Prediction of Nutrient Composition of Fishmeal by Artificial Neural Network based on Near Infrared Absorbance

PENDUGAAN KOMPOSISI NUTRIEN TEPUNG IKAN
DENGAN JARINGAN SYARAF TIRUAN BERDASARKAN
ABSORBSI NEAR INFRARED

ADRIZAL

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2007

PERNYATAAN MENGENAI DISERTASI
DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa disertasi Pendugaan Komposisi
Nutrien Tepung Ikan dengan Jaringan Syaraf Tiruan berdasarkan Absorbsi Near
Infrared adalah karya saya sendiri dengan arahan Komisi Pembimbing dan belum
diajukan dalam bentuk apapun 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
Daftra Pustaka di bagian akhir disertasi ini.

Bogor, Juni 2007
Adrizal
NRP F161020021

ABSTRAK
ADRIZAL. Pendugaan Komposisi Nutrien Tepung Ikan dengan Jaringan Syaraf
Tiruan berdasarkan Absorbsi Near Infrared. Dibimbing oleh HADI KARYA
PURWADARIA, SUROSO, I WAYAN BUDIASTRA dan WIRANDA
GENTINI PILIANG.
Tujuan penelitian ini adalah mempelajari penerapan model jaringan syaraf
tiruan (JST) untuk menduga kandungan nutrien tepung ikan berdasarkan
kemampuannya mengabsorbsi near infrared. Input JST adalah absorbance pada
panjang gelombang tertentu dan komponen utama spektrum near infrared.
Kalibrasi dilakukan melalui pelatihan model JST dengan berbagai jumlah simpul
pada lapisan tersembunyi dan jumlah iterasi. Kandungan nutrien yang dipelajari
adalah air, protein, lemak, lisin dan metionin. Kalibrasi kandungan air, protein dan
lemak menggunakan 35 sampel, sedangkan untuk lisin dan metionin berturut-turut
menggunakan 33 dan 30 sampel. Validasi dilakukan masing-masing terhadap 10
sampel.
Hasil penelitian menunjukkan bahwa variabel terbaik untuk penduga

kandungan air, lemak, lisin dan metionin didasarkan atas hasil stepwise multiple
linear regression, sedangkan untuk protein didasarkan atas hasil principal
components analysis. Kandungan air diduga dengan absorbsi near infrared pada
panjang gelombang 1915 nm, 1215 nm dan 1285 nm, sedangkan kandungan
lemak pada 915 nm, 1470 nm dan 1735 nm. Pendugaan kandungan lisin dan
metionin dilakukan dengan menggunakan turunan ke tiga absorbsi near infrared.
Untuk pendugaan lisin digunakan panjang gelombang 1020 nm, 1325 nm, 1745
nm, 1025 nm, 1100 nm dan 1650 nm, sedangkan untuk metionin digunakan
1415 nm, 1325 nm, 1920 nm, 1645 nm dan 1405 nm. Pendugaan kandungan
protein menggunakan input 8 komponen utama hasil principal components
analysis. Model JST terbaik untuk menduga kandungan air, lemak dan protein
adalah yang mempunyai 7 simpul pada lapisan tersembunyi, sedangkan untuk
lisin dan metionin masing-masing mempunyai 3 dan 5 simpul. Pelatihan JST
yang optimal untuk kalibrasi kandungan air, lemak, protein, lisin dan metionin
membutuhkan iterasi berturut-turut 55 000, 16 000, 25 000, 11 000 dan 15 000
kali. Hasil terbaik memberikan standard error of prediction, coeficient of
variation dan rasio antara standard deviation dan standard error of prediction
berturut-turut sebesar 0.62 %, 4.92% dan 6.73 untuk pendugaan air; 0.81%,
15.21% dan 2.90 untuk pendugaan lemak; 2.12 %, 4.56% dan 4.72 untuk
pendugaan protein; 0.14%, 11.42% dan 3.01 untuk pendugaan lisin; serta 0.07%,

10.05% dan 2.25 untuk pendugaan metionin. Hasil tersebut lebih baik
dibandingkan dengan yang diperoleh dengan metode multiple linear regression
dengan masukan data yang sama.
Berdasarkan hasil penelitian disimpulkan bahwa JST dapat memperbaiki
akurasi pendugaan kandungan nutrien tepung ikan berdasarkan absorbsi near
infrared. Sebelum diaplikasikan untuk pengendalian kualitas pada industri tepung
ikan dan pertimbangan penerimaan bahan baku, serta formulasi ransum untuk
industri pakan, disarankan untuk mengkalibrasi dengan menggunakan unit sampel
yang lebih banyak, sehingga akurasi dapat ditingkatkan.
Kata kunci : Jaringan syaraf tiruan, near infrared, tepung ikan.

ABSTRACT
ADRIZAL. Prediction of Nutrient Composition of Fishmeal by Artificial Neural
Network based on Near Infrared Absorbance. Under the supervisions of HADI
KARYA PURWADARIA, SUROSO, I WAYAN BUDIASTRA, AND
WIRANDA GENTINI PILIANG.
The objective of this study was to apply artificial neural network (ANN)
models to enable an accurate and fast prediction of nutrient composition in
fishmeal using near infrared absorbance. Stepwise multiple linear regression
(SMLR) and principal components analysis (PCA) were applied to the near

infrared absorbance data prior to inputting them into the models. The ANN with
three, five, seven and nine nodes at hidden layer was trained to determine the
moisture, fat, protein, lysine and methionine contents. The training was carried
out using 35 samples (for moisture, fat and protein content), 33 samples (for
lysine content) and 30 samples (for methionine content). Validation was
conducted using 10 independent samples.
The results indicated that the best prediction on moisture was obtained by
the ANN with seven nodes at hidden layer that was trained with 55 000
iterations with the near infrared wavelength of 1915 nm, 1215 nm and 1285 nm.
The fat contents could be predicted with the smallest error by the ANN with seven
nodes, trained with 16 000 iterations using 915 nm, 1470 nm and 1735 nm
wavelengths. Consecutively, the model best prediction was found for protein by
performing 25 000 iterations with 8 principal components, for lysine by applying
11 000 iterations with 1020 nm, 1325 nm, 1745 nm, 1025 nm, 1100 nm and 1650
nm wavelengths, for methionine by applying 15 000 iterations with 1415 nm,
1325 nm, 1920 nm, 1645 nm and 1405 nm wavelengths. The standard error of
prediction, the coefficient of variation and the ratio of standard deviation over the
standard error of prediction were respectively 0.62 %, 4.92% and 6.73 for
moisture content; 0.81%, 15.21% and 2.90 for fat content; 2.12 %, 4.56% and
4.72 for protein content; 0.14%, 11.42% and 3.01 for lysine content; and 0.07%,

10.05% and 2.25 for methionine content.
In conclusion, the ANN could be applied to predict the nutrient
composition of fishmeal based on near infrared absorbance. It is suggested to
increase the number of samples for training and validation to improve the
accuracy of the model before its application in quality control for fishmeal and
feed industries.
Keywords: Artificial neural network, near infrared, fishmeal.

