Penentuan komposisi kimia jagung secara nondestruktif dengan metode near infrared reflectance (NIR) dan jaringan saraf tiruan

PENENTUAN KOMPOSISI KIMIA JAGUNG SECARA
NONDESTRUKTIF DENGAN METODE NEAR INFRARED

REFLECTANCE (NIR) DAN JARINGAN SARAF TIRUAN

OLEH :
HARMI ANDRIANYTA
F051020131

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2006

PERNYATAAN MENGENAI TESIS
DAN SUMBER INFORMASI

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

Sumber informasi

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

Bogor, Agustus 2006

Harmi Andrianyta
NRP. F051020131

ABSTRAK
HARMI ANDRIANYTA. Penentuan Komposisi Kimia Jagung Secara Nondestruktif
Dengan Metode Near Infrared Reflectance (NIR) dan Jaringan Saraf Tiruan. Dibimbing
oleh I WAYAN BUDIASTRA sebagai Ketua, SUROSO sebagai Anggota.
Penelitian ini bertujuan untuk mengkaji penerapan teknologi Near Infrared
Reflectance (NIR) dan Jaringan Saraf Tiruan (JST) untuk menentukan kadar proksimat
dan asam amino jagung. Pada penelitian ini spektrum NIR yang digunakan adalah
panjang gelombang 900 – 2000 nm dengan interval 5 nm. Hasil pengukuran adalah data

reflektan dari 50 sampel jagung masing-masing 220 titik pengukuran. Data reflektan ini
selanjutnya ditransformasi menjadi nilai absorban dengan Log (1/R). Analisis komponen
utama digunakan untuk mengekstrak seluruh data absorban dan reflektan menjadi
beberapa komponen utama (PC) yang bersifat tidak menghilangkan variasi data asal dan
tidak saling berkorelasi.
Jaringan saraf tiruan (JST) digunakan untuk kalibrasi penentuan kadar proksimat
dan asam amino jagung dengan spektrum NIR. Struktur JST yang dikembangkan terdiri
atas tiga lapisan (lapisan input, lapisan terselubung dan lapisan output). Sebagai input
digunakan 5, 10 dan 15 komponen utama dari data absorban dan data reflektan
dikombinasikan dengan 4, 6, 8, 10 dan 12 noda lapisan terselubung. Output dari JST ini
adalah pendugaan komposisi kimia jagung secara simultan dan terpisah. Metode
pelatihan JST yang digunakan adalah backpropagation dengan laju pelatihan dan
momentum adalah 0.4 dan 0.8 menggunakan fungsi transfer sigmoid.
Pada pelatihan JST digunakan 35 sampel dan 15 sampel lainnya digunakan untuk
validasi. Untuk mengevaluasi kinerja JST digunakan parameter Standar error validasi
(SEv) dan koefisien keragaman (CV) dari hasil pendugaan secara simultan dan terpisah.
Hasil pendugaan JST terbaik untuk proksimat diperoleh dengan menggunakan
model output komposisi kimia secara terpisah. Protein dapat diduga dengan baik
menggunakan input data absorban 10 PC dan 6 noda lapisan terselubung (CV= 0.118%,
SEv=0.001%), lemak menggunakan data absorban dengan 10 PC dan 4 noda lapisan

terselubung (CV=0.054%, SEv=0.222%), kadar air dengan input data absorban 15 PC
dan 6 noda lapisan terselubung (CV=0.047%, SEv=0.004%) dan karbohidrat
menggunakan input input data reflektan 15 PC dan 6 noda lapisan terselubung
(CV=0.002%, SEv=0.001%). Pendugaan asam amino terbaik JST juga diperoleh dengan
output secara terpisah. Tyrosin dan threonin dengan menggunakan input data reflektan,
CV dan SEv masing-masing adalah (2.101% dan 0.006%) dan (0.119% dan 0.0003%).
Methionin, lysin, arginin dan leusin dengan menggunakan data absorban masing-masing
CV dan SEv adalah (0.076% dan 0.0%), ( 0.597% dan 0.001%), (6.633% dan 0.036%)
dan (0.340% dan 0.002%).
Hasil penelitian ini dapat diterapkan pada industri yang bergerak dalam
penentuan mutu jagung sebagai bahan pakan ternak dan pengujian mutu jagung secara
rutin dalam skala besar karena hasil prediksi cukup tepat, hemat dalam hal waktu aplikasi
dan tidak tergantung pada kapasitas laboratorium.

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

HARMI ANDRIANYTA

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

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2006

Judul Tesis

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

Nama

: Harmi Andrianyta

NRP

: F051020131

Program Studi : Teknologi Pasca Panen

Disetujui,
1. Komisi Pembimbing

Dr. Ir. Suroso, M.Agr.
Anggota

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

Diketahui,

2. Ketua Program Studi
Teknologi Pasca Panen

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

Tanggal Ujian : 19 Juli 2006

3. Direktur Sekolah Pascasarjana

Dr. Ir. Khairil Anwar Notodiputro, MS.

Tanggal Lulus :

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

Pada tahun yang sama penulis melanjutkan pendidikan S2 di IPB

Program Studi Teknologi Pasca Panen atas biaya sendiri.

