemak babi 5%
4E-10
Lemak babi 10%
3E-10
Lemak babi 20%
2E-10
Lemak babi 40%
1E-10
Lemak babi 60%
Kapasitansi (F)
6E-10 Kapasitansi (F)
4.80
Frekuensi (MHz)
Frekuensi (MHz)
Lemak babi 1% Lemak babi 5%
4E-10
Lemak babi 10%
3E-10
Lemak babi 20%
2E-10
Lemak babi 40%
1E-10
0 3.80
Lemak babi 0%
Lemak babi 60%
0
4.80
3.80
Frekeunsi (MHz)
4.80 Frekuensi (MHz)
c. Rerata kapasitansi
d. Median kapasitansi 0.02
0.02
Lemak babi 0%
Lemak babi 0%
0.016
Lemak babi 10% Lemak babi 20%
0.014
Lemak babi 40% Lemak babi 60%
0.012
Konduktansi (S)
Konduktansi (S)
Lemak babi 5%
0.01 3.80
Lemak babi 1% 0.018
Lemak babi 1%
0.018
Lemak babi 5% Lemak babi 10%
0.016
Lemak babi 20% Lemak babi 40%
0.014
Lemak babi 60% 0.012 0.01
4.80 Frekuensi (MHz)
e. Rerata konduktansi
3.80
4.80
Frekuensi (MHz)
f. median konduktansi
Gambar 5.1 Pengaruh frekuensi terhadap rerata dan median sifat listrik (impedansi, kapasitansi, dan konduktifitas) cemaran lemak babi dalam daging sapi pada frekuensi 3,80 sd 5,00 MHz Gambar tersebut memperlihatkan pilihan teknik penanganan data sebelum analisis sangat penting. Baik penggunaan rerata dan median untuk data
49 konduktansi cemaran lemak babi dari 0 sampai 20% pada daging sapi tetap menyebabkan bias spektrum konduktansi pada frekuensi 4,00-5,00 MHz. Ini menunjukkan pada rentang tersebut menyebabkan bias hasil prediksi. Jika ingin menggunakan konduktansi maka yang digunakan data konduktansi dari frekuensi 3,80 sampai 4,00 MHz. Penggunaan median secara teoritis lebih baik dari rerata karena akan mereduksi data outlayer. Untuk penanganan data selanjutnya, median tiap sifat listrik dilakukan smoothing dengan moving average 5 titik median berurutan sehingga diperoleh hubungan frekuensi dengan spektrum setiap parameter sifat listrik seperti pada Gambar 5.2. Hubungan frekuensi dengan setiap sifat listrik setelah smoothing (Gambar 5.2) terlihat lebih halus dibanding sebelum smoothing (Gambar 5.1b,d,f). Data set ini lebih siap digunakan proses prediksi cemaran lemak babi pada daging sapi dengan pilihan teknik klasifikasi yang ada. 7E-10
Lemak babi 0%
75
6E-10
Lemak babi 5 %
5E-10
Lemak babi 5 %
4E-10
Lemak babi 10 %
Lemak babi 10 % Lemak babi 20 %
65
Lemak babi 40 %
55
Lemak babi 0%
Lemak babi 1 %
Lemak babi 60 %
45
Kapasitansi (F)
Impedansi (Ohm)
85
Lemak babi 1 %
Lemak babi 20 %
3E-10
Lemak babi 40 %
2E-10
Lemak babi 60 %
1E-10
35
0 3.80
4.80
3.8
Frekuensi (MHz)
4.8
Frekuensi (MHz)
a. impedansi
b. kapasitansi
0.02 Lemak babi 0% Konduktansi (S)
0.018
Lemak babi 1 % Lemak babi 5 %
0.016
Lemak babi 10 % Lemak babi 20 %
0.014
Lemak babi 40 % Lemak babi 60 %
0.012
0.01 3.8
4.8 Frekuensi (MHz)
c. konduktansi Gambar 5.2 Pengaruh frekuensi terhadap moving average 5 titik median sifat listrik cemaran lemak babi dalam daging sapi pada frekuensi 3,80 sampai 5,00 MHz Secara visual, sifat listrik impedansi dan kapasitansi mampu membedakan secara lebih baik adanya cemaran lemak babi pada daging sapi dibanding
50 konduktansi. Meski telah dilakukan smoothing konduktansi beberapa persentase cemaran lemak babi mulai 0-20 persen relatif berimpit pada frekuensi 4,00 MHz sampai 5,00 MHz (Gambar 5.2c). Pengaruh persentase lemak babi pada daging sapi terhadap impedansi Gambar 5.2a menunjukkan semakin besar persentase cemaran lemak babi pada daging sapi, semakin besar nilai impedansi sampel. Analisis impedansi didasarkan prinsip perbedaan kecepatan aliran arus melalui bahan. Diantaranya, dipengaruhi komposisi bahan. Bagian yang tersusun atas bahan non konduksi (seperti lemak) akan menghambat aliran arus listrik (Scharfetter et al. 2001). Seiring penambahan lemak babi pada daging sapi, kandungan air dalam sampel semakin turun. Kondisi ini menyebabkan ion dan polaritas bahan menurun, arus listrik sulit untuk melaluinya dan impedansi bahan semakin besar. Mahshid dan Anwar (2008) menyatakan bagian tubuh yang paling banyak mengandung air dengan ion, arus listrik dapat melaluinya. Pada persentase cemaran lemak babi 1% sampai 20%, impedansi cenderung meningkat mulai frekuensi pengukuran 4,006 MHz sampai 4,796 MHz, kemudian menurun. Jaringan biologis, terutama daging, memiliki impedansi anisotropik, yaitu impedansi yang bervariasi berdasar apakah arus berjalan sejajar atau tegak lurus terhadap serat otot (Damez et al. 2007). Impedansi terkait konsentrasi ion, konduktansi, resistensi bahan hidup. Impedansi daging menurun cepat saat rigor dan selama penyimpanan, serta terus menurun meski jauh lebih lambat (Pliquett 2000). Karena setiap bahan hidup memiliki komposisi tertentu, impedansinya juga tertentu. Sifat ini digunakan mengenali perubahan komposisi bahan akibat penurunan kualitas dan atau pemalsuan bahan. Sampel daging beku memiliki impedansi sangat lemah. Demikian juga daging yang sangat lama disimpan (Damez et al. 2008). Impedansi juga digunakan untuk mengevaluasi water holding capacity (WHC) daging babi (Schafer et al. 2002) dan deteksi daging pale soft exudative (PSE), yang memiliki pH rendah dan sangat eksudatif. Sifat listrik telah digunakan memprediksi kandungan lemak pada karkas hewan atau daging. Pengaruh persentase lemak babi pada daging sapi terhadap kapasitansi Semakin besar persentase cemaran lemak babi pada daging sapi, semakin kecil nilai kapasitansi sampel. Kapasitansi adalah kemampuan kapasitor menyimpan energi dalam medan listrik. Jaringan hidup terdiri atas sel-sel yang dikelilingi cairan ekstraselular. Pada frekuensi rendah, membran sel sebagai isolator berperilaku seperti sebuah kapasitor. Semakin besar persentase lemak babi pada daging sapi, bahan semakin bersifat isolator sehingga kemampuan menyimpan energinya semakin kecil. Kapasitansi percampuran lemak babi pada daging sapi pada frekuensi 3,80 sampai 5,00 MHz terlihat pada Gambar 5.2b. Pada persentase cemaran lemak babi 1 sampai 20%, impedansi sedikit meningkat dari frekuensi 3,80 MHz sampai 4,80 MHz, kemudian menurun hingga 5,00 MHz. Kapasitansi bervariasi terkait dengan frekuensi, seperti sifat listrik lain (Toyoda 2003).
51 Pengaruh persentase lemak babi pada daging sapi terhadap konduktansi Semakin besar persentase lemak babi pada daging sapi, semakin kecil nilai konduktansinya. Ini terjadi karena, semakin besar persentase lemak babi menyebabkan kadar air sampel semakin kecil. Jaringan adiposa kurang bersifat konduksi dibanding jaringan otot atau tulang (Scharfetter et al. 2001). Komponen-komponen air, protein, dan lemak terbukti memiliki efek pada sifat dielektrik (Datta et al. 2005). Pada frekuensi tertentu, air memiliki interaksi dipole yang menyesuaikan dengan arah medan elektromagnetik (Buffler 1993). Akibatnya, kadar air menjadi penentu utama sifat listrik, khususnya konduktansi. Beberapa studi menyebutkan pengaruh protein terhadap sifat dielektrik lebih kecil dibanding kadar air (Shukla dan Anantheswaran 2001). Karena lemak umumnya bersifat non-polar, maka lemak memiliki sifat dielektrik rendah yang mengakibatkan sedikit interaksi dengan microwave dan radio frequency (Mudgett dan Westphal 1989). Dalam produk daging, peningkatan kadar lemak menurunkan kadar air bebas dalam sistem, sehingga mengurangi interaksi sifat dielektrik (Ryynänen 1995). Sifat listrik campuran lemak dan daging berbeda satu sama lain di semua frekuensi. Pada persentase lemak babi 1 sampai 40%, konduktansi cenderung menurun pada frekuensi 3,80-4,80 MHz, kemudian relatif stabil hingga frekuensi 5,00 MHz. Pada persentase lemak babi 60 persen konduktansi sampel relatif tetap. Penelitian sifat listrik untuk memprediksi lemak karkas hewan atau daging telah dilakukan. Pada persentase lemak babi yang kecil, kadar air menjadi lebih tinggi sehingga konduktansinya lebih besar. Pengukuran konduktansi listrik pada karkas segera pasca penyembelihan dikaitkan data anatomis untuk menentukan kualitas daging (Byrne et al. 2000). Kondisi ini terjadi karena belum terjadi perubahan membran dan kompartemen ekstraseluler sesaat pasca penyembelihan dan pengukuran dilakukan pada suhu yang stabil. Akurasi prediksi Akurasi prediksi hasil smoothing dengan moving average 5 titik median dilakukan secara terpisah untuk setiap sifat listrik dan gabungan tiga sifat listrik. Prediksi menggunakan data spektrum impedansi menghasilkan root mean squared error (RMSE) RMSE 4,8348 dan koefisien korelasi (r) 0,9731. Berikutnya, menggunakan kapasitansi RSME 5,0021 dan r 0,9712 dan konduktansi RSME 9,3302 dan r 0,8958. Gabungan tiga sifat listrik menghasilkan RSME 3,4425 dan r 0,9865. Data di atas menunjukkan bahwa secara terpisah sifat listrik impedansi menghasilkan akurasi prediksi terbesar, disusul kapasitansi dan konduktansi. Artinya, jika secara terpisah dipilih spektrum sifat listrik maka impedansi menghasilkan akurasi prediksi tertinggi. Jika seluruh parameter sifat listrik digabungkan akan didapatkan peningkatan akurasi prediksi dibanding secara terpisah. Untuk keperluan pengembangan teknik deteksi lemak babi pada daging sapi berbasis sifat listrik dapat dilakukan secara terpisah atau gabungan sesuai pertimbangan lebih lanjut.
52 Simpulan dan Saran Simpulan Sifat listrik bahan dapat digunakan untuk memprediksi cemaran lemak babi pada daging sapi. Cemaran lemak babi hingga 1% dapat dideteksi dengan teknik ini. Proses smoothing dengan teknik moving average pada median data menentukan keberhasilan proses prediksi. Teknik smoothing tersebut menghasilkan akurasi prediksi cemaran lemak babi pada daging sapi menggunakan gabungan 3 sifat listrik yaitu impedansi, kapasitansi, dan konduktansi dengan root mean squared error (RMSE) 3,4425 dan koefisien korelasi (r) 0,9865. Karena itu, proses smoothing dengan moving average data median dan gabungan 3 sifat listrik direkomendasikan untuk mendukung proses deteksi cemaran lemak babi pada daging sapi. Saran Perlu diteliti penggunaan data set lebih besar dengan variasi pencampuran lemak babi pada beberapa bagian daging sapi. Penggunaan teknik smoothing lain dapat diujikan pada data set sifat listrik untuk menilai konsistensi pilihan algoritma smoothing yang telah didapat dan mencari yang lebih akurat. Penggunaan berbagai teknik klasifikasi dapat digunakan meningkatkan akurasi prediksi.
Pustaka Buffler CH. 1993. Dielectric properties of foods and microwave materials.Microwave cooking and processing. Van Nostrand Reinhold. New York. USA. p46-69. Byrne CE, Troy DJ, Buckely DJ. 2000. Postmortem changes in muscle electrical properties of bovine M-longissimus dorsi and their relationship to meat quality attributes and pH fall. Meat Sci. 54(1): 23-34. Castro-Giráldez M, Chenoll C, Fito PJ, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In Toldra F. 2010. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons, Inc. Damez J L, Clerjon S, Abouelkaram S, Lepetit J. 2007. Dielectric behavior of beef meat in the 1-1500 kHz range: Simulation with the Fricke/ Cole-Cole model. Meat Sci. 77(4):512-519. Damez JL, Clerjon S, Abouelkaram S, Lepetit J. 2008. Beef meat electrical impedance spectroscopy and anisotropy sensing for non-invasive early assessment of meat ageing. J Food Eng. 85(1):116-122. Datta AK, Sumnu G, Raghavan GSV. 2005. Dielectric properties of foods in MA Rao, SSH Rizvi, AK Datta (Eds.). Engineering properties of foods. Marcel Dekker. New York. p501-566. Han J, Kamber M. 2001. Data mining: Concepts and techniques. Morgan Kaufmann. USA. Ikediala JN, Tang J, Drake SR, Neven LG. 2000. Dielectric properties of apple cultivars and codling moth larvae. Trans ASAE. 43:1175-1184.
53 Mahshid D, Anwar TM. 2008. Review Is bioelectrical impedance accurate for use in large epidemiological studies?. Nutr J. 71:26. http://www.nutritionj.com/content/71/26 Marikkar J MN, Ghazali HM, Che Man YB, Lai OM. 2002. The use of cooling and heating thermograms for monitoring of tallow, lard and chicken fat adulterations in canola oil. Food Res Int. 35:1007-1014. doi:10.1016/S09639969(02)00162-X. Mudgett RE, Westphal WB. 1989. Dielectric behavior of aqueous cation exchanger. J Microw Power. 24:33-37. Pliquett U. 2010. Bioimpedance: A Review for Food Processing. Food Eng Rev. 2:74-94. doi:10.1007/s12393-010-9019-z. Ryynänen S. 1995. The electromagnetic properties of food materials: a review of the basic principles. J Food Eng. 26:409-429. Schafer A, Rosenvold K, Purslow PP, Andersen HJ, Henckel P. 2002. Physiological and structural events post mortem of importance for drip loss in pork. Meat Sci. 61:355-366. Scharfetter H, Schlager T, Stollberger R, Felsberger R, Hutten H, HinghoferSzalkay H. 2001. Assessing abdominal fatness with local bioimpedance analysis: basics and experimental findings. Int J Obes Relat Metab Disord. 25:502-511. Sosa-Morales ME, Valerio-Junco L, López-Malo A, García HS. 2010. Review dielectric properties of foods: Reported data in the 21st century and their potential applications. LWT-Food Sci. Technol. 43:1169-1179. doi:10.1016/j.lwt.2010.03.017 Sucipto, Irzaman, Tun Tedja I, Fauzi AM. 2011. Potential of conductance measurement for lard detection. IJBAS-IJENS, 11(05):26-30. Toyoda K. 2003. The utilization of electric properties in Sumio, K. (Ed.). The handbook of non-destructive detection. Science forum, Tokyo. p108-126. Venkatesh MS, Raghavan GSV. 2004. An overview of microwave processing and dielectric properties of agri-food materials. Biosyst Eng. 88(1):1-11. doi:10.1016/j.biosystemseng.2004.01.007. Shukla TP, Anantheswaran, RC. 2001. Ingredient interactions and product development for microwave heating. In: Handbook of microwave technology for food application (Ed. Datta & Anantheswaran). Marcell Dekker, Inc. p355.
