28 d. Pengulangan iterasi
Keseluruhan proses dilakukan pada setiap contoh dan setiap iterasi sampai sistem mencapai keadaan optimum. Iterasi tersebut mencakup pemberian contoh
pasangan input dan output, perhitungan nilai aktivasi dan perubahan nilai pembobot weight.
e. Validasi model Data pada JST dibagi dalam dua bagian yaitu data uji training dan validasi.
Kinerja jaringan dapat dinilai berdasarkan nilai root mean square error RMSE pada proses generalisasi terhadap contoh data input-output baru. Untuk
mendapatkan nilai RMSE dihitung dengan persamaan 3.
3 dimana:
p = nilai prediksi jaringan syaraf tiruan a = nilai aktual yang diberikan
n = jumlah contoh pada data validasi
Validasi dilakukan sebagai proses pengujian kinerja atau ketepatan prediksi JST terhadap contoh yang diberikan selama proses training. Pada proses
validasi, setelah model diberikan pelatihan dengan data pelatihan, model diuji dengan data yang lain, ini dimaksudkan sejauh mana model dapat memprediksi
nilai-nilai keluaran dari nila-nilai masukan yang diberikan pada JST. Persentase validasi model dirumuskan dengan persamaan 4
100 X
B A
Validasi ⎥⎦
⎤ ⎢⎣
⎡ =
4 dimana: A = Jumlah data hasil pendugaan yang sama dengan target.
B = Jumlah data target
a. Pendugaan Tingkat Ketuaan Pepaya IPB 1
Setelah parameter hasil pengolahan citra didapat, data tersebut digunakan sebagai masukan JST untuk menentukan tingkat ketuaan dengan menggunakan
∑
− =
n
n a
p RMSError
2
29 masukan indeks warna merah, indeks warna hijau, energi, kontras, homogenitas,
saturasi dan intensitas Gambar 7. Lapisan input Lapisan tersembunyi Lapisan output
Gambar 7. Model JST untuk menduga tingkat ketuaan buah pepaya Sedangkan keluaran dari JST adalah dua buah angka biner 0,1. Kombinasi
dari dua angka biner ini melambangkan tingkat ketuaan pepaya IPB 1 seperti dapat dilihat pada Tabel 2.
Tabel 2. Tabel keluaran JST tingkat ketuaan pepaya IPB 1 Tingkat ketuaan
Output 1 Output 2
Keterangan Muda
1 0 Warna hijau
Tua 1
Warna hijau dengan semburat kuning Lewat
tua 1 1 Warna kuning
b. Pendugaan Umur Buah Pada Tingkat Tua
Umur buah pepaya pada tingkat tua dibagi berdasar umur petik menjadi 115, 120 dan 125 hari setelah antesis. Umur buah pada tingkat tua ini akan diduga
dengan menggunakan JST berdasarkan hasil pengolahan citranya. Model JST yang digunakan untuk pendugaan umur buah pepaya IPB 1 pada tingkat tua dapat dilihat
pada Gambar 8. Masukan JST adalah indeks warna merah, indeks warna hijau, energi, kontras, homogenitas, hue, dan saturasi, sedangkan keluaran dari JST adalah
3 tingkat tua yang dilambangkan dengan kombinasi dua bilangan biner Tabel 3. Output 1
Output 2 Indeks warna merah
Indeks warna hijau Energi
Kontras Homogenitas
Saturasi Intensitas
30 Tabel 3. Tabel keluaran JST umur buah pepaya IPB 1
Umur buah pada tingkat tua Output 1
Output 2 Kriteria tingkat tua
Umur petik 115 hari 1
Semburat 0 Umur petik 120 hari
1 Semburat 10
Umur petik 125 hari 1
1 Semburat 25
Lapisan input Lapisan tersembunyi Lapisan output
Gambar 8. Model JST untuk menduga umur buah pada tingkat tua
3.3. Perlakuan Suhu Penyimpanan Pada Beberapa Tingkat Tua Buah
Buah pepaya yang digunakan adalah buah pepaya dengan tingkat tua semburat 0 dan semburat 10.
3.3.1. Penyimpanan
Penyimpanan bertujuan untuk memperpanjang masa simpan buah pepaya. Buah dimasukkan ke dalam chamber dan ditempatkan dalam lemari pendingin
masing-masing bersuhu 10 C dan 15
C dan suhu ruang sebagai kontrol.
3.3.2. Pendekatan model perubahan mutu kekerasan, TPT dan warna
Model disusun berdasarkan data hasil penelitian terhadap perubahan mutu pepaya IPB 1 selama penyimpanan. Penyusunan model laju perubahan mutu pepaya
IPB 1 dilakukan dengan menggunakan persamaan Arrhenius Persamaan 1 dengan asumsi sebagai berikut :
• Perubahan faktor mutu hanya ditentukan oleh satu macam reaksi saja. • Tidak ada faktor lain yang mengakibatlan perubahan mutu.
Output 1 Output 2
Indeks warna merah Indeks warna hijau
Energi Kontras
Homogenitas Saturasi
Hue
31 • Proses perubahan mutu dianggap bukan merupakan akibat dari proses yang
terjadi sebelumnya. • Suhu selama penyimpanan dianggap tetap
Hubungan mutu suatu produk dengan lama penyimpanan dapat dijelaskan dengan persamaan regresi seperti pada persamaan 2.
Hubungan antara ln k dan 1T merupakan persamaan garis lurus, maka persamaan 1 dapat ditulis sebagai berikut :
ln k = ln k – ERT
5 dimana ln k
dan –ER merupakan konstanta, maka persamaan 5 dapat ditulis sebagai berikut :
ln k = A + B 1T 6
ln k = A
7 -ER = B
8 Validasi model dilakukan dengan menentukan nilai RMSE seperti pada
persamaan 3 dan koefisien korelasi r. Semakin kecil nilai RMSE yang diperoleh, maka semakin baik dalam menggambarkan hubungan data pengamatan dan data
prediksi sehingga model makin valid. Nilai r berkisar antara –1 dan 1. Nilai r yang mendekati –1 dan 1 menunjukkan semakin erat hubungan linier antara data
pengamatan dan data prediksi. Furlong et al., 2000, menerangkan bahwa nilai r = 0.01 – 0.29 hubungannya adalah lemah, nilai r = 0.30 – 0.69 adalah sedang dan 0.70
ke atas adalah tinggi.
3.3.3. Pengamatan a.
Laju Respirasi
Penentuan laju respirasi dilakukan secara periodik setiap 24 jam sekali untuk menentukan pola respirasi selama penyimpanan. Dua buah selang
dihubungkan dengan alat pengukur gas analyzer Shimadzu dimasukkan ke dalam chamber untuk melewatkan gas CO
2
dan O
2
sehingga akan terbaca persen gas CO
2
dan O
2
. Data laju respirasi yang diperoleh kemudian diplotkan dalam suatu kurva berupa kurva pola respirasi, laju produksi gas CO
2
atau O
2
mlkg-jam dihitung dengan persamaan Kays 1991 berikut :
32 R
= dt
dx W
V 9
Dimana: R = laju respirasi mlkg.jam
V = volume bebas ruang ml W = berat segar produk kg
t = waktu jam x = konsentrasi gas CO
2
dan O
2
b. Kekerasan