Hak cipta milik Institut Pertanian Bogor, tahun 2007
Hak Cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin terulis dari
Institut Pertanian Bogor, sebagian atau seluruhnya dalam
bentuk apapun, baik cetak, fotokopi, microfilm dan sebagainya

PENDUGAAN KOMPOSISI NUTRIEN TEPUNG IKAN
DENGAN JARINGAN SYARAF TIRUAN BERDASARKAN
ABSORBSI NEAR INFRARED

ADRIZAL
Disertasi

sebagai salah satu syarat untuk memperoleh gelar
Doktor pada
Program Studi Ilmu Keteknikan Pertanian

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2007

Judul Disertasi

: Pendugaan Komposisi Nutrien Tepung Ikan dengan
Jaringan Syaraf Tiruan berdasarkan Absorbsi
Near Infrared

Nama

: Adrizal

NRP

: F161020021

Disetujui
Komisi Pembimbing

Prof. Dr. Ir. Hadi K. Purwadaria, M.Sc
Ketua

Dr. Ir. Suroso, M.Agr
Anggota

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

Prof. Dr. Ir. Wiranda G. Piliang, M.Sc
Anggota

Diketahui

Ketua Program Studi
Ilmu Keteknikan Pertanian

Dekan Sekolah Pascasarjana

Prof. Dr. Ir. Budi Indra Setiawan, M.Agr

Prof. Dr. Ir. Khairil Anwar Notodiputro, MS

Tanggal Ujian: 20 Juni 2007

Tanggal Lulus :

Penguji Luar Komisi pada Ujian Tertutup :
Dr. Ir. Nahrowi Ramli, M.Sc
Penguji Luar Komisi pada Ujian Terbuka :
1. Dr. drh. Desianto Budi Utomo, DVM
2. Dr. Ir. Pius P. Ketaren, M.AgrSc

RIWAYAT HIDUP

Penulis dilahirkan di Muarobodi, Sumatera Barat pada tanggal 23
Desember 1962 sebagai anak ke empat dari pasangan Abdul Muis Pandito Kayo
dan Yabani. Pendidikan Sarjana ditempuh di Program Studi Ilmu Nutrisi dan
Makanan Ternak, Fakultas Peternakan Universitas Andalas, lulus pada tahun
1987. Pada tahun 1992, penulis diterima di Program Studi Teknologi Industri
Pertanian pada Program Pascasarjana IPB dan menamatkannya pada tahun 1995.
Kesempatan untuk melanjutkan ke program doktor pada Program Studi Ilmu
Keteknikan Pertanian pada perguruan tinggi yang sama diperoleh pada tahun
2002. Beasiswa pendidikan pascasarjana diperoleh dari program BPPS
Departemen Pendidikan Nasional.
Penulis bekerja sebagai dosen di Program Studi Ilmu Nutrisi dan Makanan
Ternak Fakultas Peternakan Universitas Andalas Padang sejak tahun 1990. Mata
Kuliah yang diasuh adalah Industri Makanan Ternak, Bahan Pakan dan Formulasi
Ransum, serta Penerapan Komputer dalam Ilmu Makanan Ternak.
Artikel ilmiah penulis berjudul “Aplikasi Fuzzy Linear Programming
untuk Optimasi Formulasi Ransum Unggas” telah diterbitkan pada Jurnal
Keteknikan Pertanian tahun 2004. Makalah tersebut sebelumnya disajikan pada
Seminar Nasional Tahunan Perteta di Subang tahun 2003. Pada September 2005
penulis menyajikan makalah dengan judul “Pengembangan Jaringan Syaraf
Tiruan untuk Memprediksi Kandungan Protein Tepung Ikan berdasarkan

Absorbansi Near Infrared” pada Seminar Nasional Teknologi Inovatif untuk
Pengembangan Industri Berbasis Pertanian di Bogor. Makalah tersebut sedang
ditelaah oleh Dewan Redaksi Jurnal Keteknikan Pertanian untuk diterbitkan.
Karya-karya ilmiah tersebut merupakan bagian dari program S3 penulis.

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala
karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian ini adalah penerapan jaringan syaraf tiruan, dengan judul
Pendugaan Komposisi Nutrien Tepung Ikan dengan Jaringan Syaraf Tiruan
berdasarkan Absorbsi Near Infrared.
Terima kasih penulis ucapkan kepada Bapak Prof. Dr. Ir. Hadi K.
Purwadaria, M.Sc selaku ketua komisi pembimbing serta Bapak Dr. Ir. Suroso,
M.Agr, Bapak Dr. Ir. I Wayan Budiastra, M.Agr dan Ibu Prof. Dr. Ir. Wiranda G.
Piliang, M.Sc selaku anggota komisi pembimbing yang telah memberi arahan,
petunjuk dan saran mulai dari perencanaan dan pelaksanaan penelitian sampai
penulisan disertasi ini. Rasa terima kasih juga disampaikan kepada Bapak Dr. Ir.
Nahrowi Ramli, M.Sc yang banyak memberi masukan demi kesempurnaan karya
ilmiah ini pada ujian tertutup, serta kepada Bapak Dr. Drh Desianto Budi Utomo,
DVM (Vice President Feed Technology PT Charoen Pokphand Indonesia) dan

Bapak Dr. Ir. Pius P. Ketaren, M.AgrSc (Peneliti pada Balai Penelitian Ternak,
Badan Litbang Pertanian, Departemen Pertanian) yang telah bersedia menjadi
penguji pada ujian terbuka. Di samping itu, penghargaan penulis sampaikan
kepada industri-industri tepung ikan di Muncar Banyuwangi dan Jembrana Bali
serta industri-industri makanan ternak di Serang Banten yang telah bersedia
berdiskusi dan memberikan sampel tepung ikan. Penulis juga mengucapkan
terimakasih kepada Bapak Istiadi, Spt (Quality Control Manager pada PT Charoen
Pokphand Indonesia di Balaraja) dan Bapak Drh. Syukron (Kepala Seksi
Pelayanan Teknis, Balai Pengujian Mutu Pakan Ternak, Departemen Pertanian di
Bekasi) yang telah mendampingi penulis pada saat studi banding tentang
penerapan near infrared untuk pengujian mutu pakan di kedua lembaga tersebut.
Selanjutnya terima kasih juga disampaikan kepada Bapak Sulyaden, teknisi
laboratorium TPPHP, Departemen Keteknikan Pertanian IPB yang telah
membantu dalam pelaksanaan pengambilan data serta rekan-rekan mahasiswa
yang telah bersedia menyumbangkan pikiran dalam penyelesaian tugas ini. Rasa
terima kasih yang sebesar-besarnya disampaikan kepada Universitas Andalas,
Institut Pertanian Bogor dan BPPS yang telah memfasilitasi penulis dalam
menempuh pendidikan S3 di IPB ini, serta DP3M Dikti yang membiayai
penelitian melalui proyek Hibah Bersaing Perguruan Tinggi. Akhirnya ungkapan
terima kasih yang tidak terhingga disampaikan kepada ayah, ibu, istri dan anakanak serta seluruh keluarga atas dukungan moral, material dan doa serta kasih
sayangnya.
Semoga karya ilmiah ini bermanfaat untuk kemajuan ilmu pengetahuan,
khususnya bagi upaya pengembangan sistem evaluasi mutu pakan.
Bogor, Juni 2007
Adrizal