54 (Halaman ini sengaja dikosongkan)
55
6. KEMAMPUAN PEMBEDAAN DATA PREPROCESSING DAN TEKNIK-TEKNIK KLASIFIKASI TERHADAP LEMAK BABI, LEMAK SAPI, DAN MINYAK GORENG SAWIT BERBASIS SIFAT LISTRIK Abstrak Pengembangan teknik deteksi lemak babi dari lemak pangan lain sangat penting. Hal ini terkait kasus pencampuran lemak babi pada lemak pangan lain dalam industri pangan untuk mengurangi biaya produksi dan alasan citra rasa. Sifat listrik, yang dipengaruhi komposisi bahan, dapat digunakan membedakan lemak babi dari lemak pangan lain. Banyak atribut hasil akuisisi pengukuran sifat listrik perlu diperlakukan dengan pilihan preprocessing yang tepat. Berikutnya, pilihan teknik klasifikasi berkontribusi pada akurasi klasifikasi dan waktu komputasi. Hasilnya menunjukkan bahwa kombinasi preprocessing dan teknik klasifikasi mampu membedakan lemak babi dari lemak sapi dan minyak goreng sawit. Normalisasi berperan nyata meningkatkan akurasi klasifikasi. Deteksi lemak babi terbaik diperoleh dari preprocessing normalisasi dan teknik klasifikasi multilayer perceptron (MLP) dengan hidden layer 8. Teknik ini menghasilkan kinerja klasifikasi tertinggi (akurasi klasifikasi 87,52%, root mean squared error (RMSE) 0,2394, dan waktu komputasi 21,00±0,17 detik). Hasil riset ini dapat mendukung pengembangan sensor lemak babi pada lemak pangan lain berbasis sifat listrik dan teknik klasifikasi. Kata kunci: Preprocessing, teknik klasifikasi, sifat listrik, sensor lemak babi
Differentiability Evaluation Data Preprocessing and Classification Techniques of Lard, Beef Tallow and Palm Oil Based on Electrical Properties Abstract The development of lard detection techniques from other edible fats is very important. It is related to the case of mixing lard into other edible fats in the food industry to reduce production costs and to get flavors. Electrical properties, that are influenced composition of material, can be used to distinguish lard from other edible fats. Many attributes resulted from electrical properties measurements need to be treated with appropriate preprocessing. Therefore, selected classification technique contributes to classification accuracy and computation time. The results showed that the combination of preprocessing and classification technique can distinguish lard from tallow and palm oil. Normalization procedure has a major role the accuracy of accelerate classification. Best detection was obtained from the normalization preprocessing and classification technique multilayer perceptron (MLP) with 8 hidden layer. This technique produced the highest classification performance (by accuracy classification of 87,52%, root mean squared error (RMSE) of 0,2394 and the computation time of 21,00±0,17 seconds). Furthermore, these results can support the development of lard sensor in other edible fat based on electrical properties and classification technique. Keywords: Preprocessing, classification technique, electrical properties, lard sensor
56 Pendahuluan Deteksi pencampuran satu bahan dengan bahan lain penting dalam industri pangan. Diantaranya, campuran lemak babi pada lemak pangan lain. Beragam teknik dikembangkan untuk analisis lemak dan daging babi. Diantaranya differential scanning calorimetry (Coni et al. 1994), gas chromatography (Farag et al. 1983) Comprehensive gas chromatography hyphenated with time-of-flight mass spectrometry (Indrastri et al. 2010), high performance liquid chromatography (Marikkar et al. 2005). Selain itu, DNA-based methods (Aida et al. 2005), electronic nose (Che Man et al. 2005), dan Fourier transform infrared (FTIR) spectroscopy (Jaswir et al. 2003; Rohman dan Che Man 2010). Akhir-akhir ini, sifat listrik digunakan membedakan lemak dilihat dari aspek kemurnian dan kualitasnya. Sifat dielektrik adalah parameter utama yang memberikan informasi tentang interaksi bahan dengan energi elektromagnetik. Sifat dielektrik pada beragam bahan pangan dibutuhkan untuk memahami perilaku bahan ketika dimasukkan ke medan elektromagnetik, pada frekuensi dan suhu tertentu (Sosa-Morales et al. 2010). Sifat ini memberikan informasi tentang interaksi diantara bahan pangan dan medan listrik (Ikediala et al. 2000). Sifat dielektrik terpenting adalah konstanta dielektrik dan faktor kehilangan dielektrik. Konstanta dielektrik adalah ukuran kemampuan bahan menyimpan energi listrik, dan faktor kehilangan dielektrik adalah kemampuan untuk mengubah energi elektromagnetik menjadi panas (Turabi et al. 2010). Sifat dielektrik bahan dipengaruhi frekuensi, suhu, kadar air, densitas, komposisi, dan struktur materi (Castro-Giraldez et al. 2010). Pangan memiliki sifat dielektrik dan polarisasi non ideal yang ditentukan oleh fenomena disipasi, adsorpsi energi, dan kerusakan yang memengaruhi konstanta dielektrik (Venkatesh dan Raghavan 2004). Kandungan lemak susu segar dievaluasi berdasar parameter dielektrik, yaitu konduktansi dan kapasitansi (Zywica et al. 2012). Pemalsuan susu dan susu skim dideteksi dengan konduktansi (Mabrook dan Patty 2003). Perubahan susu selama proses produksi dievaluasi melalui pengukuran impedansi dan kapasitansi (Zywica dan Budny, 2000). Untuk meningkatkan akurasi dan kecepatan klasifikasi perlu preprocessing data mentah sifat listrik sebelum dianalisis lebih lanjut, karena data mentah mengandung gangguan (noise), kesalahan (error), perulangan, dan outlayer. Preprocessing terkait proses seleksi, pembersihan, dan transformasi data mentah. Dengan preprocessing data hasil pengukuran akan lebih berkualitas sehingga menghasilkan analisis lebih akurat ketika diproses dengan berbagai teknik klasifikasi. Kotsiantis et al. (2006) menyatakan suksesnya klasifikasi menggunakan teknik klasifikasi terkait kualitas data. Aplikasi pembedaan mutu dan kemurnian produk pertanian dan pangan telah dilakukan. Teknik yang digunakan dalam klasifikasi antara lain, linear discrimination analysis, hidden markov model, metode kecerdasan buatan seperti artificial neural network (ANN), dan support vector machine (SVM). Riset ini bertujuan mengevaluasi kinerja berbagai preprocessing dan teknik klasifikasi untuk pembedaan (klasifikasi) lemak babi dari lemak pangan lain berbasis sifat listrik. Teknik preprocessing menggunakan diskritisasi dan normalisasi dibandingkan tanpa preprocessing. Teknik preprocessing tersebut dikombinasikan teknik-teknik klasifikasi seperti naive bayes, simple logistic,
57 decision tree C4.5, support vector machine (SVM), dan multilayer perceptron (MLP) dengan beberapa variasi. Harapannya didapatkan pilihan kombinasi preprocessing dan teknik klasifikasi yang tepat dengan kinerja klasifikasi tinggi.
Metode Penelitian Persiapan sampel Sampel lemak babi dan lemak sapi diekstraksi dari jaringan adiposa babi dan sapi dengan rendering pada 90-100oC selama 2 jam (Marikkar et al. 2002). Masing-masing lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Minyak sawit diperoleh dari pasar dengan spesifikasi dan merk tertentu. Setiap lemak dikeringkan dengan Natrium Sulfat anhydrous. Kemudian, sampel disimpan dalam freezer (-20oC) sebelum dianalisis lebih lanjut. Pengukuran sifat listrik Konduktansi, impedansi, dan kapasitansi setiap sampel diukur menggunakan 3532-50 LCR HiTESTER (Hioki) yang mampu mengukur pada frekuensi 42,00 Hz sampai 5,00 MHz. Pengukuran dilakukan pada suhu kamar 26-27oC dan frekuensi 4,20 MHz sampai 5,00 MHz pada 81 titik frekuensi sebanyak 3 kali. Konduktansi diukur dalam satuan nano Siemens (nS), kapasitansi dalam nano Farad (nF) dan impedansi dalam Mega Ohm (MΩ). Setiap sampel ditempatkan dalam keping sejajar dari tembaga berukuran 20 mm x 10 mm dengan jarak 5 mm. Perangkat lunak pengujian data Komputasi dilakukan dengan beberapa program. Program Microsoft exel untuk mempersiapkan data dari extensi Lib hasil akuisisi komputer ke xls dan csv sehingga dapat diproses menggunakan program data mining. Pemilihan preprocessing dan teknik klasifikasi dengan program Weka 3.6 (Waikato University 2012, open source) dapat diunduh di www.cs.waikato.ac.nz/ml/weka/. Data sifat listrik sampel lemak babi, lemak sapi, dan minyak goreng sawit diuji dengan 10-fold cross validation (validasi silang) yaitu metode untuk memperkirakan akurasi klasifikasi atau model regresi. Data set (kumpulan data) dibagi menjadi beberapa bagian, dengan setiap bagian digunakan untuk menguji model (Witten et al. 2011). Evaluasi kinerja preprocessing dan teknik-teknik klasifikasi Hasil pengukuran sifat listrik, dilakukan preprocessing menggunakan diskritisasi dan normalisasi. Normalisasi min-maks dengan Persamaan 6.1. X - Xmin Xn = ___________________ ...................................................................................... (6.1) Xmaks - Xmin Dimana, Xn : nilai baru hasil nomalisasi X : nilai awal sebelum normalisasi Xmin : Nilai minimum sebelum normalisasi Xmaks : Nilai maksimum sebelum normalisasi
58 Teknik preprocessing tersebut dikombinasikan dengan teknik-teknik klasifikasi seperti naive bayes, simple logistic, decision tree C4.5, support vector machine (SVM) dengan berbagai jenis kernel, dan multilayer perceptron (MLP) dengan beberapa variasi hidden layer. Kinerja klasifikasi dinilai berdasar persen akurasi klasifikasi, root mean squared error (RMSE) dan rerata waktu komputasi (dalam detik) 5 kali running dan standar deviasinya. Pengujian dilakukan dengan komputer dengan sistem operasi Windows XP Professional, model sistem M7x0S, BIOS revision:1.00.15AX. Prosesor Pentium(R) Dual-Core CPU T4300 @ 2.10GHz (2 CPUs) dengan memori 1918 MB RAM.
Hasil dan Pembahasan Spektrum lemak babi, lemak sapi, dan minyak goreng sawit Untuk mendukung klasifikasi data hasil pengukuran sifat listrik, terlebih dahulu dilakukan preprocessing sehingga mengurangi noise yang berpengaruh pada proses klasifikasi. Keseluruhan penanganan data seperti Gambar 6.1.
Naive bayes
Data mentah
Tanpa preprocessing
Decision tree C4.5
Diskritisasi
Simple logistic
Normalisasi
Support vector machine (SVM) Multi layer perceptron (MLP)
Gambar 6.1 Proses pemilihan preprocessing dan teknik klasifikasi Preprocessing normalisasi digunakan karena satuan masing-masing parameter sifat listrik sangat berbeda. Misalnya, konduktansi bernilai sekitar 21400-23700 nS, kapasitansi bernilai sekitar 0,00075-0,00130 nF, dan impedansi bernilai sekitar 0,0345-0,03180 MΩ. Diskritisasi membuat data kontinyu menjadi diskrit sehingga membantu proses klasifikasi berikutnya. Sebagai contoh, data mentah hubungan frekuensi dengan konduktansi terlihat pada Gambar 6.2. Dengan normalisasi nilai konduktansi diubah dalam skala 0-1 menggunakan Persamaan 6.1.
