Tahap Penelitian Penentuan Gejala Chilling Injury Kerusakan Dingin

25 Gambar 12. Prinsip fungsional dari NIRFlex Fiber Optic Solids N-500 Anonim 2009

3.3 Tahap Penelitian

Penelitian ini dibagi dalam dua tahap, yaitu tahap pertama atau pendahuluan, dilakukan pengambilan data destruktif dan non destruktif buah mangga yang disimpan pada suhu 8 o C. Data destruktif yang diambil adalah total padatan terlarut dan kekerasan, sedangkan data non-destruktif berupa data spektrum NIR dari titik yang akan diambil data destruktifnya. Selain kegiatan tersebut, pada penelitian pendahuluan ini juga dilakukan pengambilan data spektrum buah monitoring. Buah monitoring ini merupakan buah yang hanya diamati secara non- destruktif menggunakan NIR sampai buah tersebut rusak, atau sampai buah yang di amati secara destruktif dan non-destruktif rusak. Pengambilan spektrum NIR buah monitoring dilakukan setiap dua hari sekali, sama dengan buah yang diukur secara non destruktif dan destruktif. Pada penelitian tahap ke-dua atau penelitian utama dilakukan pengambilan data yang sama pada penelitian pendahuluan namun pada tiga kondisi suhu yang berbeda yaitu 8 o C, 13 o C dan suhu ruang. Pada penelitian utama ini tidak dilakukan pengambilan sampel monitoring. Set data pada penelitian utama digunakan untuk membuat model jaringan syaraf tiruan, untuk pendugaan total padatan terlarut dan kekerasan buah mangga varietas Gedong, dan menduga gejala chilling injury serta melihat efek yang diakibatkan oleh gejala chilling injury. 26

3.4 Prosedur Pengambilan Data

Kegiatan yang dilakukan pada penelitian pendahuluan dan utama adalah sama, perbedaannya hanya pada buah monitoring. Diagram alir dari penelitian ini dapat dilihat Gambar 19. Berikut ini metode yang digunakan dalam penelitian.

3.4.1 Persiapan Sampel

Bahan utama dalam penelitian ini adalah buah mangga varietas Gedong yang diambil dari kebun di Indramayu, Jawa Barat. Buah mangga tersebut diambil berdasarkan mutu I atau II yang terdapat pada standar mutu SNI-3164-1992. Buah mangga yang diambil adalah buah mangga dengan bobot sekitar 200-250 gram, umur panen 90 hari setelah bunga mekar HSBM, bebas dari luka, permukaan kulit mulus, bebas dari penyakit pascapanen, dan bentuk normal serta sifat varietas yang seragam. Dalam penelitian ini lama perjalanan buah dari kebun menuju laboratorium Teknik Pengolahan Pangan IPB, harus dalam waktu yang singkat kurang dari 24 jam. Hal itu dilakukan agar buah tidak dipengaruhi oleh keadaan selama trasportasi. Pembersihan lebih lanjut dan sortasi ulang terhadap buah mangga dilakukan di laboratorium. Agar buah mangga yang sudah disortasi ketika disimpan tidak mudah terkena jamur atau penyakit maka buah mangga perlu dicelupkan dalam larutan thiabendazol. Dosis yang diberikan adalah 1 gram thiabendazol per 5 liter air bersih atau 500 ppm thiabendazol selama 1 menit. Buah yang sudah dicelup dalam thiabendazol dimasukkan dalam toples tertutup bervolume 3 liter dengan masing-masing toples berisi 3 buah mangga. Kondisi penyimpanan buah mangga dalam toples dapat dilihat pada Gambar 13. Sampel tersebut disimpan pada suhu 8 o C, 13 o C, dan suhu ruang. Gambar 13. Penyimpanan buah mangga dalam toples bervolume 3 liter Penerapan tiga suhu berbeda tersebut dimaksudkan untuk memperoleh data yang bervariasi agar dalam pembuatan model jaringan syaraf tiruan, model tersebut dapat menduga kondisi mutu buah berdasarkan TPT dan kekerasan dalam berbagai kondisi. Untuk memperjelas bagaimana persiapan sampel dalam penelitian ini dapat dilihat dalam Lampiran18. Selain itu, karena dalam penelitian ini dimaksudkan untuk menduga gejala chilling injury maka harus ada suhu yang mengkondisikan buah agar terjadi chilling injury. Suhu 8 o C bukanlah suhu yang aman untuk buah mangga karenanya suhu tersebut dipilih.