DAFTAR ISI
Halaman
DAFTAR TABEL ...........................................................................................

v

DAFTAR GAMBAR ......................................................................................

vi

DAFTAR LAMPIRAN ................................................................................... viii
PENDAHULUAN
Latar Belakang ............................................................................................
Perumusan Masalah ....................................................................................
Tujuan Penelitian ........................................................................................
Manfaat Penelitian ......................................................................................

1
2
4
4

TINJAUAN PUSTAKA
Tepung Ikan sebagai Bahan Pakan Penyusun Ransum Ternak ..................
Komposisi Nutrien Bahan Pakan dan Metode Analisisnya ........................
Near Infrared untuk analisis Komposisi Nutrien Bahan Pakan .................
Jaringan Syaraf Tiruan untuk Kalibrasi Near Infrared ...............................

5
6
11
14

BAHAN DAN METODE
Bahan dan Alat ............................................................................................
Metode Penelitian .......................................................................................

18
18

HASIL DAN PEMBAHASAN
Absorbsi Near Infrared Sampel Tepung Ikan .............................................
Variasi Kandungan Nutrian Sampel Tepung Ikan ......................................
Korelasi Absorbsi Near Infrared dengan Komposisi Nutrien Tepung Ikan
Hasil Principal Components Analysis .........................................................
Hasil Pendugaan Kandungan Air Menggunakan JST .................................
Hasil Pendugaan Kandungan Lemak Menggunakan JST............................
Hasil Pendugaan Kandungan Protein Menggunakan JST ...........................
Hasil Pendugaan Kandungan Lisin Menggunakan JST ..............................
Hasil Pendugaan Kandungan Metionin Menggunakan JST .......................

25
26
29
33
34
42
49
57
66

SIMPULAN DAN SARAN
Simpulan .....................................................................................................
Saran ...........................................................................................................

74
75

DAFTAR PUSTAKA .....................................................................................

76

LAMPIRAN ....................................................................................................

80

DAFTAR TABEL
Halaman
1
2

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Hasil kalibrasi dan validasi near infrared pada tepung ikan (Fontaine
et al, 2001) ................................................................. ...........................
Perbandingan kemampuan JST, PCR dan PLS untuk memprediksi
kerusakan susu oleh mikroba P. fragi dan P.flourescene (Horimoto et
al, 1997) ................................................................................................
Statistik kandungan nutrien sampel tepung ikan ...................................
Korelasi kandungan air dengan absorbsi near infrared pada tepung
ikan hasil analisis SMLR .......................................................................
Korelasi kandungan lemak dengan absorbsi near infrared pada
tepung ikan hasil analisis SMLR ...........................................................
Korelasi kandungan protein dengan absorbsi near infrared pada
tepung ikan hasil analisis SMLR ...........................................................
Korelasi kandungan lisin dengan absorbsi near infrared pada tepung
ikan hasil analisis SMLR .......................................................................
Korelasi kandungan metionin dengan absorbsi near infrared pada
tepung ikan hasil analisis SMLR ...........................................................
Variasi komponen utama nilai absorbsi near infrared .........................
Pengaruh variabel input, jumlah iterasi dan jumlah simpul pada
lapisan tersembunyi JST terhadap SEC (%) kalibrasi air ....................
Pengaruh jumlah PC, jumlah iterasi dan jumlah simpul pada lapisan
tersembunyi JST terhadap SEC (%) kalibrasi air ................................
Pengaruh variabel input, jumlah iterasi dan jumlah simpul pada
lapisan tersembunyi JST terhadap SEC (%) kalibrasi lemak ...............
Pengaruh jumlah PC, jumlah iterasi dan jumlah simpul pada lapisan
tersembunyi JST terhadap SEC (%) kalibrasi lemak ...........................
Pengaruh variabel input, jumlah iterasi dan jumlah simpul pada
lapisan tersembunyi JST terhadap SEC (%) kalibrasi protein .............
Pengaruh jumlah PC, jumlah iterasi dan jumlah simpul pada lapisan
tersembunyi JST terhadap SEC (%) kalibrasi protein ..........................
Pengaruh variabel input, jumlah iterasi dan jumlah simpul pada
lapisan tersembunyi JST terhadap SEC (%) kalibrasi lisin ..................
Pengaruh jumlah PC, jumlah iterasi dan jumlah simpul pada lapisan
tersembunyi JST terhadap SEC (%) kalibrasi lisin ..............................
Pengaruh variabel input, jumlah iterasi dan jumlah simpul pada
lapisan tersembunyi JST terhadap SEC (%) kalibrasi metionin ..........
Pengaruh jumlah PC, jumlah iterasi dan jumlah simpul pada lapisan
tersembunyi JST terhadap SEC (%) kalibrasi metionin .......................