Konduktansi (nS)
59 24000
Minyak goreng sawit
23500
Lemak sapi Lemak babi
23000 22500 22000 21500
4,98
4,92
4,86
4,80
4,74
4,68
4,62
4,56
4,50
4,44
4,38
4,32
4,26
4,20
21000 Frekuensi (MHz)
Gambar 6.2 Pengaruh frekuensi terhadap konduktansi lemak babi, lemak sapi, dan minyak goreng sawit Data mentah sebagai masukan preprocessing yang terdiri atas sifat listrik konduktansi, impedansi, dan kapasitansi pada frekuensi 4,20 sampai 5,00 MHz dengan jumlah data set seperti Tabel 6.1. Tabel 6.1. Keterangan data masukan Data set Jumlah data Frekuensi 729 Konduktansi 729 Impedansi 729 Kapasitansi 729 Jumlah instance 729 digunakan untuk klasifikasi lemak babi, lemak sapi, dan minyak goreng sawit dengan preprocessing diskritisasi dan normalisasi, serta berbagai teknik klasifikasi. Pengaruh preprocessing terhadap kinerja klasifikasi Perbandingan berbagai teknik preprocessing dan teknik klasifikasi ditunjukkan Tabel 6.2. Tabel tersebut memperlihatkan akurasi klasifikasi, kesalahan, dan waktu komputasi masing-masing. Pilihan preprocessing menentukan akurasi klasifikasi dan waktu komputasi. Normalisasi menghasilkan akurasi setara dengan tanpa preprocessing (data mentah) dan lebih tinggi dibanding diskritisasi. Tabel 6.2 menunjukkan pada teknik klasifikasi decision tree C4.5, preprocessing normalisasi menghasilkan akurasi klasifikasi 85,60%, tanpa preprocessing 85,73%, sedang menggunakan diskritisasi 82,03%. Al-Salabi et al. (2006) mampu meningkatkan akurasi menggunakan normalisasi min-maks. Dari waktu komputasi, diskritisasi menyebabkan waktu komputasi terlama, disusul yang lebih cepat tanpa preprocessing dan normalisasi. Misalnya, pada teknik klasifikasi simple logistic, dengan preprocessing diskritisasi membutuhkan waktu komputasi 75,54±0,11 detik, sedang tanpa preprocessing perlu waktu 56,90±0,42 detik, dan normalisasi perlu waktu 56,86±0,37 detik. Contoh lain,
60 MLP dengan hidden layer 4, dengan diskritisasi memerlukan waktu komputasi 195,71±0,58 detik, tanpa preprocessing perlu 12,92±0,12 detik, dan menggunakan normalisasi membutuhkan waktu 12,68±0,02 detik. Tabel 6.2 Akurasi, RSME, dan waktu komputasi pembedaan lemak pangan menggunakan variasi preprocessing dan teknik klasifikasi Preprocessing Data mentah
Diskritisasi
Normalisasi
Teknik Klasifikasi Naive bayes Simple logistic Decision tree C4.5 LibSVM RBF Sigmoid MLP a=(atribut+kelas)/2 i=atribut=5 o=kelas=3 t=atribut+kelas=8 Naive bayes Simple logistic Decision tree C4.5 LibSVM RBF Polinomial Linier Sigmoid MLP a=(atribut+kelas)/2 i=atribut=5 o=kelas=3 t=atribut+kelas=8 Naive bayes Simple logistic Decision tree C4.5 LibSVM RBF Polinomial Linier Sigmoid MLP a=(atribut+kelas)/2 i=atribut=5 o=kelas=3 t=atribut+kelas=8
Kinerja Klasifikasi Waktu Akurasi komputasi Klasifikasi (detik) (%) 0,86 ± 0,05 61,45 56,90 ± 0,42 59,53 1,02 ± 0,42 85,73 3,13 ± 0,69 47,74 3,00 ± 0,14 32,92 12,92 ± 0,12 82,85 14,74 ± 0,13 86,42 12,49 ± 0,09 82,85 21,45 ± 0,20 87,52 0,77 ± 0,06 53,50 75,54 ± 0,11 78,88 1,18 ± 0,28 82,03 1,69 ± 0,17 83,26 159,23 ± 0,85 79,56 2,48 ± 0,03 45,68 2,70 ± 0,22 30,18 195,71 ± 0,58 81,48 364,31 ± 0,32 82,58 36,49 ± 0,16 79,15 389,45 ± 0,65 81,89 0,56 ± 0,12 61,45 56,86 ± 0,37 59,53 1, 45 ± 0,33 85,60 1,91 ± 0,09 62,83 4,89 ± 0,28 48,70 1,68 ± 0,07 37,59 2,35 ± 0,17 34,98 12,68 ± 0,02 82,85 14,19 ± 0,07 86,42 12,43 ± 0,04 82,85 21,00 ± 0,17 87,52
RMSE 0,4100 0,4337 0,2836 0,5903 0,6687 0,2957 0,2592 0,2957 0,2394 0,4156 0,3311 0,3030 0,3340 0,3691 0,6018 0,6823 0,3120 0,3085 0,3311 0,3099 0,4100 0,4337 0,2879 0,4978 0,5848 0,6451 0,6584 0,2957 0,2592 0,2957 0,2394
Keterangan: Waktu komputasi (RT : Running Time) RMSE : Root Mean Squared Error Akurasi klasifikasi (CC:corectly classification) Total Number of Instance 729
Pengaruh teknik klasifikasi terhadap kinerja klasifikasi Pilihan teknik klasifikasi menentukan akurasi klasifikasi dan waktu komputasi. Misalnya, teknik klasifikasi decision tree C4.5 cukup baik, karena memiliki akurasi klasifikasi relatif tinggi dalam waktu singkat. Penggunaan decision tree C4.5 tanpa preprocessing menghasilkan akurasi 85,73%, dengan preprocessing normalisasi 85,60%, dan dengan diskritisasi 82,03%. Decision tree C4.5 mengklasifikasikan data ke dalam tree tertentu sesuai dengan urutan atribut yang dominan. Garofalakis et al. (2003) menyatakan decission tree memiliki 2
61 jenis simpul, yakni pertama simpul akar dan simpul internal yang terkait dengan atribut, serta kedua simpul daun yang terkait kelas. Penggunaan decision tree C4.5 tanpa preprocessing dengan atribut frekuensi, konduktansi, impedansi, kapasitansi membentuk 39 rules. Konduktansi paling dominan dalam proses pembedaan antar lemak sehingga menjadi simpul akar. Konduktansi <= 22933 sebagai simpul awal berkontribusi 87,18% dari 39 total rules, sedang sisanya yaitu 12,82% rules dimulai dari konduktansi > 22933. Contoh tree yang membentuk sebagian rules seperti Gambar 6.3. C4.5 pruned tree -----------------Konduktansi <= 22933 | Frekuensi <= 4.53 | | Impedansi <= 0.027 | | | Konduktansi <= 22785 | | | | Impedansi <= 0.02655 | | | | | Konduktansi <= 22478 | | | | | | Frekuensi <= 4.33 | | | | | | | Konduktansi <= 21747: Minyak goreng sawit (18.0/1.0) | | | | | | | Konduktansi > 21747 | | | | | | | | Impedansi <= 0.02597: Lemak babi (20.0/2.0) | | | | | | | | Impedansi > 0.02597 | | | | | | | | | Konduktansi <= 22178 | | | | | | | | | | Impedansi <= 0.02609: Minyak goreng sawit (10.0) | Frekuensi > 4.53 | | Konduktansi <= 22132: Lemak sapi (99.0) | | Konduktansi > 22132 | | | Frekuensi <= 4.73 | | | | Konduktansi <= 22572 | | | | | Frekuensi <= 4.68: Lemak sapi (23.0) | | | | | Frekuensi > 4.68 | | | | | | Impedansi <= 0.02904: Minyak goreng sawit (5.0) | | | | | | Impedansi > 0.02904: Lemak sapi (2.0) | | | | Konduktansi > 22572 | | | | | Frekuensi <= 4.59 | | | | | | Impedansi <= 0.02782 | | | | | | | Konduktansi <= 22865: Minyak goreng sawit (15.0) | | | | | | | Konduktansi > 22865: Lemak sapi (10.0/3.0) Konduktansi > 22933 | Impedansi <= 0.02666 | | Konduktansi <= 23046: Lemak babi (4.0/1.0) | | Konduktansi > 23046: Lemak sapi (89.0) | Impedansi > 0.02666 | | Frekuensi <= 4.56 | | | Konduktansi <= 23163: Lemak babi (33.0/7.0) | | | Konduktansi > 23163: Lemak sapi (12.0/3.0) | | Frekuensi > 4.56: Lemak babi (51.0/1.0)
Gambar 6.3 Contoh tree pembentuk sebagian rules penggunaan decision tree C4.5 tanpa preprocessing Akurasi klasifikasi teknik MLP dengan hidden layer (atribut+kelas=8) menghasilkan kinerja tertinggi (akurasi 87,52% dan RMSE 0,2394), disusul MLP dengan hidden layer (atribut=5) dengan akurasi 86,42% dan RMSE 0,2592. Teknik klasifikasi dengan akurasi tertinggi berikutnya simple logistic tanpa
62 preprocessing dengan akurasi 85,73%. LibSVM yang dikembangkan Chang dan Lin (2001) dipadu preprocessing normalisasi memiliki akurasi 83,26%. Nilai akurasi menggunakan teknik MLP dipengaruhi jumlah hidden layer dengan pembobotan tertentu (Wkij). Hubungan input, hiden layer, dan output dalam MLP untuk klasifikasi lemak berdasar sifat listrik terlihat pada Gambar 6.4.
W1ij
W2ij
W3ij
Frekuensi
Minyak goreng sawit
Konduktansi
Lemak sapi
Impedansi
. . .
. . .
. . .
Lemak babi
Kapasitansi Input (Simpul i)
hidden layer (Simpul j)
Output (Simpul k)
Gambar 6.4 Hubungan input, hidden layer, dan output dalam MLP untuk klasifikasi lemak berdasar sifat listrik Wkij adalah bobot terkait simpul i dalam layer k-1 ke simpul j dalam layer k Gambar 6.4 menunjukkan input 3 sifat listrik pada berbagai frekuensi diproses melalui teknik klasifikasi MLP dengan hidden layer berbeda dan bobot tertentu memperoleh akurasi, RSME, dan waktu komputasi berbeda (Tabel 6.2). Waktu komputasi teknik klasifikasi MLP paling lama dibanding teknik klasifikasi lain. MLP pada preprocessing diskritisasi dengan hidden layer (atribut=8) perlu waktu komputasi 389,54±0,65 detik. Teknik klasifikasi LibSVM dengan kernel polinomial selama 159,23±0,85 detik dan simple logistic perlu 75,54±0,11 detik. Pilihan kernel dalam LibSVM menentukan akurasi klasifikasi, waktu komputasi, dan RMSE. Klasifikasi lemak babi, lemak sapi, dan minyak goreng sawit menggunakan kernel RBF memiliki akurasi terbaik dibanding kernel lain. Tabel 6.2 menunjukkan preprocessing diskritisasi LibSVM dengan kernel RBF menghasilkan akurasi klasifikasi 83,26%, waktu komputasi 1,69±0,17 detik, dan RSME 0,3340. Nilai akurasi LibSVM dengan kernel polinomial 79,56%, linier 45,68%, dan sigmoid 30,18%. Hsu et al. (2003) menyatakan kernel RBF rasional dipilih pertama kali, karena mampu memetakan secara nonlinier suatu sampel ke dalam ruang dimensi lebih tinggi dan tidak seperti kernel linier. Kernel RBF mampu menangani kasus hubungan antara kelas dan atribut nonlinier.
63 Secara umum dalam riset ini, preprocessing normalisasi dan teknik klasifikasi multilayer perceptron memiliki keunggulan karena menghasilkan akurasi tertinggi dan membutuhkan waktu komputasi relatif cepat.
Simpulan dan Saran Simpulan Riset ini menunjukkan pilihan preprocessing dan teknik klasifikasi menghasilkan kinerja klasifikasi, yakni akurasi, waktu komputasi, dan root mean squared error (RMSE) beragam. Normalisasi meningkatkan akurasi pembedaan lemak babi dari lemak sapi, dan minyak goreng sawit. Dalam kasus ini, diskritisasi kurang cocok digunakan karena menghasilkan akurasi terendah dan waktu komputasi terlama. Penggunaan kernel RBF meningkatkan akurasi klasifikasi. Secara umum, multilayer perceptron (MLP) dengan hidden layer 8 memberikan hasil lebih baik (akurasi 87,52%, RMSE 0,2394, dan waktu komputasi 21,00±0,17 detik) dibanding teknik lain untuk pembedaan lemak babi dari lemak sapi dan minyak goreng sawit pada frekuensi 4,20-5,00 MHz. Hasil ini masih membutuhkan verifikasi terhadap spektrum sifat listrik pencampuran bahan lain dan teknik klasifikasi yang digunakan. Saran Preprocessing normalisasi dapat diaplikasikan dalam studi lanjut terkait proses deteksi lemak babi terhadap lemak pangan lain maupun daging sapi.
Pustaka Aida AA, Che Man YB, Wong CMVL, Raha AR, Son R. 2005. Analysis of raw meats and fats of pigs using polymerase chain reaction for halal authentication. Meat Sci. 69:47-52. doi:10.1016/j.meatsci.2004.06.020 Al-Salabi L, Shaaban Z, Kasasbech B. 2006. Data mining: A preprocessing engine. J Comput Sci. 2(9):735-739. Chang CC, Lin CJ. 2001. LIBSVM- A Library for Support Vector Machines. URL http://www.csie.ntu.edu.tw/~cjlin/libsvm/. Castro-Giráldez M, Chenoll C, Fito PJ, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In Toldra F. 2010. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons, Inc Che Man YB, Gan HL, Nor Aini I, Nazimah SAH, Tan CP. 2005. Detection of lard adulteration in RBD palm olein using an electronic nose. Food Chem. 90: 829-835. doi:10.1016/j.foodchem.2004.05.062 Coni E, Pasquale P, Coppolelli P, Bocca A. 1994. Detection of. Animal Fats in Butter by Differential Scanning Calorimetry: A Pilot Study. J Am Oil Chem. Soc.71:807-810. Farag RS, Abo-raya SH, Ahmed FA, Hewedi FM, Khalifa HH. 1983. Fractional crystallization and gas chromatographic analysis of fatty acids as a means of detecting butterfat adulteration. J Am Oil Chem Soc. 60:1665-1669.
64 Garofalakis M, Hyun D, Rastogi R, Shim K. 2003. Building decission tree with constraints. Data Min Knowl Discov. 7(2):187-214. Hsu CW, Chang CC, Lin CJ. 2003. A Practical Guide to Support Vector Classifcation. Department of Computer Science National Taiwan University, Taipei 106, Taiwan http://www.csie.ntu.edu.tw/~cjlin Ikediala JN, Tang J, Drake SR, Neven LG. 2000. Dielectric properties of apple cultivars and codling moth larvae. Trans ASAE. 43:1175-1184. Indrasti D, Che Man YB, Mustafa S, Hashim DM. 2010. Lard detection based on fatty acids profile using comprehensive gas chromatography hyphenated with time-of-flight mass spectrometry. Food Chem. 122:1273-1277. Jaswir I, Mirghani MES, Hassan TH, Said MZM. 2003. Determination of lard in mixture of body fats of mutton and cow by Fourier transform infrared spectroscopy. J oleo sci. 52(12):633-638. Kotsiantis SB, Kanellopoulos D, Pintelas PE. 2006. Data preprocessing for supervisit learning. Comp Sci. 1:1306-4428. Mabrook MF, Petty MC. 2003. Effect of composition on the electrical conductance of milk. J Food Eng. 60:321-325. Marikkar JMN, Ghazali HM , Che Man YB, Lai OM. 2002. The use of cooling and heating thermograms for monitoring of tallow, lard and chicken fat adulterations in canola oil. Food Res Int. 35:1007-1014. doi:10.1016/S09639969(02)00162-X Marikkar JMN, Ghazali HM, Che Man YB, Peiris TSG, Lai OM. 2005. Distinguishing lard from other animal fats in admixtures of some vegetable oils using liquid chromatographic data coupled with multivariate data analysis. Food Chem. 91:5-14. Rohman A, Che Man YB. 2010. FTIR spectroscopy combined with chemometrics for analysis of lard in the mixtures with body fats of lamb, cow, and chicken. Int Food Res J. 17:519-527. Sosa-Morales ME, Valerio-Junco L, López-Malo A, García HS. 2010. Review dielectric properties of foods: Reported data in the 21st century and their potential applications. LWT-Food Sci Technol. 43:1169-1179. doi:10.1016/j.lwt.2010.03.017. Turabi E, Regier M, Sumnu G, Sahin S, Rother M. 2010. Dielectric and thermal properties of rice cake formulations containing different gum types. Int J Food Properties. 13:1199-1206. Venkatesh MS, Raghavan GSV. 2004. An overview of microwave processing and dielectric properties of agri-food materials. Biosystems Eng. 88(1):1-11. Witten I H, Frank E, Hall MA. 2011. Data Mining: Practical Machine Learning Tools and Techniques. Third Edition. Morgan Kaufmann Publishers. Burlington.USA. Zywica R, Banach, JK, Kiełczewska K. 2012. An attempt of applying the electrical properties for the evaluation of milk fat content of raw milk. J Food Eng.111:420–424. doi:10.1016/j.jfoodeng.2012.01.025 Zywica R, J Budny. 2000. Changes of selected physical and chemical parameters of raw milk during storage. Czech J Food Sci.18(245):241-242.