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

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

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

Tema yang dipilih adalah

metode nondestruktif dalam penentuan komposisi kimia dengan judul “ Penentuan
Komposisi Kimia Jagung Secara Nondestruktif Dengan Metode Near Infrared Reflectance
(NIR) dan Jaringan Saraf Tiruan.

Terimakasih penulis ucapkan kepada Dr. Ir. I Wayan Budiastra, M.Agr,
Dr. Ir. Suroso, M.Agr sebagai Ketua dan Anggota Komisi Pembimbing, Dr. Ir. I Wayan
Astika, MSi sebagai dosen penguji yang telah banyak memberi masukan dan perbaikan
tesis ini.

Di samping itu penghargaan penulis sampaikan Kepada Bapak Sulyaden,

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

Penulis juga menyampaikan

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

Ungkapan terimakasih yang mendalam penulis

persembahkan untuk Ibunda Zuhaimi dan keluarga atas dukungan doa, biaya dan kasih

sayangnya. Semoga Allah SWT membalas semua kebaikan dengan sesuatu yang jauh
lebih baik.
Akhir kata penulis berharap semoga karya ilmiah ini bermanfaat.

Bogor,

Agustus 2006

Harmi Andrianyta

Karya ini kupersembahkan untuk Suamiku tercinta,
Hari Hermawan Sutan Bandaro

DAFTAR ISI

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

ix

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

x

PENDAHULUAN
Latar Belakang....................................................................................1
Tujuan .............................................................................................3
TINJAUAN PUSTAKA
Jagung ........................................................................................... 4
Teknologi Near Infrared ..................................................................... 7
Jaringan Saraf Tiruan ........................................................................10
Principal Component Analysis (Analisis Komponen Utama)...................14
METODOLOGI PENELITIAN
Tempat dan Waktu Penelitian............................................................ 18
Bahan dan Alat................................................................................. 18
Diagram Alir Penelitian...................................................................... 21
Pengukuran Spektrum Pantulan (Reflektan) ....................................... 22
Pengukuran Kadar Air ....................................................................... 23
Penentuan Kadar Karbohidrat............................................................ 23

Penentuan Kadar Protein .................................................................. 24
Penentuan Asam Amino .................................................................... 24
Penentuan Kadar lemak .................................................................... 25
Pengembangan Model Jaringan Saraf Tiruan ...................................... 25
Analisis Data .................................................................................... 26
HASIL DAN PEMBAHASAN
Data Absorban dan Reflektan NIR Jagung.......................................... 28
Data Kimia Proksimat dan Asam Amino Jagung .................................. 30
Pendugaan Proksimat Jagung dengan JST Output Terpisah................. 31
Data Absorban ................................................................................. 31
Data Reflektan ................................................................................. 32
Pendugaan Proksimat Jagung dengan JST Output Secara Simultan ..... 36
Data Absorban ................................................................................. 36
Data Reflektan ................................................................................. 37
Pendugaan Asam Amino Jagung dengan JST Output Secara Terpisah.. 39
Data Absorban ................................................................................. 39
Data Reflektan ................................................................................. 41

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

DAFTAR TABEL

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

DAFTAR GAMBAR

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

DAFTAR LAMPIRAN

Halaman
1 Nilai CV JST Proksimat Output Terpisah Menggunakan
Data Absorban ........................................................................................... 53
2 Nilai CV JST Proksimat Output Simultan Menggunakan
Data Absorban ........................................................................................... 54
3 Nilai CV JST Proksimat Output Terpisah Menggunakan
Data Reflektan ........................................................................................... 55

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

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

Produksi jagung tahun 2005 (Ramalan II)

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

Kegunaan jagung di Indonesia

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

mulai

pemanenan,

pengeringan

awal,

pemipilan,

pengeringan

akhir,

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

umur demikian biasanya daun jagung/klobot telah kering dan berwarna kekuningkuningan. Selanjutnya dipisahkan antara jagung yang layak jual dengan jagung yang
busuk, muda dan berjamur untuk dilakukan proses pengeringan.

Penanganan

pascapanen ini memegang peranan penting dalam kualitas dan pengolahan jagung
selanjutnya baik sebagai bahan baku pakan atau bahan makanan manusia.
Keberhasilan pengembangan jagung

tidak hanya ditentukan oleh tingginya

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

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

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

: Plantae

Divisio

: Spermatophyta

Subdivisio

: Angiospermae

Kelas

: Monocotyledoneae

Ordo

: Poales

Famili

: Graminae (Poaceae)

Genus

: Zea

Spesies

: Zea mays

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

1) jagung gigi kuda / dent corn (Zea mays

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

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

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

Komponen

Lapisan luar

Lembaga

Endosperm

1

Protein

6.2

21.0

11.0

2

Minyak

1.5

32.0

1.5

3

Karbohidrat (bebas N)

74.1

34.0

86.5

4

Serat kasar

17

2.9

0.0

5

Mineral

1.2

10.1

0.5

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

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

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

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

Tongkol jagung dengan baris biji yang

sempurna seperti terlihat pada Gambar 1.