13

17
28
30
30
31
32
33
34
35
39
43
46
50
54
58
64
67
71

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14

15

16
17
18

19
20

21

22
23

24

25

Halaman
Struktur umum molekul asam amino ...................................................
7
Struktur umum molekul protein ...........................................................
7
Struktur umum asam lemak .................................................................
8
Struktur kimia lisin ..............................................................................
10
Struktur kimia metionin .......................................................................
11
Arsitektur JST (Patterson, 1996)...........................................................
15
Skema peralatan sistem NIR (Budiastra et al., 1998) ...........................
19
Bagan kerangka penelitian ....................................................................
20
Struktur JST untuk pendugaan kandungan nutrien tepung ikan............
23
Grafik absorbsi near infrared tepung ikan pada panjang gelombang
900 nm sampai 2000 nm ........................................................................
25
Grafik absorbsi near infrared tepung ikan pada panjang gelombang
915 nm sampai 1990 nm setelah pre-treatment data..............................
26
Pengeringan ikan secara tradisional .....................................................
27
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
dengan berbagai jumlah input pada validasi kandungan air .................
36
Pengaruh jumlah iterasi terhadap SEP pendugaan air dengan JST
yang mempunyai 7 simpul pada lapisan tersembunyi dengan input 3
variabel...................................................................................................
37
Hubungan kandungan air aktual dengan hasil pendugaan
menggunakan JST yang mempunyai 7 simpul lapisan tersembunyi,
input 3 variabel dan iterasi 55 000 ........................................................
38
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
dengan berbagai jumlah PC pada validasi kandungan air......................
40
Pengaruh jumlah iterasi terhadap SEP pendugaan air menggunakan
JST dengan 3 simpul pada lapisan tersembunyi dan input 4 PC............
41
Hubungan kandungan air aktual dengan hasil pendugaan
menggunakan JST yang mempunyai 3 simpul lapisan tersembunyi,
input 4 PC dan iterasi 30 000.................................................................
42
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
dengan berbagai jumlah variabel input untuk pendugaan lemak
44
Pengaruh jumlah iterasi terhadap SEP pendugaan lemak
menggunakan JST dengan 7 simpul pada lapisan tersembunyi dengan
input 3 variabel ......................................................................................
44
Hubungan kandungan lemak aktual dengan hasil pendugaan dengan
JST dengan 7 simpul pada lapisan tersembunyi, input 3 variabel dan
iterasi 16 000..........................................................................................
45
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
pendugaan kandungan lemak dengan input berbagai jumlah PC ..........
47
Pengaruh jumlah iterasi terhadap SEP pendugaan lemak
menggunakan JST dengan 9 simpul pada lapisan tersembunyi dengan
input 10 PC.............................................................................................
47
Hubungan kandungan lemak aktual dan hasil pendugaan
menggunakan JST dengan 9 simpul pada lapisan tersembunyi, input
10 PC dan iterasi 8 000...........................................................................
48
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP

26

27

28
29

30

31
32

33

34
35
36

37
38

39

40
41

42

pendugaan protein dengan berbagai variabel input ...............................
Pengaruh jumlah iterasi terhadap SEP pendugaan protein
menggunakan JST dengan 5 simpul pada lapisan tersembunyi dan
input hasil SMLR pada step ke 7............................................................
Hubungan kandungan protein aktual dan hasil pendugaan
menggunakan JST dengan 5 simpul pada lapisan tersembunyi, input
step ke 7 dan iterasi 35 000....................................................................
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
pendugaan protein pada berbagai jumlah PC sebagai input...................
Pengaruh jumlah iterasi terhadap SEP pendugaan protein
menggunakan JST dengan 7 simpul pada lapisan tersembunyi dengan
input 8 PC ..............................................................................................
Hubungan kandungan protein aktual dan hasil pendugaan
menggunakan JST dengan 7 simpul pada lapisan tersembunyi, input 8
PC dan iterasi 25 000..............................................................................
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
pendugaan lisin dengan berbagai variabel input....................................
Pengaruh jumlah iterasi terhadap SEP pendugaan lisin menggunakan
JST dengan 3 simpul pada lapisan tersembunyi dan input hasil SMLR
step ke 10................................................................................................
Hubungan kandungan lisin aktual dan hasil pendugaan menggunakan
JST dengan 3 simpul pada lapisan tersembunyi, input hasil SMLR
step ke 10 dan iterasi 11 000.................................................................
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
pendugaan lisin dengan berbagai PC .....................................................
Pengaruh jumlah iterasi terhadap SEP pendugaan lisin menggunakan
JST dengan 7 simpul pada lapisan tersembunyi dan input 2 PC............
Hubungan kandungan lisin aktual dan hasil pendugaan menggunakan
JST dengan 7 simpul pada lapisan tersembunyi, input 2 PC dan iterasi
7 000.......................................................................................................
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
pendugaan metionin dengan berbagai jumlah input...............................
Pengaruh jumlah iterasi terhadap SEP pendugaan metionin
menggunakan JST dengan 5 simpul pada lapisan tersembunyi dan
input hasil SMLR step ke 4 ...................................................................
Hubungan kandungan metionin aktual dan hasil pendugaan
menggunakan JST dengan 5 simpul pada lapisan tersembunyi, input
hasil SMLR step ke 4 dan iterasi 15 000................................................
Pengaruh jumlah simpul pada lapisan tersembunyi JST terhadap SEP
pendugaan metionin dengan berbagai jumlah PC..................................
Pengaruh jumlah iterasi terhadap SEP pendugaan metionin
menggunakan JST dengan 5 simpul pada lapisan tersembunyi dan
input 4 PC...............................................................................................
Hubungan kandungan metionin aktual dan hasil pendugaan
menggunakan JST dengan 5 simpul pada lapisan tersembunyi, input 4
PC dan iterasi 3 000................................................................................

52

52

53
55

56

57
61

61

62
65
65

66
68

69

70
72

72

73

DAFTAR LAMPIRAN
1

2
3
4
5

6
7

8
9

10
11

12
13

14

15

Halaman
Data masukan, nilai pembobot dan hasil pelatihan model JST
dengan 7 simpul pada lapisan tersembunyi dengan input absorbsi
near infrared pada panjang gelombang 1915 nm, 1215 nm dan
1285 nm untuk kalibrasi kandungan air...............................................
80
Hasil pendugaan kandungan air menggunakan JST dengan 7 simpul
lapisan tersembunyi, input 3 variabel dan iterasi 55 000 ...................
83
Data masukan, nilai pembobot dan hasil pelatihan model JST
dengan 3 simpul pada lapisan tersembunyi dengan input 4 PC ........
84
Hasil pendugaan kandungan air menggunakan JST dengan 3 simpul
pada lapisan tersembunyi, input 4 PC dan iterasi 30 000 ...................
87
Data masukan, nilai pembobot dan hasil pelatihan JST dengan 7
simpul pada lapisan tersembunyi dan input absorbsi near infrared
pada panjang gelombang 915 nm, 1470 nm dan 1735 nm untuk
kalibrasi lemak ....................................................................................
88
Hasil pendugaan lemak menggunakan JST dengan 7 simpul pada
lapisan tersembunyi, input 3 variabel dan iterasi 16 000 ...................
91
Data masukan, nilai pembobot dan hasil pelatihan JST yang
mempunyai 9 simpul pada lapisan tersembunyi dengan input 10 PC
dengan berbagai jumlah iterasi untuk kalibrasi lemak .......................
92
Hasil pendugaan lemak menggunakan JST dengan 9 simpul pada
lapisan tersembunyi, input 10 PC dan iterasi 8 000............................
97
Data masukan, nilai pembobot dan hasil pelatihan JST dengan 5
simpul pada lapisan tersembunyi dengan input absorbsi near
infrared pada panjang gelombang 1725 nm, 1785 nm, 1915 nm,
1530 nm dan 1495 nm dengan berbagai jumlah iterasi untuk
kalibrasi protein ...................................................................................
98
Hasil pendugaan protein menggunakan JST dengan 5 simpul pada
lapisan tersembunyi, input hasil SMLR step ke 7 dan iterasi 35 000
101
Data masukan, nilai pembobot dan kandungan protein hasil
pelatihan JST yang mempunyai 7 Simpul pada lapisan tersembunyi
dengan input 8 PC dengan berbagai jumlah iterasi untuk kalibrasi
protein .................................................................................................
102
Hasil pendugaan protein menggunakan JST dengan 7 simpul pada
lapisan tersembunyi, input 8 PC dan iterasi 25 000 ............................
106
Data masukan, nilai pembobot dan kandungan lisin hasil pelatihan
JST yang mempunyai 3 simpul pada lapisan tersembunyi dengan
input turunan ke 3 absorbsi near infrared pada panjang gelombang
1020 nm, 1325 nm, 1745 nm, 1025 nm, 1100 nm dan 1650 nm
dengan berbagai jumlah iterasi untuk kalibrasi lisin
107
.......................................
Hasil pendugaan lisin menggunakan JST dengan 3 simpul pada
lapisan tersembunyi, input hasil SMLR step ke 10 dan iterasi
11 000 kali ...........................................................................................
110
Data masukan, nilai pembobot dan kandungan lisin hasil pelatihan
JST yang mempunyai 3 Simpul pada lapisan tersembunyi dengan
input 2 PC dengan berbagai jumlah iterasi untuk kalibrasi lisin .........
111