65
7. APLIKASI TEKNIK-TEKNIK KLASIFIKASI UNTUK PREDIKSI CEMARAN LEMAK BABI PADA DAGING SAPI BERBASIS SIFAT LISTRIK Abstrak Kombinasi pengukuran sifat listrik dengan teknik klasifikasi telah digunakan untuk mendeteksi cemaran lemak babi pada sampel daging sapi. Riset menggunakan 8 tingkat cemaran lemak babi pada daging sapi. Sifat listrik, yakni konduktansi, impedansi, dan kapasitansi diukur pada 3,80-5,00 MHz. Teknikteknik klasifikasi, meliputi regresi linier, regresi sequential minimal optimization (SMO), Support Vector Regression (SVR), dan Multilayer Perceptron (MLP) digunakan untuk memprediksi cemaran lemak babi dalam sampel daging sapi. Hasilnya menunjukkan MLP mampu memprediksi relatif baik dengan root mean squared error (RMSE) 1,9708, koefisien korelasi (r) 0,9985 dan waktu komputasi 11,63±0,08 detik. MLP dapat direkomendasikan sebagai teknik prediksi cepat untuk deteksi cemaran lemak babi pada daging sapi. Hasil ini membuka peluang untuk mengembangkan sensor lemak babi berbasis sifat listrik. Kata kunci: Sifat listrik, deteksi lemak babi, SMO regression, SVR, Multilayer perceptron
APPLICATION OF CLASSIFICATION TECHNIQUES FOR PREDICTION LARD CONTAMINATION IN BEEF BASED ON ELECTRICAL PROPERTIES Abstract The combination between electrical properties measurement and classification techniques were used to detect lard contamination in beef samples. This study used eight levels of lard contamination in beef. The electrical properties, namely conductance, impedance and capacitance were measured at 3,80 to 5,00 MHz. Classification techniques including linear regression, sequential minimal optimization (SMO) regression, Support Vector Regression (SVR) and Multilayer Perceptron (MLP) were used to predict lard contamination in beef samples. The result showed that MLP could predict more accurate by root mean squared error (RMSE) of 1,9708, correlation coefficient (r) of 0,9985 and computation time of 11,63±0,08 seconds. MLP can be recomended as rapid screening technique for detection of lard contamination in beef. Furthermore, it can be an oppotunity to develop of lard sensor based on electrical properties. Key words:
Electrical properties, lard detection, SMO regression, SVR, Multilayer perceptron
Pendahuluan Dalam proses pengolahan, seringkali diperlukan penambahan lemak pada daging untuk menperoleh komposisi, tekstur, dan cita rasa yang diinginkan.
66 Misalnya pada produksi sosis dan restructured meat lain. Bagi industri yang tidak berorientasi pada kehalalan dan hanya menekankan aspek mutu, penambahan lemak babi tidak menjadi masalah. Lain halnya, jika produk tersebut dipasarkan pada konsumen yang agamanya melarang mengkonsumsi produk mengandung lemak babi. Karena itu, deteksi adanya penambahan lemak babi pada daging sapi penting dikembangkan. Sucipto et al. (2011) menyatakan konduktansi berpotensi dikembangkan mendeteksi lemak babi. Eksplorasi lebih jauh, beberapa sifat listrik lain juga berpeluang dikembangkan untuk deteksi lemak babi pada daging. Sifat listrik penting untuk memahami perilaku bahan ketika dimasukkan ke medan elektromagnetik pada frekuensi dan suhu tertentu (Sosa-Morales et al. 2010). Sifat ini memberikan informasi interaksi antara bahan pangan dan medan listrik (Ikediala et al. 2000). Sifat listrik terpenting adalah konstanta dielektrik dan loss factor dielektrik. Sifat listrik bahan dipengaruhi frekuensi, suhu, kadar air, densitas, komposisi dan struktur materi (Castro-Giraldez et al. 2010). Pangan memiliki sifat dielektrik dan polarisasi non ideal yang ditentukan oleh fenomena disipasi, adsorpsi energi, dan kerusakan yang memengaruhi konstanta dielektrik (Venkatesh dan Raghavan 2004). Kandungan lemak susu segar dievaluasi berdasar parameter sifat listrik, yaitu konduktansi dan kapasitansi (Zywica et al. 2012). Pemalsuan susu dan susu skim dideteksi dengan konduktansi (Mabrook dan Patty 2003). Perubahan susu selama proses produksi dievaluasi melalui impedansi dan kapasitansi (Zywica dan Budny 2000). Dalam prediksi adanya campuran bahan, perlu dilakukan data preprocessing untuk meningkatkan kualitas data, mengurangi noise. Hu (2003) menyatakan preprocessing merupakan langkah penting dan kritis dalam proses data mining, dan berdampak besar pada keberhasilan pekerjaan data mining. Preprocessing bertujuan untuk membersihkan noise, mengekstraksi dan menggabungkan data dari sumber berbeda, kemudian mengubah data ke dalam format yang tepat. Hasil preprocessing dilanjutkan pengenalan pola data dengan berbagai teknik klasifikasi. Pengenalan pola akan memetakan data ke dalam kategori atau kelas. Teknik ini telah diaplikasikan untuk prediksi campuran bahan satu dengan bahan lain. Beberapa teknik klasifikasi yang digunakan pengenalan pola, seperti artificial neural network (ANN) dan support vector regression (SVR). Metode ANN dapat menghasilkan model lebih akurat karena memanfaatkan algoritma dalam hidden layer dan pembobotan tertentu. Metode pengolahan data back propagation learning algorithm menggunakan pola belajar berdasar error corection rule. Input vektor (X) dimasukan melalui input layer dan diteruskan ke hidden layer dan akhirnya didapat output (Y) sebagai respon ANN. Awalnya, bobot antar layer ditentukan acak. Berikutnya secara berlawanan arah (backward) mengkoreksi bobot yang ada menggunakan error corection rule. Proses ini terus berulang hingga kesalahan pada output layer mencapai batas tertentu. Bentuk umum fungsi ANN adalah Y = f (Σ Wn.Xn), dimana Y output, f fungsi transfer, Wn sebagai bobot korespondensi, dan Xn sebagai vektor input yang digunakan (Santosa 2007). Support vector machine (SVM) regression adalah model algoritma relatif baru untuk memprediksi pola dari data set yang besar dan multidimensi. Untuk menyelesaikan masalah regresi linier dan nonlinier digunakan metodologi yang sama. Pada SVR, masalah nonlinier diubah menjadi linier dengan pemetaan data
67 X ke feature space (ruang fitur) berdimensi tinggi melalui fungsi pemetaan nonlinier (fungsi kernel) dan melakukan regresi linier dalam feature space. Dimensi feature ditentukan oleh pilihan fungsi kernel dan parameternya, ketika kompleksitas model ditentukan parameter penalti tambahan (Scholkopf dan Smola 2002). Dalam SVR, model dibuat hanya menggunakan subset data training yang disebut support vector yang akan menentukan akurasi prediksi. Secara teori, SVR akan memberikan kinerja lebih baik dari generalisasi model. Telaah SVR yang sangat baik dapat diikuti di Smola dan Scholkopf (2004). Studi ini bertujuan mengevaluasi kinerja prediksi teknik-teknik klasifikasi untuk pencampuran lemak babi pada daging sapi berbasis sifat listrik. Beberapa teknik klasifikasi, seperti regresi linier, sequential minimal optimization (SMO) regression, support vector regression (SVR), dan multilayer perceptron (MLP) digunakan. Dari sini diharapkan didapatkan pilihan teknik klasifikasi yang tepat dan menghasilkan akurasi prediksi lebih baik dalam waktu lebih cepat.
Metode Penelitian Persiapan sampel Sampel lemak babi diekstraksi dari jaringan adiposa babi dengan teknik rendering pada 90-100oC selama 2 jam (Marikkar et al. 2002). Lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Daging sapi diperoleh dari dari pasar, diambil bagian loin. Untuk training deteksi pencampuran lemak babi pada daging sapi dibuat campuran lemak babi pada daging sapi, masingmasing 0, 1, 5, 10, 20, 40, 60, 100 persen. Pengukuran sifat listrik sampel Sifat listrik sampel, terdiri dari konduktansi, impedansi, dan kapasitansi diukur menggunakan 3532-50 LCR HiTESTER (Hioki) pada 100 titik frekuensi mulai 3,80 MHz sampai 5,00 MHz pada suhu kamar (26-27oC) dan diulang 5 kali. Karena ada 8 perlakuan sampel maka didapat (100 x 5 x 8) = 4000 data untuk tiap parameter. Konduktansi dinyatakan dalam Siemens (S), kapasitansi dalam Farad (F) dan impedansi dalam Ohm (Ω). Pengukuran dilakukan dengan menempatkan setiap sampel pada keping sejajar terbuat dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm. Preprocessing spektrum sifat listrik Pada riset ini spektrum asli sifat listrik hasil pengukuran dilakukan preprocessing dengan median dari 5 data, kemudian smoothing dengan moving average 5 titik median berurutan. Hasil smoothing dilakukan normalisasi. Median = nilai ke ((n + 1)/2) ...................................................................(7.1) dimana, n : jumlah item yang diurutkan nilainya. Misal, urutan {1, 2, 5, 7, 8}, maka n = 5. Median= item ke ((5 + 1)/2) = item ke 3, yaitu 5.
68 Moving average dilakukan dengan Persamaan 7.2. Xm + X m-1 + ..... + X m-(n-1) Moving average (Ma) = _________________________________ .......................... (7.2) n dimana, n jumlah item yang di-moving average. Xm : data ke-m. Normalisasi min-maks digunakan dengan Persamaan 7.3. X - Xmin Xn = ___________________ ...................................................................................... (7.3) Xmaks - Xmin Dimana, Xn : nilai baru hasil nomalisasi X : nilai awal sebelum normalisasi Xmin : Nilai minimum sebelum normalisasi Xmaks : Nilai maksimum sebelum normalisasi Perangkat lunak dan pengujian data Komputasi dilakukan dengan beberapa program. Program microsoft exel untuk mempersiapkan data median dan smoothing dengan moving average 5 titik median. Preprocessing dan pemilihan teknik klasifikasi digunakan program Weka 3.6 (Waikato University 2012, open source) yang dapat diunduh di www.cs.waikato.ac.nz/ml/weka/. Data sifat listrik bahan diuji dengan 10-fold cross validation (validasi silang) yaitu metode untuk memperkirakan akurasi klasifikasi atau model regresi. Data set (kumpulan data) dibagi menjadi beberapa bagian, dengan setiap bagian digunakan untuk menguji model (Witten et al. 2011). Model evaluasi performansi teknik klasifikasi Evaluasi dilakukan terhadap berbagai teknik klasifikasi, yakni regresi linier, SMO regression, support vector regression (SVR), dan multilayer perceptron (MLP) dengan berbagai variasi. Kinerja prediksi setiap teknik klasifikasi dinilai berdasar kriteria root mean squared error (RMSE), koefisien korelasi (r), dan rerata waktu komputasi (dalam detik) 3 kali running dan standar deviasinya. Untuk running setiap teknik klasifikasi menggunakan komputer dengan sistem operasi Windows XP Professional, model sistem M7x0S, BIOS revision: 1.00.15AX. Prosesor Pentium (R) Dual-Core CPU T4300 @ 2.10GHz (2 CPUs) dengan memori 1918 MB RAM.
Hasil dan Pembahasan Spektrum sifat listrik campuran lemak babi pada daging sapi Hasil pengukuran sifat listrik dengan proses smoothing menggunakan moving average 5 titik median untuk parameter kapasitansi dan konduktansi terlihat pada Gambar 7.1 dan 7.2. Dari gambar dua dimensi tersebut, terlihat hubungan frekuensi dengan masing-masing parameter sifat listrik ada yang akurat dan bias antar perlakuan.
69 7E-10 Lemak babi 0 daging sapi 100
6E-10
Kapasitansi (F)
Lemak babi 1 daging sapi 99 5E-10
Lemak babi 10 daging sapi 90 Lemak babi 20 daging sapi 80
4E-10
Lemak babi 40 daging sapi 60 Lemak babi 60 daging sapi 40
3E-10
Lemak babi 100 daging sapi 0 2E-10
Lemak babi 5 daging sapi 95
1E-10 0
3.80
4.30
4.80
Frekuensi (MHz)
Gambar 7.1 Hubungan frekuensi dan kapasitansi dari proses smoothing dengan moving average 5 titik median 0.02
Konduktansi (S)
Lemak babi 0 daging sapi 100 0.018
Lemak babi 1 daging sapi 99 Lemak babi 5 daging sapi 95
0.016
Lemak babi 10 daging sapi 90 Lemak babi 20 daging sapi 80 Lemak babi 40 daging sapi 60
0.014
Lemak babi 60 daging sapi 40 Lemak babi 100 daging sapi 0
0.012 0.01
3.80
4.30
4.80
Frekuensi (MHz)
Gambar 7.2 Hubungan frekuensi dan konduktansi dari proses smoothing dengan moving average 5 titik median Gambar 7.1 menunjukkan hubungan frekuensi dengan kapasitansi relatif akurat. Hampir setiap frekuensi (sumbu x) menghasilkan ploting kapasitansi (sumbu y) terlihat terpisah antar perlakuan. Di sisi lain, Gambar 7.2 menunjukkan hubungan frekuensi (sumbu x) dengan konduktansi (sumbu y) relatif bias. Ini berarti dengan satu sifat listrik konduktansi, penambahan lemak babi pada daging sapi sulit dipisahkan pada frekuensi 4,00-5,00 MHz. Jika frekuensi dan konduktansi dicari hubungannya, akan menghasilkan persamaan yang kurang akurat dan koefisien korelasi kecil. Pengolahan data selanjutnya dilakukan menggabungkan 3 sifat listrik konduktansi, impedansi, dan kapasitansi untuk semua frekuensi dalam data set berdimensi lebih besar, diikuti pemilihan teknik klasifikasi yang tepat. Dari sini diharapkan mampu memprediksi secara lebih akurat dalam waktu relatif singkat. Proses pemisahan data dari dua dimensi menjadi lebih dari dua dimensi ditunjukkan Gambar 7.3.
70
Input space
Feature Space
Gambar 7.3 Pemisahan data dalam beberapa dimensi Dari Gambar 7.3 terlihat proses pemisahan data dalam dua dimensi (input space) jika ditransfer ke dalam lebih dari dua dimensi (feature space) menjadi lebih mudah dan lebih akurat. Algoritma ini dikembangkan dalam teknik klasifikasi seperti SVR. Untuk itu, atribut sifat listrik konduktansi, impedansi, dan kapasitansi hasil pengukuran 100 titik frekuensi dari 3,80 sampai 5,00 MHz dilakukan smoothing dengan moving average 5 titik median sehingga diperoleh sebaran data seperti pada Tabel 7.1. Tabel 7.1 Keterangan data sebelum dan sesudah smoothing Jumlah data Data set Sebelum Sesudah smoothing smoothing Frekuensi 4000 768 Konduktansi 4000 768 Impedansi 4000 768 Kapasitansi 4000 768 Dari preprocessing jumlah instance dikurangi dari 4000 menjadi 768 untuk memprediksi persentase lemak babi pada daging sapi dengan berbagai teknik klasifikasi. Perlakuan ini akan meningkatkan akurasi dan kecepatan komputasi. Evaluasi kinerja teknik klasifikasi Hasil evaluasi kinerja masing-masing teknik klasifikasi sifat listrik cemaran lemak babi pada daging sapi berdasar root mean squared error (RMSE), koefisien korelasi (r), dan rerata waktu komputasi dari 5 kali running dan standar deviasinya terlihat pada Tabel 7.2. Hasil ini menunjukkan pilihan teknik klasifikasi sangat memengaruhi akurasi prediksi. Berturut-turut 4 jenis teknik klasifikasi yang menghasilkan akurasi prediksi tertinggi adalah SMO regression dengan filter standarisasi dan kernel Puk, SMO regression dengan filter normalisasi dan a universal Pearson VII function based kernel (Puk), multilayer Perceptron (MLP) dengan hidden layer (atribut+kelas=13), dan MLP dengan hidden layer (atribut=5). Platt (1998) menyatakan SMO regression optimal menyelesaikan problem optimasi dengan menggunakan program kuadratik.