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

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

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

I
14.0
2.0
1.0
1.0
1.0

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

Sumber : SNI dalam Kristanto (2006).

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

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

Nilai

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

14.0
7.5
3.0
2.0
3.0
50
5.0
5.0
5.0
2.0
700

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

Banyak petani memanen jagung lebih cepat dari

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

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

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

(1)

v = 1/NJ

(2)

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

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

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

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

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

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

Lammertyn et al. (1998) menganalisis data NIR spectroscopy

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

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

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

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

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

W0

w1
X2

Y

W2
W3

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

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

Untuk mendapatkan kemampuan noda yang

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

faktor

bobotnya

sehingga

diperoleh

bobot

yang

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

Untuk memperoleh nilai bobot yang benar

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

Paterson (1995), mengklasifikasikan Jaringan Saraf Tiruan berdasarkan

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

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

2) penghitungan dan penjalaran balik error dan 3) perbaikan

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

Oqj = f (∑iOiq-1wqji

(3)

Input pada lapisan satu diberi indeks dengan superscript 0 sehingga

O 0 j = xj

(4)

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

f(x)=
Gunakan nilai OQj

1
1 + exp(− x)

(5)

computed oleh unit lapisan terakhir dan nilai target yang

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

(6)

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

δq-1j = f’ (H q-1j) ∑i δqj wqji

(7)

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

Langkah selanjutnya adalah memperbarui semua pembobot menggunakan
persamaan

Wnewji = woldji + ∆wqji

(8)

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

(9)

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

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

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

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

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

(peubah baru itu disebut komponen utama) dan merupakan

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

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

x11 x12 ...

x1n

x21 x22 ...

x2n

X=

.

.

.

.

.

.

.

xp1 xp2 ...

.
xpn

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

vektor

berdimensi

m

mencakup

hampir

seluruh

variasi

data.

Untuk

mendapatkannya, ruang vektor berdimensi n diproyeksikan ke ruang vektor berdimensi

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

Variasi-variasi inilah yang disebut komponen utama (Paterson,

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

(10)

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

wT1w1 = ∑i wi12

(11)

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

(12)

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

L = wT1XTXw1 – λ (wT1w1 – 1)

(13)

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

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

(14)

XTXw1 = λ1w1

(15)

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

(16)

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

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

(17)

Perlu diperhatikan dua batasan

w2Tw2 = 1 dan w1Tw2 = 0

(18)

Setelah itu dihitung batasan ortogonalitas yang baru sebagai berikut :

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

(19)

Seperti pada persamaan

sebelumnya yaitu dengan mengambil turunan parsial terhadap w2, hasil persamaan
dijadikan 0 maka akan diperoleh :
Nj = 2 w1T XTXw2 = 2 * 0 = 0 dan XTXw2 = NJ2w2

(20)

sekarang NJ2 menjadi eigenvalue terbesar kedua dari XTX
4. Proses selanjutnya diperoleh sebanyak p eigenvalue NJ1, NJ2, ..., NJp dan terhubung
dengan matriks ortogonal W = [ w1 w2 ... wp] dimana sekarang p komponen
utama dari X berasal dari matriks Y = XC, dimana :

NJ1
YTY = WT XTXW = Λ = 0

Merupakan matriks ortogonal.

0 ... 0

NJ2 ... 0

.

.

0

0

NJp

Karena Λ merupakan matriks diagonal dengan

elemen 0 maka dapat dilihat bahwa komponen utama Y adalah tidak berkorelasi (saling
tegak lurus) dan jumlah kuadrat adalah NJ1.

METODOLOGI PENELITIAN

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

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

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

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

Cahaya dari monokromator

Cermin

Integrating sphere

Sensor

Sampel holder
Gambar 5 Sistem Deteksi NIR Hasil Modifikasi (Budiastra dan Ahmad, 2005).

Sampel jagung yang dideteksi dalam sampel holder adalah jagung utuh pipilan
kering pada kadar air simpan (kadar air ± 14%) seperti pada Gambar 6.

Gambar 6 Sampel Jagung Utuh Untuk Scanning NIR.

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

Filter

Cermin
Integrating
Sphere

Motor
Sensor

Lampu halogen chopper
CONT

DO

Sampel

Komputer

Amplifier

A/D
Converter

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

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

Diagram Alir Penelitian
Langkah-langkah

yang

dilakukan

dalam

tahapan

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

15 Sampel untuk validasi

35 Sampel untuk kalibrasi

Scanning NIR
jagung dengan
berbagai panjang
gelombang
Reflektan (R)

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

Analisis berbagai
komposisi kimia
jagung dengan
metode kimia

Scanning NIR
jagung dengan
berbagai panjang
gelombang
Reflektan (R)

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

Penentuan
komposisi
Kimia
(Referensi)

Analisis komponen
utama

Analisis berbagai
komposisi kimia
jagung dengan
metode kimia

Penentuan
komposisi
Kimia
(Referensi)

Analisis komponen
utama

Pelatihan Jaringan saraf tiruan

`
Validasi

Standar error validasi

Koefisien Keragaman

Gambar 8 Diagram Alir Metodologi Penelitian.

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