16 Hasil pendugaan lisin menggunakan model JST dengan 7 simpul
pada lapisan tersembunyi, input 2 PC dan iterasi 7 000 . ....................
17 Data masukan, nilai pembobot dan kandungan metionin hasil
pelatihan JST yang mempunyai 5 simpul pada lapisan tersembunyi
dengan input turunan ke 3 absorbsi near infrared pada panjang
gelombang 1415 nm, 1325 nm, 1920 nm, dan 1645 nm dengan
berbagai jumlah iterasi untuk kalibrasi metionin ................................
18 Hasil pendugaan metionin dengan input 4 variabel menggunakan
JST dengan 5 simpul pada lapisan tersembunyi dan iterasi 15 000 ....
19 Data masukan, nilai pembobot dan kandungan metionin hasil
pelatihan JST yang mempunyai 7 simpul pada lapisan tersembunyi
dengan input 4 PC dengan berbagai jumlah iterasi untuk kalibrasi
metionin ..............................................................................................
20 Hasil pendugaan metionin dengan input 4 PC menggunakan model
JST dengan 5 simpul pada lapisan tersembunyi dan iterasi 15 000....
21 Kinerja hasil pendugaan kandungan nutrien tepung ikan dengan
MLR dan PCR .....................................................................................

114

115
118

119
122
123

PENDAHULUAN
Latar Belakang
Ketepatan dan konsistensi komposisi nutrien di dalam ransum komplit
merupakan faktor yang sangat penting diperhatikan di dalam industri makanan
ternak. Penyimpangan antara komposisi nutrien ransum dengan kebutuhan ternak
dapat merugikan. Bila suatu nutrien tidak tersedia secara memadai, maka
pertumbuhan atau produksi tidak sesuai dengan yang diharapkan. Sebaliknya jika
nutrien tertentu melebihi kebutuhan, di samping tidak ekonomis juga menurunkan
performa ternak. Berdasarkan hal tersebut industri makanan ternak selalu
berupaya mengoptimalkan formula ransum, sehingga kebutuhan nutrien ternak
terpenuhi.
Dalam optimasi formula ransum menggunakan linear programming (LP)
ditentukan proporsi masing-masing bahan pakan yang akan digunakan dalam
campuran ransum dengan biaya minimum. Data yang diperlukan untuk
memformulasikan ransum tersebut adalah komposisi nutrien bahan pakan yang
akan digunakan, di samping harga bahan-bahan pakan tersebut serta kebutuhan
nutrien ternak. Pada kenyataannya akan sulit memperoleh data komposisi nutrien
yang tepat karena jenis bahan yang sama dapat berubah kualitasnya. Perubahan ini
dapat disebabkan perbedaan bahan baku, teknologi proses, lama penyimpanan dan
sebagainya, sehingga komposisi nutrien bahan pakan dapat bervariasi dari batch
ke batch dan dari waktu ke waktu (Berger, 1995; Torres-Rojo, 2000).
Berdasarkan kenyataan di atas salah satu upaya untuk mengurangi variasi
komposisi nutrien ransum adalah dengan memonitor bahan pakan secara terus
menerus. Idealnya setiap bahan pakan, dievaluasi pada setiap batch, namun
karena mempertimbangkan waktu dan biaya dengan menggunakan metode
evaluasi yang ada, evaluasi dilakukan dengan frekuensi terbatas. Frekuensi
evaluasi tergantung kepada jenis bahan, track record hasil analisis bahan yang
sama dari pemasok yang sama dan variabilitas bahan baku yang digunakan.
Menurut Leeson dan Summers (1997) kandungan air, protein kasar dan lemak
tepung ikan harus dievaluasi pada setiap kedatangan bahan, sedangkan kandungan
asam aminonya dievaluasi setiap bulan. Dengan tingginya frekuensi evaluasi

kandungan nutrien tersebut maka diperlukan metode penentuan nutrien yang
cepat, murah dan akurat.

Perumusan Masalah
Metode konvensional untuk menentukan kandungan nutrien bahan pakan
membutuhkan bahan kimia dan peralatan yang beragam, waktu yang lama dan
prosedur yang rumit serta biaya yang mahal. Penentuan kadar air membutuhkan
pengeringan dalam oven pada suhu 950 C - 1000 C selama 5 jam. Penentuan kadar
protein yang dilakukan dengan metode Kjeldhal membutuhkan pelarut K2SO4 ,
HgO dan H2SO, serta proses pendidihan selama 1-1.5 jam. Kemudian didestilasi,
dan hasil destilasi ditampung dengan larutan H2BO3 dan indikator (campuran 2
bagian metil merah 0.2 % dalam alkohol dan 1 bagian metil biru 0.2% dalam
alkohol) di bawah kondensor. Hasil distilasi tersebut dititrasi dengan larutan HCl
0.02 N sampai terjadi perubahan warna menjadi abu-abu. Penentuan lemak kasar
dilakukan dengan metode ekstraksi soxhlet membutuhkan pelarut dietil eter atau
petroleum eter. Proses refluks membutuhkan waktu minimum 5 jam, setelah itu
harus didestilasi untuk memisahkan pelarut dan lemaknya. Selanjutnya labu yang
berisi lemak hasil ekstraksi dipanaskan dalam oven pada suhu 105