71 Tabel 7.2 Pengaruh teknik klasifikasi sifat listrik cemaran lemak babi pada daging sapi terhadap akurasi prediksi dan waktu komputasi Kinerja Prediksi Waktu komputasi r (detik)
Teknik klasifikasi Epsilon-SVR
RMSE
kernel RBF
2,27
±
0,11
0,9884
6,5579
kernel Polinomial
4,79
±
1,19
0,8810
30,0747
kernel Linier
1,83
±
0,10
0,9878
5,5596
kernel Sigmoid
2,33
±
0,07
0,9799
14,5186
SMOreg (Normalized)
kernel Polykernel
5,85
±
0,27
0,9892
4,8692
SMOreg (Standarized)
kernel Polykernel
13,56
±
0,08
0,9892
4,8686
SMOreg (No)
kernel Polykernel
6,41
±
0,28
0,9879
5,5552
SMOreg (Normalized)
kernel RBF
6,41
±
0,37
0,9891
5,0630
SMOreg (Standarized)
kernel RBF
5,16
±
0,19
0,9945
3,5208
SMOreg (No)
kernel RBF
9,06
±
0,16
0,3024
34,7881
SMOreg (Normalized)
kernel Puk
35,82
±
0,44
0,9999
0,5436
SMOreg (Standarized)
kernel Puk
85,04
±
0,91
1,0000
0,1970
SMOreg (No) Multilayer perceptron
kernel Puk
6,19
±
0,21
0,9950
3,7324
Hl
a=(atribut+kelas)/2
5,98
±
0,06
0,9940
3,7013
Hl
i=atribut = 5
9,82
±
0,13
0,9978
2,2440
Hl
o=kelas = 8
3,92
±
0,13
0,9877
5,3749
Hl
t=atribut+kelas = 13
11,63
±
0,08
0,9985
1,9708
0,71
±
0,10
0,9894
4,8001
Linear regression
Keterangan : RT: waktu komputasi (Running Time) r : koefisien korelasi hl : hidden layer
RMSE : Root mean square error Total Number of Instance 768
Pilihan teknik klasifikasi sangat memengaruhi waktu komputasi. SMO regression secara umum memerlukan waktu komputasi terlama dibanding Epsilon-SVR dan MLP. Platt (1998) menyatakan SMO regression memerlukan memori yang cukup untuk komputasi problem yang besar menggunakan program kuadratik. Pilihan filter dalam SMO regression menentukan akurasi hasil prediksi, koefisien korelasi (r), dan waktu komputasi. Hasil SMO regression menggunakan kernel Puk dengan berbagai filter diperoleh RSME dan r yang berbeda. SMO regression tanpa filter (RSME 3,7384, r 0,9950), filter normalisasi (RSME 0,0536, r 0,9999), dan filter standardisasi (RSME 0,1970, r 1,0000) (Tabel 7.2). Proses standardisasi data menyebabkan akurasi prediksi lebih tinggi dibanding normalisasi dan tanpa filter (standarisasi dan normalisasi). Dengan proses standarisasi, data terkategori lebih baik sehingga proses pengenalan menggunakan teknik klasifikasi lebih mudah. Pyle (1999) menyatakan preprocessing akan memperbaiki kualitas data sehingga lebih siap sebelum dianalisis. Pemilihan kernel sangat memengaruhi akurasi prediksi dan waktu komputasi. SMO regression dengan kernel Puk menghasilkan akurasi tertinggi, namun waktu komputasi terlama. Tabel 7.2 menunjukkan SMO regression dengan kernel Puk dan filter normalisasi memerlukan waktu komputasi 35,82±0,44 detik,
72 sedang dengan filter standarisasi waktu komputasi menjadi 85,04±0,91 detik. Penggunaan teknik klasifikasi Epsilon-SVR dengan kernel radial basis function (RBF) menghasilkan RSME 6,5579 dan r 0,9884, sedang menggunakan kernel linier menghasilkan RSME 5,5596 dan r 0,9878. Penggunaan kernel Sigmoid dan Polinomial dalam teknik klasifikasi SVR menghasilkan RSME lebih besar, sehingga kurang sesuai. Jumlah hidden layer dalam teknik multilayer perceptron sangat memengaruhi akurasi prediksi, r, dan waktu komputasi. Pilihan hidden layer 13 menghasilkan RMSE 1,9708, r 0,9985, dan waktu komputasi 9,82±0,13 detik, sedang hidden layer 5 menghasilkan RMSE 2,2440, r 0,9978, dan waktu komputasi 11,63±0,08 detik. Hasil ini jika dibandingkan dengan SMO regression dengan filter standardisasi dan kernel Puk, serta SMO regression dengan filter normalisasi dan kernel Puk mempunyai akurasi lebih kecil, namun memiliki waktu komputasi lebih cepat. Karena itu, untuk keperluan deteksi cepat maka teknik klasifikasi multilayer perceptron lebih direkomendasikan.
Simpulan dan Saran Simpulan Kombinsasi sifat listrik dengan berbagai teknik klasifikasi dapat meningkatkan akurasi dan mempercepat prediksi cemaran lemak babi pada daging sapi. Filter standarisasi dalam SMO regression membantu meningkatkan proses prediksi dengan akurasi tertinggi (root mean squared error atau RMSE 0,1970, koefisien korelasi atau r 1,000), namun waktu komputasi paling lama yaitu 85,04±0,91 detik. Multilayer perceptron (MLP) dengan hidden layer 13 menghasilkan akurasi prediksi relatif tinggi (RMSE 1,9708, r 0,9985) dan waktu komputasi relatif singkat yaitu 11,63±0,08 detik. Model MLP direkomendasikan dikembangkan untuk mendukung teknik deteksi cemaran lemak babi pada daging sapi berbasis sifat listrik bahan. Saran Penelitian lebih lanjut dapat menguji konsistensi hasil pilihan teknik klasifikasi rekomendasi penelitian ini untuk memprediksi berbagai cemaran lemak babi pada berbagai bagian daging sapi.
Pustaka Castro-Giráldez M, Chenoll C, Fito PJ, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In Toldra F. 2010. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons, Inc. Hu X. 2003. DB-HReduction: a data preprocessing algorithm for data mining appliqtions. Appl Math Lett. 16:889-895. Ikediala JN, Tang J, Drake SR, Neven LG. 2000. Dielectric properties of apple cultivars and codling moth larvae. Trans ASAE. 43:1175-1184.
73 Mabrook MF, Petty MC. 2003. Effect of composition on the electrical conductance of milk. J Food Eng. 60:321-325. Marikkar JMN, HM Ghazali YB, Che Man, Lai OM. 2002. The use of cooling and heating thermograms for monitoring of tallow, lard and chicken fat adulterations in canola oil. Food Res Int. 35:1007-1014. doi:10.1016/S09639969(02)00162-X. Platt J. 1998. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines, CiteSeerX: 10.1.1.43.4376 Pyle D. 1999. Data preparation for data mining. Morgan Kaufmann Publishers, Los Altos, California. Santosa B. 2007. Data mining: Teknik pemanfaatan data untuk keperluan bisnis. Graha Ilmu. Yogyakarta. Scholkopf B, Smola AJ. 2002. Learning with Kernels. MIT Press. Smola AJ, Scholkopf B. 2004. A tutorial on support vector regression. Stat Comput. 14:199-222. Sosa-Morales ME, Valerio-Junco L, López-Malo A, García HS. 2010. Review dielectric properties of foods: Reported data in the 21st century and their potential applications. LWT-Food Sci Technol. 43:1169-1179. doi:10.1016/j.lwt.2010.03.017 Sucipto, Irzaman, Tun Tedja I, Fauzi AM. 2011. Potential of conductance measurement for lard detection. IJBAS-IJENS 11(05):26-30. http://www.ijens.org/Vol_11_I_05/114805-9696-IJBAS-IJENS.pdf Venkatesh MS, Raghavan GSV. 2004. An overview of microwave processing and dielectric properties of agri-food materials. Biosyst Eng. 88(1):1-11. doi:10.1016/j.biosystemseng.2004.01.007. Witten I H, Frank E, Hall MA. 2011. Data Mining: Practical Machine Learning Tools and Techniques. Third Edition. Morgan Kaufmann Publishers. Burlington.USA. Zywica R, Budny J. 2000. Changes of selected physical and chemical parameters of raw milk during storage. Czech J Food Sci. 18(245): 241-242. Zywica R, Banach JK, Kiełczewska K. 2012. An attempt of applying the electrical properties for the evaluation of milk fat content of raw milk. J Food Eng. 111: 420–424. doi:10.1016/j.jfoodeng.2012.01.025.
74 (Halaman ini sengaja dikosongkan)
75
8. PEMBAHASAN UMUM POTENSI IMPLEMENTASI TEKNIK DETEKSI LEMAK BABI BERBASIS SIFAT LISTRIK DALAM RANTAI PASOK PRODUK HALAL Abstrak Penelitian teknik deteksi lemak babi berbasis sifat listrik menunjukkan bahwa frekuensi 3,80-5,00 MHz, pilihan preprocessing normalisasi dan teknik klasifikasi multilayer perceptron mampu membedakan lemak babi dari lemak sapi dan minyak goreng sawit, serta memprediksi cemaran lemak babi pada daging sapi. Dalam penelitian ini, kelebihan hasil riset, perbandingan dengan beberapa teknik deteksi lemak babi sebelumnya, dan berbagai isu lebih makro terkait pengawasan produk halal, serta tahapan teknis implementasinya belum didiskusikan. Karena itu, bagian ini membahas hasil riset deteksi lemak babi berbasis sifat listrik, kelebihan dan kekurangannya dibanding teknik sebelumnya, potensi aplikasi hasil riset untuk menunjang pengawasan produk halal sepanjang rantai pasok, dan berbagai peluang riset lanjutan. Pentingnya membuat rangkaian elektronika untuk memfilter rentang frekuensi dan sifat listrik dominan dikombinasikan dengan teknik preprocessing dan teknik klasifikasi terpilih menjadi sensor terintegrasi. Sensor lemak babi berbasis sifat listrik akan menunjang sertifikasi dan pengawasan produk halal sepanjang rantai pasok semakin cepat, akurat, dan murah menggunakan alat relatif sederhana. Kata kunci: sensor lemak babi, sifat listrik, pengawasan, rantai pasok, produk halal. POTENTIAL IMPLEMENTATION OF LARD DETECTION TECHNIQUE BASED ON ELECTRICAL PROPERTIES IN THE HALAL PRODUCTS SUPPLY CHAIN
Abstract Research of lard detection technique based on electrical properties showed that frequency meauserement at 3,80-5,00 MHz, normalization preprocessing and classification technique multilayer perceptron were able to distinguish lard from tallow and palm oil, as well as that to predict the contamination of lard in beef. In these studies, the advantages of the technique, a comparison with some previous lard detection techniques and some macro issues related to halal product surveillance, as well as the technical stages of implementation has not been discussed. Therefore, this section discusses the research results of lard detection based on electrical properties, the advantages and disadvantages compared to the previous techniques, the potential of application of the technique to support halal products surveillance throughout the supply chain, and further research opportunities. The importance of electronic circuits construction to filter frequency ranges and the dominant electrical properties that be combined with selected preprocessing technique and classification techniques become an integrated sensor. Lard sensors based on the electrical properties will support to certification process and surveillance of halal products supply chain, that are faster, more accurate and cheaper using simple device relatively. Keywords: Lard sensor, electrical properties, surveillance, supply chain, halal products
76 Pendahuluan Deteksi babi dan produk turunan babi dalam rantai pasok produk-produk halal sangat penting. Hal ini terkait pengembangan teknik deteksi, pengawasan pre-marketing dan post-marketing untuk mewujudkan jaminan produk halal (JPH) bagi masyarakat, khususnya umat Islam. Penelitian teknik deteksi lemak babi berbasis sifat listrik telah menunjukkan bahwa dengan menggunakan frekuensi 3,80-5,00 MHz, pilihan preprocessing normalisasi dan teknik klasifikasi multilayer perceptron mampu membedakan lemak babi dari lemak sapi dan minyak goreng sawit, serta memprediksi cemaran lemak babi pada daging sapi. Sifat listrik lemak pangan dipengaruhi oleh komposisi asam lemak, terutama ikatan rangkap. Dalam penelitian ini, kelebihan hasil riset, perbandingan dengan beberapa teknik deteksi lemak babi sebelumnya, dan berbagai isu lebih makro terkait pengawasan produk halal, serta tahapan teknis implementasinya belum didiskusikan. Bagian ini akan membahas hasil riset deteksi lemak babi berbasis sifat listrik, kelebihan dan kekurangannya dibanding teknik sebelumnya, potensi aplikasi hasil riset untuk menunjang pengawasan produk halal sepanjang rantai pasok, dan berbagai peluang riset lanjutan. Hasil riset ini memberikan tantangan bagi peneliti lain untuk mengembangkan riset teknik deteksi babi dan produk turunan babi lainnya berbasis sifat listrik dan data mining sehingga diharapkan deteksi cemaran babi menjadi lebih andal.
Teknik Deteksi Lemak Babi Berbasis Sifat Listrik dan Data Mining Teknik deteksi lemak babi berbasis sifat listrik merupakan aplikasi baru penggunaan sifat listrik dalam bidang deteksi babi dan produk turunan babi. Sebagai aplikasi baru, desain teknik deteksi lemak babi berbasis sifat listrik membutuhkan berbagai masukan dan proses agar mendapat keluaran dengan kinerja sesuai target. Sebagai riset awal pada penelitian ini dibatasi seperti pada Gambar 8.1. Secara prinsip proses yang dilakukan telah memenuhi 3 bagian proses deteksi, yaitu penanganan sampel, pengukuran atribut sebagai parameter deteksi, dan pengolahan data. Hal serupa telah digunakan dalam teknik deteksi berbasis electronic nose (Pearce et al. 2003). Dalam riset ini persiapan sampel relatif sederhana dan cepat, yaitu melakukan penyerapan air dengan Na2SO4. Persiapan kondisi pengukuran sifat listrik menggunakan LCR meter dengan mengatur jumlah titik dan rentang frekuensi tertentu. Pengukuran atribut sifat listrik meliputi konduktansi, impedansi, dan kapasitansi dalam rentang frekuensi 3,80-5,00 MHz. Komputasi untuk pengolahan data sifat listrik bahan dipercepat dengan pilihan teknik preprocessing dan teknik klasifikasi seperti Gambar 8.1. Pilihan teknik preprocessing seperti rerata, median, smoothing, normalisasi, dan diskrititasi yang dikombinasikan dengan teknik-teknik klasifikasi seperti naive bayes, simple logistic, C4.5 decision tree, linear regression, support vector machine (SVM), dan multilayer perceptron (MLP) telah diujikan untuk mengolah data sifat listrik.