0

C. Setelah

dikeringkan sampai berat tetap dan didinginkan dalam desikator, barulah labu
beserta lemaknya ditimbang. Penentuan kandungan asam amino membutuhkan
bahan kimia dan prosedur yang kompleks, sebelum diinjeksikan ke kolom
chromatography yakni proses oksidasi dan hidrolisis. Sebelum dihidrolisis
terlebih dahulu dioksidasi dengan asam performat. Ada dua macam hidrolisis
yang harus dilakukan yakni hidrolisis asam (untuk analisis asam amino selain dari
triptopan ) dan hidrolisis basa (untuk analisis triptopan). Berdasarkan prosedur
dan bahan kimia yang dibutuhkan terlihat bahwa analisis kimia untuk menentukan
kandungan nutrien bahan tersebut membutuhkan biaya yang relatif mahal, waktu
dan tenaga kerja yang intensif, serta perhatian khusus terhadap penanganan
limbah kimia.
Pada saat ini sejumlah teknik instrumentasi yang didasarkan pada sifat
fisik bahan telah dikembangkan. Salah satu teknik tersebut adalah pengukuran
spektra near infrared yang dipancarkan ke bahan. Prinsip kerja metode ini

didasarkan atas adanya vibrasi molekul yang berkorespondensi dengan panjang
gelombang yang termasuk dalam wilayah near infrared

pada spectrum

elektromagnetik. Vibrasi tersebut dimanfaatkan dan diterjemahkan untuk
mengetahui karakteristik kandungan kimia dari bahan. Keuntungan metode ini
adalah dalam pengukuran spektra near infrared dapat dilakukan tanpa persiapan
sampel yang rumit karena dapat dilakukan langsung pada material yang utuh
(non-destructive) atau bisa juga pada sampel dalam bentuk tepung. Berdasarkan
hal tersebut pengukuran dapat dilakukan dengan cepat, murah dan tanpa bahan
kimia.
Data spektra near infrared belum dapat dimanfaatkan tanpa mempelajari
hubungannya dengan sifat kimia bahan yang diukur. Kegiatan mempelajari
hubungan tersebut diistilahkan dengan proses kalibrasi. Metode kalibrasi yang
sering digunakan adalah dengan regresi linier. Kelemahan metode tersebut adalah
mengasumsikan hubungan antara spektra dan nilai kandungan nutrien bahan
bersifat linier, pada hal asumsi tersebut belum tentu berlaku untuk semua bahan.
Berdasarkan hal tersebut penggunaan asumsi tersebut berpotensi menyebabkan
tingginya penyimpangan antara kandungan nutrien yang sebenarnya dengan hasil
prediksi.
Salah satu metode kalibrasi yang potensial untuk mengatasi kelemahan
tersebut adalah jaringan syaraf tiruan (JST). JST merupakan metode analisis yang
mencontoh kemampuan otak mengolah sinyal yang disampaikan oleh syarafsyaraf pada indra manusia. JST terdiri dari simpul-simpul yang tersusun pada
lapisan input, lapisan tersembunyi dan lapisan output. Lapisan input berfungsi
sebagai penerima masukan, sedangkan lapisan output berfungsi sebagai
penampung keluaran dari sistem. Simpul-simpul pada lapisan tersembunyi dapat
memfasilitasi hubungan antara input dan output yang tidak linier, sehingga
metode ini mampu memprediksi dengan lebih fleksibel (Patterson, 1996;
Horimoto et al, 1997). Berdasarkan hal yang demikian diperkirakan JST dapat
memprediksi dengan lebih akurat dibandingkan dengan regresi linier. Efektifitas
aplikasi JST ini telah diteliti oleh Horimoto et al. (1997) untuk mengklasifikasikan
kerusakan susu yang disebabkan oleh mikroba. Pada penelitian tersebut terbukti
bahwa JST dapat memprediksi lebih akurat dibandingkan regresi linier, namun

sejauh ini belum diperoleh informasi mengenai penerapan JST untuk memprediksi
kandungan nutrien tepung ikan.

Tujuan Penelitian
Tujuan penelitian ini adalah mengembangkan cara evaluasi kandungan
nutrien pada tepung ikan dengan jaringan syaraf tiruan (JST) menggunakan data
absorbsi near infrared. Tujuan yang lebih spesifik adalah 1) pengujian hubungan
antara absorbsi near infrared dengan kandungan nutrien tepung ikan melalui
panjang gelombang yang dipilih menggunakan analisis stepwise multiple linear
regression (SMLR) dan principal components analysis (PCA), 2) kalibrasi
hubungan panjang gelombang terpilih dengan kandungan nutrien melalui
pelatihan JST, 3) pendugaan kandungan nutrien dengan penerapan JST dan 4)
penentuan ketelitian model JST dalam menentukan kandungan nutrien tepung
ikan.

Manfaat Penelitian
Hasil penelitian ini diharapkan dapat membantu industri tepung ikan,
industri pakan dan peternak dalam mengevaluasi tepung ikan dengan cepat,
murah, mudah dan tidak membutuhkan bahan kimia. Hasil evaluasi tersebut dapat
digunakan untuk pengendalian kualitas produk bagi industri tepung ikan dan
pertimbangan penerimaan bahan baku bagi industri pakan. Di samping itu, hasil
prediksi kandungan nutrien dapat digunakan sebagai input data dalam formulasi
ransum ternak. Dalam jangka panjang, hasil evaluasi dari JST diharapkan dapat
menjadi landasan untuk penentuan kandungan nutrien secara on-line baik pada
pabrik tepung ikan, maupun pada pabrik pakan.

TINJAUAN PUSTAKA
Tepung Ikan sebagai Bahan Pakan Penyusun Ransum Ternak
Ransum merupakan campuran berbagai bahan pakan untuk memenuhi
kebutuhan nutrien ternak. Penggunaan masing-masing bahan tergantung kepada
komposisi nutrien dan harga bahan tersebut serta kebutuhan nutrien ternak yang
mengkonsumsinya. Proses optimasi penggunaan berbagai bahan tersebut dikenal
dengan istilah formulasi ransum. Metode formulasi ransum yang selama ini
diterapkan adalah linier programming (Scott et al., 1982; Leeson and Summers,
2001). Pada saat ini telah dikembangkan metode formulasi ransum yang lebih
fleksibel yakni fuzzy linier programming (Adrizal dan Marimin, 2004; Cadenas et
al., 2004). Dalam rangka menjamin konsistensi kandungan nutrien ransum, maka
pada saat memformulasikan ransum perlu diperhatikan akurasi data komposisi
nutrien bahan pakan. Data komposisi nutrien yang diperhatikan untuk
memformulasikan ransum ternak unggas adalah protein, lemak, serat kasar,
kalsium, phospor, asam-asam amino esensial dan energi metabolisme (Scott et
al., 1982; Leeson dan Summers, 2001).
Tepung ikan adalah salah satu sumber protein hewani yang kaya dengan
asam-asam amino. Komposisi nutrien tepung ikan tersebut bervariasi sesuai
dengan jenis ikan, sumber pengadaannya dan teknik pengolahannya (Ravindran
dan Blair, 1993; Bragadottir et al, 2004). Berdasarkan hal itu, bila menggunakan
tepung ikan di dalam ransum unggas, kandungan nutriennya harus dievaluasi
dalam interval waktu tertentu. Frekuensi evaluasi nutrien tepung ikan tergantung
kepada track record hasil analisis dan variabilitas bahan baku sesuai dengan
pergantian musim dalam setahun. Kandungan nutrien tepung ikan harusnya lebih
sering

dievaluasi

dibandingkan

dengan

bahan

pakan

lainnya,

karena

variabilitasnya yang tinggi. Kandungan air, protein kasar, lemak, kalsium dan
phosphor tepung ikan harus dievaluasi pada setiap kedatangan bahan. Kandungan
asam aminonya dievaluasi setiap bulan, dengan demikian pengembangan metode
evaluasi yang cepat, murah dan akurat akan sangat membantu dalam pengendalian
kualitas pada industri pakan ternak.