77 Mulai
Persiapan bahan dan alat
Sampel: Lemak sapi, lemak babi, minyak goreng sawit, dan daging sapi Penyerapan air dengan Na2SO4 anhidrat
Persiapan sampel
Desain keping sejajar dan rentang frekuensi pengukuran pada alat LCR Meter
Persiapan alat ukur sifat listrik
Pengukuran sifat listrik sampel: impedansi, kapasitansi, dan konduktansi Teknik-teknik preprocessing: rerata, median, smoothing, normalisasi, diskritisasi
Teknik-teknik klasifikasi: naive bayes, simple logistic, C4.5, regresi linier, support vector machine (SVM), multi layer perceptron (MLP)
Hukum Islam tentang bahan syubhat dan haram
Preprocessing data sifat listrik
Proses klasifikasi data sifat listrik
Akurasi, r, RMSE, waktu komputasi sesuai target ?
Tidak
Ya Diperoleh: persiapan sampel, kondisi pengukuran sifat elektrik, pilihan kombinasi teknik preprocessing dan klasifikasi untuk deteksi cemaran lemak babi
Selesai
Gambar 8.1 Desain teknik deteksi lemak babi berbasis sifat listrik dan data mining Keterangan : r : Koefisien korelasi, RMSE : Root mean squared error
78 Tabel 8.1 Perbandingan teknik deteksi lemak babi berbasis sifat listrik dengan teknik sebelumnya dan riset terkait Teknik deteksi
Referensi
Kelebihan
Kekurangan
Kromatograpi gas
Marikkar et al. (2001) Chou et al. (2007)
Sudah teruji menghasilkan pofil asam lemak dengan standar jelas (Marikkar et al. 2001)
Persiapan sampel lama. Perlu dioven 100oC selama 30 menit, diserap airnya dengan Na2SO4 anhidrat, kemudian proses transesterifikasi (340 menit). Perlu beberapa bahan kimia.
Differential Scanning Calorimetry (DSC)
Marikkar et al. (2001) Marikkar et al. (2003)
Akurasi tinggi, dapat mendeteksi 1% lemak babi murni dalam RBDPO dengan r 0,9967 (Marikkar et al. 2001)
Persiapan sampel lebih lama dari spektroskopi FTIR.
Electronic nose
Nurjuliana et al. (2011a); Nurjuliana et al. (2011b); dan Che Man et al. (2005).
Lebih cepat dari kromatografi gas dan DSC.
Harga alat relatif mahal. Butuh sensor khusus untuk menangkap gas penciri bahan
Spektroskopi FTIR
Rohman et al. (2011); Che Man et al. (2010); Rohman dan Che Man (2011); Rohman dan Che Man (2009); Che Man et al. (2005); Che Man dan Mirghani (2001) Lizi et al. (2008); Lizi et al. (2010); Sucipto et al. (2011)
Persiapan sampel minim, dengan penyerapan air menggunakan Na2SO4 anhidrat. Akurasi tinggi R2>0,99 (Rohman et al. 2011)
Harga alat dan penunjangnya mahal
Persiapan sampel minim, dengan penyerapan air menggunakan Na2SO4 anhidrat. Dapat mendeteksi 1% lemak babi pada daging sapi. Waktu deteksi sangat cepat. Akusisi data sekitar 4 menit dan komputasi 11-16 detik. Harga alat relatif lebih murah dibanding GC, FTIR, dan E-Nose.
Akurasi beragam antar sampel. Untuk klasifikasi lemak babi, lemak sapi, dan minyak goreng sawit akurasi 87,52%, RMSE 0,2394. Prediksi cemaran lemak babi pada daging sapi r 0,9985, RSME 1,9708.
Sifat listrik (Spektros kopi dielektrik)
79 Kombinasi sifat listrik bahan dengan berbagai teknik preprocessing normalisasi dan teknik klasifikasi menghasilkan akurasi beragam (Tabel 6.2 dan Tabel 7.2) Kombinasi sifat listrik bahan dengan teknik preprocessing normalisasi dan teknik klasifikasi multilayer perceptron menghasilkan akurasi tertinggi. Pembedaan lemak babi dari lemak sapi dan minyak goreng sawit memiliki akurasi 87,52% dan RMSE 0,2394. Prediksi cemaran lemak babi pada daging sapi menghasilkan koefisien korelasi (r) 0,9985 dan root mean squared error (RSME) 1,9708 (Tabel 8.1). Seiring banyaknya sampel yang diuji dengan teknik deteksi berbasis sifat listrik yang dikembangkan diduga akan meningkat akurasinya.
Perbandingan Teknik Deteksi Lemak Babi Berbasis Sifat Listrik dengan Beberapa Teknik Sebelumnya Teknik deteksi lemak babi berbasis sifat listrik perlu dibandingkan dengan beberapa teknik yang telah berkembang sebelumnya untuk mengetahui kelebihan dan kekurangan masing-masing (Tabel 8.1). Secara umum, sulit mendapatkan teknik deteksi untuk seluruh produk yang prosesnya cepat, akurat, dan berbiaya murah. Pengujian lemak berdasar profil asam lemak menggunakan kromatografi gas teruji menghasilkan profil asam lemak dengan standar jelas, namun waktu persiapan sampel relatif lama. Sementara itu, electronic nose dan spektroskopi FTIR perlu waktu lebih cepat, namun biaya investasi alat relatif lebih mahal. Perbandingan harga alat deteksi lemak babi berbasis sifat listrik menggunakan LCR meter dengan teknik deteksi lain menunjukkan harga alat relatif lebih murah. Untuk aplikasi, penggunaan sifat listrik dengan LCR meter masih mungkin dikonversi menjadi instrumen rangkaian elektronika yang mampu memfilter rentang frekuensi dan sifat listrik tertentu. Misalnya menggunakan sifat listrik impedansi pada frekuensi 3,80-5,00 MHz. Jika sifat listrik ini dikombinasikan dengan teknik preprocessing dan klasifikasi terpilih akan diperoleh sensor dengan alat lebih sederhana dan berharga lebih murah. Dari sini memungkinkan teknik deteksi lemak babi berbasis sifat listrik dengan biaya lebih murah.
Potensi Deteksi Lemak Babi Berbasis Sifat Listrik sebagai Penunjang Audit dan Pengawasan Rantai Pasok Produk Halal Peluang penggunaan teknik deteksi lemak babi berbasis sifat listrik dalam menunjang pengawasan produk halal sepanjang rantai pasok terkait sistem pengawasan produk halal yang diberlalukan oleh negara. Berikut ini dikemukakan pengawasan produk halal, khususnya di Indonesia, peluang deteksi lemak babi berbasis sifat listrik dalam rantai pasok produk-produk halal dengan berbagai riset lanjutan yang mendukung.
80 Pengawasan Produk Halal Pengawasan produk halal di Indonesia belum baku, karena Rancangan Undang-Undang (RUU) Jaminan Produk Halal (JPH) belum diundangkan. Sistem pengawasan dimulai sejak perolehan bahan baku, proses produksi, produk setengah jadi, produk jadi, hingga produk didistribusikan ke konsumen. Sistem pengawasan pangan dikembangkan menjadi tiga lapis, yakni pengawasan produsen, pemerintah, dan konsumen (Suratmono 2005). Dari aspek rantai pasok, pengawasan dibagi pre-marketing dan post-marketing, sesuai standar dan perundangan. Nurhayati (2008) menyatakan pre-marketing mutu dan keamanan obat dan makanan, terkait penilaian atau evaluasi, keamanan, mutu dan registrasi produksi pangan, risk assesment, bahan tambahan makanan, inspeksi dan lain-lain. Post-marketing mencakup pengambilan sampel, pengujian laboratorium, pemantauan label dan iklan pangan, investigasi serta monitoring. Bagian tak terpisah dari fungsi pengawasan meliputi riset, komunikasi, edukasi, dan informasi ke konsumen termasuk peringatan masyarakat (public warning). Pengawasan produk halal sebelum dipasarkan Pengawasan produk halal dapat mengadopsi pengawasan keamanan dan mutu obat dan makanan dengan modifikasi. Pengawasan pre-marketing produk halal dapat dilakukan beberapa pihak. Pertama, produsen berperan besar mengendalikan produksi sesuai ketentuan halal. Jika produsen menyatakan produknya halal, ia bertanggung jawab atas pernyataannya (UU Pangan No 18 Tahun 2012). Untuk itu, salah satu syarat pengajuan sertifikasi halal, produsen harus membentuk auditor halal internal (AHI) dan Sistem Jaminan Halal (SJH) perusahaan. Untuk efisiensi AHI dan SJH dapat diintegrasikan dalam Sistem Jaminan Mutu perusahaan. AHI perusahaan merencanakan, mengontrol seluruh proses produksi dan distribusi produk ke konsumen. SJH adalah sistem manajemen untuk mempertahankan status halal produk-produk bersertifikat halal (LP POM MUI 2004). Sistem ini dibuat agar selama berlakunya sertifikasi halal, produsen konsisten menjalankan produksi dan manajemen usaha sesuai kriteria halal. SJH dikembangkan dari Total Quality Manajemen (TQM) yang terdiri empat unsur, yaitu komitmen, kebutuhan konsumen, peningkatan mutu tanpa tambahan biaya, dan menghasilkan barang setiap waktu tanpa reject, tanpa rework. Produksi produk halal menerapkan three zero's concept. Bahan haram tidak boleh ada pada level mana pun (zero limit), tidak memproduksi produk haram (zero defect), dan tiada risiko merugikan penerapan sistem ini (zero risk) (Apriyantono et al. 2007). Kedua, pre-marketing oleh lembaga sertifikasi halal. Lembaga sertifikasi halal memiliki lembaga pemeriksa halal (LPH). Saat ini, LPH diperankan auditor halal LPPOM MUI, sedang auditor halal pemerintah belum ada. LPOM MUI menerapkan standar operasional prosedur (SOP) pemeriksaan produk halal. Dengan SJH, audit sertifikasi dan produksi halal dapat terpadu dijalankan AHI dan lembaga sertifikasi halal. Untuk penilaian bahan atau produk luar negeri, lembaga sertifikasi halal bekerjasama dengan lembaga sertifikasi halal luar negeri. Selama ini, audit halal mengandalkan sistem manajemen untuk mengenali titik kriris bahan dan proses haram (Apriyantono et al. 2007). Lembaga sertifikasi halal memerlukan analisis laboratorium untuk menegakkan diagnosa proses
81 sertifikasi. Fauzi dan Mas'ud (2009) menyatakan kombinasi audit dan uji laboratorium diperlukan untuk verifikasi. Ketiga, pre-marketing pemerintah melalui Badan Pengawas Obat dan Makanan (BPOM) berperan memberi izin label halal pada kemasan. Tugas dan fungsi pokok BPOM berorientasi pada pengendalian, pengawasan, dan pembinaan produsen (Keputusan Presiden Nomer 103 Tahun 2001). Untuk melindungi konsumen dari pangan tak halal pemerintah dapat melakukan pengawasan preventif mencakup regulasi, standardisasi, dan evaluasi produk sebelum beredar. Pengawasan produk halal setelah dipasarkan Di Indonesia pengawasan produk halal setelah dipasarkan masih lemah. Secara regulasi, pengawasan produk halal dilakukan BPOM bekerjasama instansi terkait. Pengawasan peredaran, sampling, pengujian laboratorium, pemeriksaan, dan penyidikan, perlu didukung penegakan hukum. Pengawasan oleh masyarakat, lembaga konsumen, dan organisasi massa merupakan kepedulian terhadap produk halal. Standar label produk halal belum diatur ketat pemerintah. Sisi lemah ini dimanfaatkan produsen tak bertanggung jawab menghasilkan produk tak halal, namun diklaim sebagai produk halal. Pemerintah perlu memberdayakan masyarakat agar menyadari hak dan tanggung jawabnya melalui sarana komunikasi, informasi dan edukasi. Kesadaran masyarakat pada produk halal mendorong produsen menjaga standar produknya. Peluang deteksi lemak babi berbasis sifat listrik dalam rantai pasok produkproduk halal Berkembangnya teknik deteksi cemaran bahan haram produk tertentu berkontribusi membantu pengawasan pre-marketing, terutama terkait proses audit sertifikasi halal. Produsen berpeluang memanfaatkan teknik deteksi ini untuk membantu menentukan pilihan bahan baku selain menggunakan bukti sertifikat halal dari pemasok. Lembaga pengawas produk halal pemerintah dapat menguji dengan teknik deteksi bahan haram ini untuk pengawasan post-marketing. Pengembangan teknik deteksi cemaran produk haram, khususnya babi dan turunannya, penting untuk mewujudkan JPH. Teknik deteksi bahan haram berperan menunjang proses produksi, sertifikasi, dan pengawasan produk halal dalam rantai pasok produk halal (Gambar 8.2). Fauzi dan Mas’ud (2009) menyatakan hasil tes laboratorium dapat mengkonfirmasi adanya kontaminan haram, tetapi tidak dapat digunakan sebagai sumber informasi tunggal untuk menjamin produk tersebut halal. Gambar 8.2 menunjukkan bahwa teknik deteksi bahan haram berperan penting mendukung audit lembaga pemeriksa halal dan mendorong pengawasan lembaga pengawas produk halal kepada produsen bahan baku, pemasok bahan baku, produsen, distributor, dan retail hingga produk dipasarkan ke konsumen. Untuk efisiensi pengawasan produk halal perlu dipilih titik kritis kemungkinan terjadinya cemaran bahan haram yang spesifik untuk bahan dan proses tertentu sesuai dengan tujuan pengawasan baik pre-marketing atau post-marketing. Pengujian post-marketing di distributor dan retail sering menunggu konsumen resah dengan isu bahan haram dalam produk. Keterlambatan ini merugikan perdagangan produk sejenis karena dampak isu produk haram pada produk tertentu. Tersedianya teknik deteksi cepat cemaran bahan haram
82 membantu pengujian cepat sebelum dilakukan pengujian lanjut dengan alat uji yang lebih teliti di laboratorium. Tindakan cepat pun dapat segera diambil oleh lembaga yang berwenang. Pre- marketing
Post- marketing Auditor Sistem halal Jaminan internal Halal
Bahan baku dari pasar global Pemasok bahan baku
Produsen
Konsumen di pasar global Distributor
Retail
Bahan baku dari pasar domestik
Konsumen di pasar domestik Lembaga pemeriksa halal dalam negeri
Lembaga Pemeriksa halal luar negeri
Lembaga pengawas produk halal
Lembaga fatwa halal dalam negeri
Lembaga Fatwa halal luar negeri
Pemerintah
Gambar 8.2 Peran teknik deteksi bahan haram dalam rantai pasok produk halal Keterangan:
: Alur produk dari produsen bahan baku ke konsumen : Mutual recognation lembaga sertifikasi halal antar negara : Audit atau pengawasan oleh lembaga sertifikasi halal atau lembaga pengawas produk halal pemerintah
Peluang pemanfaatan teknik deteksi lemak babi berbasis sifat listrik untuk pengawasan pre-marketing atau post-marketing dalam rantai pasok produk halal terbuka dengan melakukan pengembangan alternatif riset lanjutan yang terangkum pada Tabel 8.2. Proses akusisi sifat listrik bahan lemak babi membutuhkan kondisi alat dan persiapan bahan dengan penyerapan air menggunakan Na2SO4 anhidrat pada frekuensi 3,80-5,00 MHz dan suhu ruang (26-27oC). Kondisi ini masih membuka peluang riset lanjutan terkait alat akuisisi sifat listrik, eksplorasi sifat listrik berbagai bahan dan proses persiapannya, serta mencari kemungkinan penggunaan rentang frekuensi lebih spesifik dari hasil yang telah didapat (Tabel 8.2 poin 1-3). Dengan alternatif riset tersebut sifat listrik cemaran bahan haram, khususnya babi dan turunannya, semakin diketahui sehingga mendukung peningkatan akurasi akuisisi data sifat listrik. Riset sifat listrik dapat digunakan mendeteksi lemak babi, dengan urutan sifat listrik paling berpengaruh, yaitu impedansi, kapasitansi, dan konduktansi. Sifat listrik dipengaruhi asam lemak, terutama ikatan rangkap. Untuk membangun teknik deteksi yang andal masih diperlukan riset lanjutan terkait karaktersistik sifat listrik berbagai tipe dan asal lemak, pilihan sifat listrik untuk rancang bangun
83 rangkaian elektronika pendeteksi lemak babi, dan memperdalam hubungan asam lemak rantai rangkap dengan sifat listrik (Tabel 8.2 poin 4-6). Tabel 8.2 Rangkuman hasil dan alternatif riset lanjutan Hasil Riset
Alternatif Riset Lanjutan
1. Keping sejajar dari tembaga dengan 1. Keping sejajar berbahan selain dimensi 20 mm x 10 mm berjarak 5 tembaga dan dimensi lain dapat mm dapat digunakan mengakuisisi diteliti untuk pengukuran sifat listrik sifat listrik bahan. lemak babi menjadi lebih standar. 2. Eksplorasi berbagai sampel dan 2. Sampel lemak perlu diserap airnya proses persiapan sampel tiap bahan menggunakan Na2SO4 anhidrat. penting untuk mengenali karakteristik sifat listrik bahan 3. Deteksi lemak babi pada lemak dan sehingga mendukung daging sapi berbasis sifat listrik pengembangan deteksi bahan haram dapat dilakukan pada rentang berbasis sifat listrik. frekuensi 3,80-5,00 MHz dan 3. Masih mungkin diperoleh rentang diukur pada suhu ruang (26-27oC). frekuensi lebih spesifik untuk deteksi lemak babi. 4. Sifat listrik dapat digunakan 4. Uji sifat listrik berbagai tipe dan mendeteksi lemak babi. asal lemak akan menguatkan 5. Sifat listrik yang berpengaruh dalam pengetahuan karakteristik sifat proses deteksi lemak babi berturutlistrik bahan. turut: impedansi, kapasitansi, dan 5. Pilihan sifat listrik membantu konduktansi. rancang bangun rangkaian 6. Sifat listrik lemak dipengaruhi elektronika untuk deteksi lemak komposisi asam lemak, terutama babi. rantai rangkap. 6. Mencari hubungan lebih spesifik antara asam lemak, terutama rantai rangkap, dengan sifat listrik. 7. Kombinasi sifat listrik dengan teknik preprocessing normalisasi dan teknik klasifikasi multilayer perceptron (MLP) dapat membedakan lemak babi dari lemak sapi dan minyak goreng sawit dengan akurasi 87,52%, root mean squared error (RMSE) 0,2394, dan waktu komputasi 21,00±0,17 detik. 8. Dengan teknik yang sama, cemaran lemak babi pada daging sapi dapat diprediksi dengan koefisien korelasi (r) 0,9985, RSME 1,9708, dan waktu komputasi 11,63±0,13 detik.