Komposisi Nutrien Bahan Pakan dan Metode Analisisnya
Kandungan Air
Kandungan air bahan pakan berhubungan erat dengan stabilitas pada saat
penyimpanan. Jika bahan pakan yang diterima di pabrik mengandung air yang
tinggi, maka pabrik pakan akan mengalami kerugian akibat penyusutan. Lagi pula
kandungan air yang tinggi menyebabkan tumbuhnya bakteri dan jamur yang dapat
menurunkan kualitas ransum dan membahayakan ternak yang mengkonsumsinya.
Hal tersebut berakibat menurunkan reputasi pabrik pakan ternak yang
memproduksinya (Bates, 1993).

Menurut Dewan Standisasi Nasional (DSN,

1996) kandungan air tepung ikan untuk standar mutu I maksimal 10%, sedangkan
untuk mutu II dan III maksimal 12%.
Metode untuk penentuan kadar air menurut Association of Official
Analytical Chemists (AOAC, 1999) dilakukan dengan mengeringkan sampel.
Pengeringan menggunakan

oven pada suhu 950 C - 1000 C selama 5 jam.

Kandungan air (basis basah) dihitung dengan rumus :
KA =

W1 − W2
x100% .............................................................................................1
W1

dimana KA adalah kadar air (%), W1 dan W2 berat sampel sebelum dan sesudah
dikeringkan.

Kandungan Protein
Protein merupakan komponen utama pembentuk jaringan hewan, dengan
demikian kandungan protein ransum akan sangat mempengaruhi pertumbuhan dan
produksi ternak. Tepung ikan merupakan bahan pakan sumber protein di dalam
formula ransum unggas, oleh sebab itu kandungan proteinnya merupakan kriteria
utama dalam menentukan kualitas (Perry et al, 2003; Cheeke, 1999). Menurut
DSN (1996) persyaratan kandungan protein minimal untuk tepung ikan dengan
standar mutu I, II dan III berturut-turut 65%, 55% dan 45%..
Semua protein mengandung karbon, hidrogen, oksigen,

nitrogen, dan

kadang-kadang mengandung ferum, pospor dan sulfur. Protein pakan rata-rata
mengandung 16% nitrogen.

Protein-protein tersebut dibentuk oleh berbagai

kombinasi asam amino yang terdiri dari 25 atau lebih asam amino. Struktur dasar
molekul asam amino diilustrasikan pada Gambar 1.
COOH
C

R

NH2

H
Gambar 1 Struktur umum molekul asam amino

R adalah rantai karbon C-H2 yang bervariasi panjang dan strukturnya,
tergantung kepada jenis asam aminonya. Molekul asam amino selalu mempunyai
satu atau dua gugus karboksil (COOH) dan biasanya membawa satu atau dua
gugus amino (NH2). Rantai karboksil dari

satu asam amino akan berikatan

dengan gugus amino dari asam amino lainnya dengan ikatan peptida. Ikatanikatan peptida ini dengan berbagai jumlah asam amino menghasilkan formasi
protein seperti pada Gambar 2 (Perry et al., 2003).

COOH
R

C

NH

H

O

H

C

R

NH2

Gambar 2 Struktur umum molekul protein

Penentuan

kadar

protein

dilakukan

dengan

metode

Kjeldhal

(AOAC,1999). Sampel sebanyak 15 gram dimasukkan ke dalam labu Kjeldhal 30
ml. Tambahkan 1.9 ± 0.1 g K2SO4, 40 ± 10 mg HgO, 2.0 ± 0.1 ml H2 SO4 dan
masukkan beberapa butir batu didih. Didihkan selama 1-1.5 jam sampai cairan
menjadi jernih, kemudian dinginkan. Pindahkan isi labu ke dalam alat destilasi,
kemudian bilas labu 5-6 kali dengan 1-2 ml air (air bilasan juga dimasukkan ke
dalam alat destilasi). Letakkan erlenmeyer 125 ml yang berisi 5 ml larutan H2BO3
dan 2-4 tetes indikator (campuran dua bagian metil merah 0.2 % dalam alkohol
dan satu bagian metil biru 0.2% dalam alkohol) di bawah kondensor. Ujung

tabung kondensor harus terendam di bawah larutan H2 BO3. Tambahkan 8-10 ml
larutan NaOH dan Na2S2O3, kemudian lakukan destilasi sampai tertampung kirakira 15 ml destilat dalam erlenmeyer. Bilas tabung kondensor dengan air,
tampung bilasannya dalam erlenmeyer yang sama. Encerkan isi erlenmeyer
sampai kira-kira 50 ml, kemudian titrasi dengan HCl 0.02 N sampai terjadi
perubahan warna menjadi abu-abu. Lakukan juga penetapan blanko. Persentase N
dihitung dengan rumus :

N (%) =

(ml HCl - ml blanko) x normalitas x 14.007 x 100%
............................... 2
mg sampel

Berdasarkan persentase N dapat ditentukan kandungan protein dengan Persamaan
3 berikut
Protein (%) = % N x 6.25 ...................................................................................... 3

Kandungan Lemak

Lemak termasuk kelompok senyawa yang tidak larut di dalam air, tetapi
larut di dalam eter, aseton, benzen dan chloroform. Kelompok senyawa ini relatif
beragam yang meliputi mulai dari produk-produk asam lemak yang berantai
pendek sampai molekul yang sangat panjang dan kompleks. Namun demikian,
secara kimia lemak merupakan ester dari asam lemak-asam lemak.
Sebagian besar lemak terdiri dari asam lemak. Umumnya asam lemak
merupakan rantai lurus asam monokarboksilat yang panjang rantainya bervariasi
mulai dari dua karbon (asetic) sampai 24 karbon (lignoceric). Struktur umum dari
asam lemak dipresentasikan pada Gambar 3.
H