7. Pembuatan instrumen rangkaian elektronika yang mampu memfilter pengukuran sifat listrik bahan berdasar rentang frekuensi dan sifat listrik tertentu sesuai hasil riset. 8. Kombinasi rangkaian elektronika, pilihan teknik preprocessing dan klasifikasi berpeluang dibuat sensor terintegrasi. Hal ini mendukung pengembangan alat deteksi cemaran babi relatif cepat dan murah dengan alat sederhana.
84
Riset yang telah dilakukan juga mendapat teknik preprocessing normalisasi dan teknik klasifikasi multilayer perceptron (MLP) yang mampu membedakan lemak babi dari lemak sapi, dan minyak goreng sawit, serta memprediksi cemaran lemak babi pada daging sapi dengan akurasi relatif tinggi dalam waktu relatif cepat. Hasil riset ini perlu ditindaklanjuti dengan riset pembuatan instrumen rangkaian elektronika yang mampu memfilter pengukuran sifat listrik bahan berdasar rentang frekuensi dan sifat listrik hasil penelitian. Selain itu, sifat listrik perlu dikombinasikan dengan teknik preprocessing dan teknik klasifikasi terpilih menjadi sensor terintegrasi (Tabel 8.2 poin 7-8). Dengan berbagai penyempurnaan, teknik deteksi lemak babi berbasis sifat listrik dapat diimplementasikan di laboratorium. Peluang penggunaan di lapang (in situ) dalam rantai pasok produk halal terbuka dengan pengembangan sensor terintegrasi berbasis sifat listrik bahan dan data mining. Ke depan, sensor terintegrasi ini akan mendukung upaya pengembangan deteksi bahan haram dalam rantai pasok produk-produk halal menjadi lebih cepat, akurat, dan murah menggunakan alat relatif sederhana.
Simpulan dan Saran Simpulan Hasil riset teknik deteksi lemak babi berbasis sifat listrik perlu dikaitkan dengan isu halal yang lebih makro yaitu pengawasan produk halal sepanjang rantai pasok. Peluang riset lanjutan terkait spesifikasi rentang frekuensi, eksplorasi sifat listrik berbagai bahan, khususnya babi dan produk turunannya penting dilakukan untuk mendukung peningkatan akurasi proses deteksi. Pembuatan rangkaian elektronika untuk memfilter rentang frekuensi dan sifat listrik dominan dikombinasikan dengan teknik preprocessing dan teknik klasifikasi terpilih menjadi sensor terintegrasi penting untuk mendukung proses sertifikasi dan pengawasan produk halal sepanjang rantai pasok produk halal semakin cepat, akurat, dan murah menggunakan alat relatif sederhana. Saran Sebagai riset interdisiplin, peluang riset pengembangan teknik deteksi lemak babi membutuhkan kerjasama, diantaranya bidang keahlian kimia, fisika, data mining, dan teknik dan sistem industri pertanian, serta bidang terkait lain.
85 Pustaka Apriyantono A, Hermanianto J, Wahid N. 2007. Pedoman produksi pangan halal. Khairul bayan press. Jakarta. Che Man YB, Abidin Z, Rohman A. 2010. Discriminant analysis of selected edible fats and oils and those in biscuit formulation using FTIR spectroscopy. Food Anal Methods. 1-6. Che Man YB, Mirghani MES. 2001. Detection of lard mixed with body fats of chicken, lamb, and cow by Fourier transform infrared spectroscopy. J Am Oil Chem. Soc. 78(7):753-761. Che Man YB, Syahariza ZA, Mirghani MES, Jinap S, Bakar J. 2005. Analysis of potential lard adulteration in chocolate and chocolate products using Fourier transforms infrared spectroscopy. Food Chem. 90(4):815-819. Chou C, Lin S, Lee K, Hsu C, Vickroy TW, Zen J. 2007. Fast differentiation of meats from fifteen animal species by liquid chromatography with electrochemical detection using copper nanoparticle plated electrodes. J Chromatogr B. 846(2):230-239. Fauzi AM, Mas’ud ZA. 2009. Instrumentation techniques for potential application in halal products authentication. Paper presented at the 3rd IMT-GT international symposium on halal science and management. 21st-22nd December 2009. Kuala Lumpur. Malaysia. Keputusan Presiden Nomer 103 Tahun 2001 tentang Kedududukan, Tugas, Fungsi, Kewenangan Susunan Organisasi dan Tata Lembaga Pemerintah Non Departemen. Lizhi H, Toyoda K, Ihara I. 2008. Dielectric properties of edible oils and fatty acids as a function of frequency, temperature, moisture and composition. J Food Eng. 88:151-158. Lizhi H, Toyoda K, Ihara I. 2010. Discrimination of olive oil adulterated with vegetable oils using dielectric spectroscopy. J Food Eng. 96:167-171. LP POM MUI. 2004. Panduan sistem jaminan halal. Jakarta. Marikkar JMN, Ghazali HM, Che Man YB, Lai OM. 2003. Differential scanning calorimetric analysis for determination of some animal fats as adulterants in palm olein. J Food Lipids. 10(1):63-79. Marikkar JMN, Lai OM, Ghazali HM, Che Man YB. 2001. Detection of lard and randomized lard as adulterants in refined–bleached–deodorized palm oil by differential scanning calorimetry. J Am Oil Chem Soc. 78(11):1113-1119. Nurhayati I. 2008. Efektivitas pengawasan BPOM terhadap peredaran produk pangan olahan impor dalam mewujudkan perlindungan konsumen. Laporan penelitian Fakultas Hukum UGM. Nurjuliana M, Che Man YB, Mat Hashim D, Mohamed AKS. 2011. Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer. Meat Sci. 88(4):638-644.
86 Nurjuliana M, Che Man YB, Mat Hashim D. 2011. Analysis of lard's aroma by an electronic nose for rapid halal authentication. J Am Oil Chem Soc. 88(1):7582. Rohman YB, Che Man. 2009. Analysis of cod-liver oil adulteration using fourier transform infrared (FTIR) spectroscopy. J Am Oil Chem Soc. 86(12):11491153. Rohman YB, Che Man. 2011. The use of Fourier transform mid infrared (FTMIR) spectroscopy for detection and quantification of adulteration in virgin coconut oil. Food Chem. 129(2):583-588. Rohman, Sismindari, Y. Erwanto, Y.B. Che Man. 2011. Analysis of pork adulteration in beef meatball using fourier transform infrared (FTIR) spectroscopy. Meat Sci. 88(1):91-95. Sucipto, Irzaman, Tun Tedja I, Fauzi AM. 2011. Potential of conductance 11(05):26-30. measurement for lard detection. IJBAS-IJENS. http://www.ijens.org/Vol_11_I_05/114805-9696-IJBAS-IJENS.pdf Suratmono. 2005. Keamanan pangan produk olahan berbasis produk ternak. Lokakarya Nasional Keamanan Pangan Produk Peternakan. Balai Penelitian Peternakan. p14-16. UU Nomor 18 tahun 2012 tentang Pangan.
87
9. SIMPULAN DAN SARAN Simpulan Pengembangan teknik deteksi lemak babi berbasis sifat listrik bahan telah dilakukan menggunakan keping sejajar dari tembaga berukuran 20 mm x 10 mm berjarak 5 mm. Penyerapan air dari sampel lemak menggunakan Na2SO4 anhidrat dan pengukuran pada suhu kamar (26-27oC) dengan frekuensi 3,80-5,00 MHz menghasilkan data sifat listrik yang valid. Berdasarkan koefisien variasi dan akurasi prediksi, urutan sifat listrik dari yang lebih berpengaruh dalam proses deteksi lemak babi yaitu impedansi, kapasitansi, dan konduktansi. Sifat listrik lemak dipengaruhi komposisi asam lemak, terutama asam lemak ikatan ganda. Penggunaan preprocessing normalisasi dan teknik klasifikasi multilayer perceptron (MLP) untuk analisis sifat listrik bahan mampu membedakan lemak babi, lemak sapi, dan minyak goreng sawit dengan akurasi 87,52%, root mean squared error (RMSE) 0,2394, dan waktu komputasi 21,00±0,17 detik. Penggunaan preprocessing normalisasi dan teknik klasifikasi MLP mampu memprediksi cemaran lemak babi pada daging sapi dengan koefisien korelasi (r) 0,9985, RMSE 1,9708, dan waktu komputasi 11,63 ± 0,13 detik.
Saran Penelitian eksplorasi sifat listrik berbagai cemaran bahan haram, khususnya babi dan produk turunannya, serta persiapan setiap bahan perlu dilakukan untuk memperoleh data sifat listrik bahan yang valid. Data ini sangat berguna untuk meningkatkan akurasi deteksi cemaran babi dan produk turunannya pada bahan pangan lain berbasis sifat listrik bahan. Penelitian lebih lanjut diperlukan untuk mengkonversi hasil penelitian rentang frekuensi dan sifat listrik terpilih menjadi instrumen rangkaian elektronika dikombinasikan dengan algoritma data mining terpilih menjadi sensor terintegrasi untuk deteksi cepat lemak babi.