O

R – C – C – OH
H
Gambar 3 Struktur umum asam lemak

Faktor kritis yang perlu diperhatikan mengenai lemak yang terkandung di
dalam pakan adalah potensi terjadinya oksidasi selama penyimpanan. Hal ini
disebabkan rasio antara hidrogen dan oksigen pada lemak sangat besar, sehingga
potensi terjadinya pengikatan oksigen menjadi besar. Pengikatan oksigen di titik
dimana adanya ikatan rangkap pada asam lemak tidak jenuh menyebabkan
terbentuknya aldehid dan keton. Aldehid dan keton ini menyebabkan bau tengik
pada bahan pakan (Perry et al., 2003).
Ikan laut banyak mengandung asam lemak tidak jenuh, sehingga bila
proses pengepresan pada saat produksi tepung ikan tidak sempurna, maka lemak
masih banyak tersisa pada produk. Hal ini merupakan potensi turunnya kualitas
tepung ikan selama penyimpanan, dengan demikian kandungan lemak tepung ikan
merupakan kriteria penting yang harus diperhatikan di dalam penerimaan bahan
baku. Menurut DSN (1996) kandungan lemak maksimal untuk tepung ikan
dengan standar mutu I, II dan III berturut-turut 8%, 10% dan 12%.
Menurut prosedur AOAC 954.02 (AOAC,1999), penentuan lemak kasar
dilakukan dengan ekstraksi menggunakan soxhlet. Sampel sebanyak 5 gram dalam
bentuk tepung dibungkus dalam kertas saring dan diletakkan di dalam soxhlet.
Alat kondenser dipasang di atasnya dan labu lemak di bawah (berat labu lemak
sudah diketahui sebelumnya). Tuangkan pelarut dietil eter atau petroleum eter
dalam labu lemak secukupnya sesuai dengan ukuran soxhlet yang digunakan.
Lakukan refluks selama minimum 5 jam, sampai pelarut yang turun kembali ke
labu lemak berwarna jernih. Destilasi pelarut yang ada di dalam labu lemak,
tampung pelarutnya. Selanjutnya labu lemak yang berisi lemak hasil ekstraksi
dipanaskan dalam oven pada suhu 105 0 C. Setelah dikeringkan sampai berat tetap
dan didinginkan dalam desikator, timbang labu beserta lemaknya. Persentase
lemak dihitung dengan rumus :
Lemak (%) =

beratlemak ( gram)
x100% .......................................................
beratsampel ( gram)

4

Kandungan Asam Amino Lisin dan Metionin
Asam amino merupakan komponen utama penyusun protein. Kualitas
protein sangat ditentukan oleh ketersediaan dan keseimbangan berbagai asam

amino di dalamnya. Berdasarkan perlu tidaknya disediakan di dalam ransum
ternak, asam amino dikategorikan menjadi asam amino non-esensial dan asam
amino esensial. Asam amino non esensial dapat disintesis di dalam tubuh hewan,
sedangkan asam amino esensial tidak dapat disintesis sehingga harus disediakan
di dalam ransum (Cheeke, 1999; Perry et al, 2003).
Ada 10 asam amino esensial untuk unggas yakni arginin, lisin, histidin,
leusin, isoleusin, valin, metionin, treonin, triptopan dan penil alanin (Leeson dan
Summers, 2001). Ketersediaan dan keseimbangan asam-asam amino tersebut akan
mempengaruhi nilai nutrien ransum. Protein yang berasal dari biji-bijian tidak
mampu memenuhi semua kebutuhan asam amino tersebut, karena keterbatasan
jumlah lisin dan metionin (Miles dan Jakob, 2003). Sebahagian besar bahan
penyusun ransum unggas berasal dari biji-bijian, sehingga kritis terhadap kedua
macam asam amino tersebut. Berdasarkan hal itu, untuk menutupi kekurangan
diperlukan bahan pakan lain. Salah satu bahan pakan sebagai sumber asam amino
yang sudah umum digunakan adalah tepung ikan (Onwudike, 1981).
Asam amino mempunyai karakteristik yang berbeda-beda. Asam amino
lisin mempunyai dua gugus amino (Gambar 4). Asam amino metionin merupakan
asam amino yang mengandung unsur sulfur di dalam strukturnya (Gambar 5).

H

H

H

COO-

N

C

H

CH2

H

CH2

N

CH2

H
Gambar 4 Struktur kimia lisin

H

H

COO-

N

C

H

CH2
CH2
S

CH2

Gambar 5 Struktur kimia metionin

Penentuan asam amino menurut methode AOAC 994.12 (AOAC, 1999)
dilakukan dengan hidrolisis asam. Sebelum dihidrolisis, terlebih dahulu sampel
dioksidasi dengan asam performat. Sodium metasulfid ditambahkan untuk
mendekomposisi asam performat. Asam-asam amino dibebaskan dari protein
dengan menghidrolisisnya menggunkan 6 N HCl. Sampel yang telah dihidrolisis
dilarutkan dengan buffer sodium sitrat atau dinetralkan, pH diatur mencapai 2.2,
dan komponen-komponen asam amino secara individual dipisahkan dengan ionexchange chromatograph.

Near Infrared untuk Analisis Komposisi Nutrien Bahan Pakan
Bila suatu radiasi berinteraksi dengan sampel, ia akan diabsorbsi,
diteruskan atau dipantulkan. Hukum konservasi energi memungkinkan kejadian
tersebut dapat diperhitungkan. Total energi radiasi pada sampel sama dengan
jumlah energi yang diabsorbsi, diteruskan dan dipantulkan (Williams dan Norris,
1990; Osborne et al., 1993), dengan demikian bila energi yang dipantulkan dapat
diukur dan energi yang diteruskan diatur supaya mempunyai nilai nol maka energi
yang diabsorbsi dapat dihitung.
Suatu molekul mempunyai energi dalam berbagai bentuk misalnya energi
vibrasi yang disebabkan perubahan periodik pada atomnya dari posisi
kesetimbangannya. Di samping itu molekul juga mempunyai energi rotasi
berdasarkan atas perputaran terhadap pusat gravitasinya. Besarnya perbedaan
energi vibrasi dan rotasi pada molekul yang diradiasi akan mempengaruhi
absorbsi near infrared.

Data absorbsi near infrared sangat potensial digunakan untuk analisis
bahan pakan. Keuntungan penggunaan near infrared adalah cepat, murah,
persiapan sampel sederhana, tanpa penggunaan bahan kimia (Leeson dan
Summers, 1997, 2001; Fontaine et al., 2001; Farrel, 1999; Wrigley,1999).
Prediksi dengan metode ini hanya membutuhkan beberapa gram sampel dalam
bentuk tepung, kemudian disinari menggunakan near infrared. Data reflektan dari
penyinaran tersebut dikonversi menjadi nilai absorbsi, kemudian digunakan untuk
memprediksi komposisi nutrien.

Hal yang paling penting dalam analisis ini

adalah kalibrasi hubungan antara data absorbsi dengan masing-masing kandungan
nutrien. Proses kalibrasi membutuhkan sampel yang banyak dan algoritma yang
sesuai, te