88
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. Analisis kluster atau cluster analysis (CA) adalah suatu analisis yang bertujuan untuk mengetahui struktur data dengan menempatkan kesamaan obyek observasi ke dalam satu kelompok sehingga dapat dibedakan dengan kelompok yang lain atau memisahkan obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok satu dengan yang lain. Analisis komponen Utama (AKU) atau principal component analysis (PCA) merupakan salah satu analisis peubah ganda yang mentransformasikan secara linier peubah asal menjadi peubah baru yang dinamakan komponen utama (KU) atau principal component (PCs). AKU akan mereduksi dimensi suatu data tanpa mengurangi karakteristik data secara signifikan. AKU sering digunakan menghindari masalah multikolineritas peubah bebas dalam model regresi berganda. Asam lemak adalah asam karboksilat dalam rantai panjang hidrokarbon. Asam lemak memiliki rumus molekul umum CH3(CH2)xCOOH, dimana x adalah jumlah atom karbon dalam rantai hidrokarbon. Asam lemak jenuh: Asam lemak yang tidak memiliki ikatan ganda. Asam lemak tak jenuh: Asam lemak yang memiliki satu atau lebih ikatan ganda. Asam lemak tak jenuh berbeda dalam jumlah dan posisi ikatan rangkapnya. Umumnya di alam berbentuk cis, namun ada juga yang berbentuk trans. C Cemaran adalah benda asing atau bahan yang tidak dikehendaki terdapat dalam produk tertentu. D Data mining disebut juga knowledge discovery in database (KDD) adalah kegiatan pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data set berukuran besar. Decision Tree merupakan struktur pohon, dimana setiap simpul (node) pohon merepresentasikan atribut yang diuji, setiap cabang merupakan pembagian hasil uji, dan simpul daun (leaf node) merepresentasikan kelas tertentu. Level simpul (node) teratas adalah simpul akar (root node) berupa atribut paling berpengaruh pada kelas tertentu. Pada proses klasifikasi data, nilai atribut diuji dengan melacak jalur dari simpul akar sampai simpul daun, kemudian diprediksi kelas suatu data baru. Pemisahan satu kelas dengan kelas lain berdasar atribut paling
89 bersih (purest), yakni atribut yang menghasilkan information gain paling besar. Dendogram menunjukkan urutan obyek dikelompokkan dalam kluster tertentu. Dielektrik (dielectric) adalah suatu bahan yang memiliki daya hantar arus yang sangat kecil. Bahan dielektrik tidak terdapat elektron-elektron konduksi yang bebas bergerak oleh pengaruh medan listrik. Diferential Scanning Calorimetry (DSC) adalah teknik thermoanalytical yang membedakan jumlah panas untuk meningkatkan suhu sampel dan acuan diukur sebagai fungsi suhu. Kedua sampel dan acuan dipertahankan pada suhu yang sama selama percobaan. Suhu untuk analisis DSC dirancang sehingga suhu tempat sampel meningkat secara linier sebagai fungsi waktu. Sampel acuan harus memiliki kapasitas panas yang didefinisikan dengan baik selama rentang suhu dipindai. Diskritisasi (discreatized) merupakan sebuah pendekatan untuk memetakan atribut numerik ke sebuah atribut kategorik. Diskritisasi membagi nilai data (kontinyu) menjadi beberapa rentang data (diskrit) sehingga memudahkan proses lanjut dalam data mining. 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. F Frekuensi adalah banyak getaran yang dihasilkan suatu benda dalam satu detik. H Halal adalah sesuatu yang diizinkan oleh agama (syari’at) Islam. Hidden layer merupakan lapisan tersembunyi dalam jaringan syaraf tiruan (JST) yang memiliki bobot tertentu. High Performance Liquid Chromatography (HPLC) atau Kromatografi cair dengan performa tinggi. Salah satu teknik kromatografi untuk zat cair yang biasanya disertai tekanan tinggi. HPLC digunakan memisahkan molekul berdasar perbedaan afinitasnya terhadap zat padat tertentu. Cairan yang dipisahkan merupakan fasa cair dan zat padatnya merupakan fasa diam (stasioner). Teknik ini berguna untuk memisahkan beberapa senyawa sekaligus, karena setiap senyawa mempunyai afinitas selektif antara fasa diam tertentu dan fasa gerak tertentu. Dengan bantuan detektor serta integrator akan didapat kromatogram yang memuat waktu tambat serta tinggi puncak suatu senyawa. 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
90 dihasilkan (V) di elektroda, impedansi (Z) hanya diberikan arus AC, dan sesuai hukum Ohm: Z = V / I. Impedansi anisotropik: impedansi yang bervariasi berdasar apakah arus berjalan sejajar atau tegak lurus terhadap bidang bahan yang diukur. K Kapasitansi (capacitance) adalah kemampuan kapasitor menyimpan energi dalam medan listrik. Kapasitansi bahan bervariasi tergantung frekuensi yang diberikan saat pengukuran. Keterandalan (reliability): konsistensi kinerja produk atau proses pada periode tertentu. Kinerja (performance): tingkat kemampuan karakteristik utama produk. Kinerja (performance) suatu algoritma dalam data mining antara lain ditunjukkan oleh akurasi (lihat akurasi). Klasifikasi (classification) adalah proses menemukan kumpulan pola atau fungsifungsi yang mendiskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan memprediksi data yang belum memiliki kelas data tertentu. Teknik klasifikasi dalam data mining adalah berbagai algoritma untuk proses klasifikasi (lihat data mining). 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 preprocessing dan teknik klasifikasi yang digunakan dengan data asli. Koefisien variasi adalah perbandingan antara simpangan standar dengan nilai ratarata. Koefisien variasi berguna untuk melihat sebaran data dari rata-rata hitungnya. 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 = , dimana Cp: kapasitansi bahan (F), d:jarak keping sejajar (m), A:luas plat (m2) dan ε0: permitivitas ruang bebas=8,85 e-12 (F/m). Kromatografi gas atau gas chromatography (GC) adalah alat yang digunakan memisahkan senyawa yang mudah menguap. Sebuah kromatografi gas terdiri atas fase bergerak, tempat injeksi, kolom pemisahan yang berisi fase diam, detektor, dan sistem pencatatan data. Senyawa dipisahkan berdasar perbedaan perilakunya pada fase bergerak dan fase diam dalam kolom sehingga deperoleh waktu retensi yang berbeda. GC dapat digunakan menguji kemurnian zat tertentu, memisahkan komponen berbeda dari campuran (jumlah relatif komponen tersebut) atau mengidentifikasi suatu senyawa. M Median (nilai tengah) adalah salah satu ukuran pemusatan data, jika sekelompok data diurutkan dari terkecil sampai terbesar. Bila data ganjil
91 nilainya yang tepat di tengah-tengah. Bila data genap nilainya merupakan rata-rata kedua pengamatan yang di tengah. 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. Moving average (rata-rata bergerak) adalah rata-rata dari himpunan bagian berbeda dari seluruh data set. Simple moving average (SMA) dihitung dengan menambahkan nilai yang akan dihitung kemudian dibagi dengan periode lama waktu. 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. N Naive Bayes merupakan sebuah teknik klasifikasi probabilistik sederhana yang menerapkan teorema keputusan Bayes, berdasarkan kuantifikasi trade-off antara berbagai keputusan klasifikasi menggunakan probabilitas dan ongkos yang timbul dari keputusan tersebut. Noise. Data dikatakan sebagai noise ketika mengandung kesalahan, seperti banyak nilai hilang atau tidak benar. 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 Outlayer adalah bagian data yang tidak (atau dianggap tidak) berasal dari populasi data yang diasumsikan. Misalnya, sebuah data non numerik ketika mengharapkan nilai numerik. P Pangan halal: Pangan yang boleh digunakan pemeluk ajaran Islam. Pangan halal diproduksi memenuhi kaidah aturan (syari’at) Islam. Pengawasan post-marketing adalah pengawasan yang mencakup pengambilan sampel, pengujian laboratorium, pemantauan label dan iklan pangan, investigasi serta monitoring setelah produk dipasarkan. Pengawasan Pre-marketing terkait penilaian atau evaluasi keamanan, mutu dan registrasi produksi pangan, risk assesment, bahan tambahan makanan, inspeksi dan lain-lain sebelum pemasaran.
92 Persiapan sampel (sampel preparation) adalah segala proses penyiapan agar sampel siap dianalisis menggunakan instrumentasi yang sesuai. Proses ini terkait sampling (pengambilan sampel), preservasi sampel (penyimpanan sampel), preparasi sampel (penyiapan sampel). Preparasi sampel bertujuan khusus memisahkan analit dari matriks sampel yang sangat komplek, memekatkan analit sehingga diperoleh analit berkonsentrasi lebih tinggi dari semula, dan mengubah analit menjadi senyawa lain yang dapat dianalisis dengan instrumentasi yang tersedia. Polymerase chain reaction (PCR) atau metode reaksi rantai polymerase merupakan metode yang menyerupai proses replikasi yang berlangsung in vitro, yang dijalankan oleh mesin secara otomatis. Dengan metoda ini hasil pemeriksaan dapat diperoleh meski hanya menggunakan bahan pemeriksaan satu sel saja. 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 disatukan dan konflik dalam data diselesaikan. c.Transformasi data. d.Diskritasi mengubah atribut kontinyu menjadi atribut dengan interval tertentu. Produk halal: Produk yang boleh digunakan pemeluk ajaran Islam. Produk halal diproduksi memenuhi kaidah aturan (syari’at) Islam R Rancang Bangun (design) adalah proses perencanaan yang menggambarkan urutan kegiatan (sistematika) suatu program. Rancang bangun teknik deteksi adalah proses perencanaan urutan kegiatan komponen deteksi yang merupakan suatu kesatuan dari program tersebut. Rangkaian elektronika adalah susunan dari komponen elektronika terkait listrik arus lemah untuk mengontrol aliran elektron atau muatan listrik dalam alat. Dalam alat deteksi lemak babi, rangkaian elektronika digunakan memfilter frekuensi dan sifat listrik tertentu sebagai bagian sensor. Rantai pasok adalah suatu jaringan beberapa unit usaha yang bersama-sama bekerja menciptakan dan menghantarkan suatu produk kepada pengguna akhir. Unit usaha tersebut meliputi pemasok, produsen, distributor, toko atau ritel, dan unit usaha jasa logistik. Refined-bleached-deodorized palm olein (RBDPO) adalah minyak sawit (palm oil) yang telah mengalami proses rafinasi, bleaching, dan deodorisasi sehingga menjadi produk yang disebut minyak goreng sawit.
93 Regresi adalah mendeskripsikan fenomena data melalui suatu model hubungan yang bersifat numerik. Regresi dapat digunakan 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 satu disebut regresi linier sederhana, bila lebih dari 1 variabel bebas, disebut sebagai regresi linier berganda. Regresi logistic adalah jenis analisis regresi untuk memprediksi hasil dari variabel terikat kategorikal berdasar satu atau lebih variabel prediktor(explanatory). Ia digunakan mengestimasi nilai empiris parameter dalam model respon kualitatif. Probabilitas menggambarkan hasil yang mungkin dari percobaan tunggal yang dimodelkan, sebagai fungsi variabel prediktor menggunakan fungsi logistik. Regresi sequential minimal optimization (SMO). Sequential Minimal Optimization (SMO) adalah algoritma sederhana yang cepat untuk menyelesaikan masalah quadratic programming (QP) SVM tanpa banyak penyimpanan matriks ekstra dan tanpa melibatkan suatu perulangan rutin numerik untuk setiap submasalah. SMO menguraikan seluruh masalah QP menjadi submasalah QP. SMO memilih untuk memecahkan masalah optimasi terkecil yang mungkin di setiap langkah. Untuk standar masalah QP SVM, masalah optimisasi terkecil yang mungkin melibatkan dua Lagrange karena pengganda Lagrange harus mematuhi kendala kesetaraan linier. Rerata (rata-rata) kumpulan data adalah jumlah seluruh pengamatan dibagi dengan jumlah pengamatan. 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: 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. Dalam sensor lemak babi, nilai sifat listrik yang dihasilkan bahan yang dideteksi diolah dalam sistem pengolahan data menggunakaan teknik preprocessing dan teknik klasifikasi tertentu, sehingga dihasilkan kesimpulan adanya cemaran lemak babi atau prediksi besarnya cemaran lemak babi. Sertifikat halal adalah fatwa tertulis yang dikeluarkan MUI melalui keputusan sidang Komisi Fatwa yang menyatakan kehalalan suatu produk berdasarkan proses audit yang dilakukan oleh LPPOM MUI. Sifat listrik (electrical properties) bahan merupakan respon bahan terhadap medan listrik, seperti konduktansi, impedansi, dan kapasitansi.
94 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 Jaminan Halal (SJH ) adalah sistem manajemen untuk mempertahankan status halal produk-produk bersertifikat halal. Sistem ini dibuat agar selama berlakunya sertifikasi halal, produsen konsisten menjalankan produksi dan manajemen usaha sesuai kriteria halal. SJH dikembangkan dari Total Quality Manajemen (TQM) yang terdiri empat unsur, yaitu komitmen, kebutuhan konsumen, peningkatan mutu tanpa tambahan biaya, dan menghasilkan barang setiap waktu tanpa reject, tanpa rework. Smoothing adalah salah satu penggunaan algoritma untuk menghilangkan noise dari satu data set, yang memungkinkan pola penting data dapat diketahui. Data smoothing dapat dilakukan dengan berbagai cara, misalnya moving average, eksponensial, dan lain-lain. Spektroskopi dielektrik (dielectric spectroscopy) adalah spektroskopi yang melibatkan frekuensi medan listrik eksternal. Spektroskopi Fourier transform infrared (FTIR) atau Fourier transform infrared (FTIR) spectroscopy adalah metode spektroskopi yang melibatkan gelombang infrared. Metode ini menawarkan kemungkinan mengukur jenis getaran ikatan antar atom di frekuensi yang berbeda. Support Vector Machine (SVM) adalah suatu sistem klasifikasi yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritma klasifikasi berdasar teori optimasi dengan menerapkan learning bias dari teori statistik. SVM berusaha menemukan fungsi pemisah (hyperplane) terbaik diantara fungsi yang tidak terbatas jumlahnya. Hyperplane pemisah terbaik antara kedua kelas ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya, yaitu jarak antara hyperplane dengan fungsi terdekat setiap kelas. Data yang berada pada bidang pembatas disebut support vector. Support Vector Regression (SVR) adalah Support Vector Machine (SVM) untuk kasus regresi. T Teknik adalah prosedur, yang mungkin disimbulkan dengan notasi tertentu, untuk melakukan pengembangan kegiatan. Teknik terkait aspek representasi pengembangan dan prosedural. Contoh teknik 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. Teknik deteksi (detection technique) terkait prosedur rinci untuk menemukan, menentukan atau melacak keberadaan sesuatu.
95 V Valid: 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. Verifikasi (verification) adalah tindakan yang dilakukan untuk menilai apakah segala sesuatu (misalnya proses, bahan, dsb) telah berada pada jalur yang benar. W Waktu komputasi (running time): waktu yang dibutuhkan suatu algoritma tertentu untuk mencapai hasil sesuai iterasi yang ditetapkan. Biasanya merupakan fungsi dari jumlah input yang diproses.
96
RIWAYAT HIDUP Penulis dilahirkan di Magetan Jawa Timur pada tanggal 02 Juni 1973 sebagai anak bungsu dari empat bersaudara dari Bapak Sastrowiryo dan Ibu Mirah. Penulis menyelesaikan sekolah dasar sampai sekolah menengah pertama di Magetan, kemudian sekolah menengah atas diselesaikan di Madiun. Pendidikan Sarjana ditempuh di Teknologi Industri Pertanian (TIP) Universitas Brawijaya pada 1991-1996. Pada 1999, penulis diterima sebagai staf pengajar di Teknologi Industri Pertanian Universitas Brawijaya hingga sekarang. Kesempatan menempuh studi S2 di Teknologi Hasil Pertanian (THP) Universitas Brawijaya diselesaikan pada 2003. Pada 2008, penulis mendapat kesempatan melanjutkan studi Program Doktor di Teknologi Industri Pertanian (TIP) IPB. Ketertarikan penulis pada pengembangan produk halal, diwujudkan dengan mengikuti perkembangan riset halal, pengabdian masyarakat terkait kehalalan dan keamanan pangan, pelatihan Sistem Jaminan Halal (SJH), dan menuliskan wacana pentingnya pengembangan produk halal di beberapa media cetak nasional. Karya ilmiah terkait topik riset Program Doktor telah diterbitkan di jurnal dan proseding, antara lain: 1. Sucipto, T. Djatna, Irzaman, Tun Tedja I, A.M. Fauzi. Application of electrical properties to differentiate lard from tallow and palm oil. Diterbitkan pada Jurnal Media Peternakan. Vol. 36 No. 1. April 2013. (akreditasi B SK DIKTI No. 66B/DIKTI/Kep/2011). Sucipto, Irzaman, Tun Tedja I, A.M. Fauzi. Potential of conductance 2. measurement for lard detection. Dimuat pada International Journal of Basic & Applied Sciences IJBAS-IJENS. Vol. 11 No 05. Oktober 2011. 3. Sucipto, T. Djatna, Irzaman, Tun Tedja I, A.M. Fauzi. Telaah-Penentuan kualitas dan pemalsuan daging dan olahan daging dengan sensor impedansi bioelektrik. Proseding Seminar Nasional APTA “Indonesian Institute of Life Cycle Assessment on Food Products and Recent Progress in Agroindustry (Life cycle assessment, packaging design and packaging recycling) UGM. Yogyakarta. 23-24 November 2011. No. ISBN 978-979-18918-1-3.