3.4.2 Persiapan Instrumen NIR

NIRFlex Fiber Optic Solids N-500 harus dihubungkan dengan komputer. Hal ini dilakukan agar spektrum dapat tersimpan dalam bentuk data digital. Sebelum pengambilan spekrum perlu 27 membuat kode sampel. Pembuatan kode sampel ini digunakan sebagai inisiasi data yang tersimpan dalam NIRWare management console. Pada penelitian ini kode sampel yang digunakan adalah m-g untuk inisiasi nama produk yang diukur mangga varietas Gedong, T8 untuk inisiasi tempat penyimpanan suhu penyimpanan, 0 sampai dengan 15 untuk inisiasi waktu pengambilan data ke-, 1 sampai 3 untuk inisiasi buah ulangan ke- dan 1 sampai dengan 3 yang kedua untuk inisiasi titik pengambilan pada masing-masing buah 1 untuk bagian pangkal, 2 untuk bagian tengah, dan 3 untuk bagian ujung. Contoh nama sampel dalam penelitian ini adalah m.g_T8.1.1.1, arti dari penamaan tersebut adalah spektrum buah mangga varietas Gedong yang disimpan pada suhu 8 o C pada pengukuran ke-1 untuk buah ulangan pertama di titik pangkal. Pemberian nama berikutnya hanya dilakukan dengan mengganti suhu penyimpanan, waktu pengambilan data, ulangan pengamatan, dan posisi titik pengamatan. Setelah NIRFlex Fiber Optic Solids N-500 dinyalakan, alat tersebut didiamkan beberapa saat. Sebelum melakukan pengukuran pada sampel mangga terlebih dahulu dilakukan proses referensi panjang gelombang. Proses ini dilakukan setelah memilih jenis probe yang digunakan dalam penelitian ini adalah probe Fiber Optic Solids pada software NIRWare management console diaktifkan. Proses pemberian nama seperti dijelaskan sebelumnnya dilakukan setelah proses referensi panjang gelobang. Jika proses tersebut sudah dilakukan maka NIRFlex Fiber Optic Solids N-500 sudah dapat digunakan untuk melakukan pengukuran.

3.4.3 Pengukuran Spektra NIR

Pengukuran dilakukan untuk memperoleh data spektra NIR dari sampel mangga yang disimpan pada suhu 8 o C, 13 o C, dan suhu ruang. Pengukuran tersebut dilakukan dalam dua tahap penelitian, yaitu penelitian pendahuluan untuk menguji model JST dan penelitian utama untuk membangun model JST yang optimal. Pada penelitian utama pengambilan spektra dilakukan setiap dua hari sekali sampai buah dalam ruang penyimpanan rusak. Sampel buah yang digunakan dalam setiap kali pengukuran berjumlah 3 buah pada masing-masing suhu penyimpanan, sehingga jumlah sampelnya menjadi 9 buah. Setiap sampel buah diukur spektranya di 3 titik pengamatan yang sudah ditentukan sebelumnya. Dengan demikian total sampel setiap pengukuran adalah 27 data spektra. Demikian juga pada penelitian pendahuluan, pengambilan data dilakukan setiap dua hari. Pengukuran hanya dilakukan pada penyimpanan suhu 8 o C, untuk mengidentifikasi gejala kerusakan dingin. Oleh karena itu, jumlah sampel pengukuran dalam penelitian pendahuluan perhari adalah 9 buah dan sampel monitoring sebanyak 9 buah. Gambar 14. Pengambilan spekta NIR buah mangga menggunakan NIRFlex Fiber Optic Solids N-500 Titik pengukuran sampel probe NIR Tombol untuk memulai pengukuran 28 Seperti penjelasan sebelumnya, buah yang akan diukur spektrumnya selalu diberikan kode. Hal ini agar titik pengukuran parameter pengamatan secara destruktif dapat diukur pada yang titik sama. Pengambilan spekta NIR pada sampel buah mangga menggunakan NIRFlex Fiber Optic Solids N-500 Gambar 14. Probe NIR harus menempel pada buah mangga dan dikondisikan tidak ada celah antara probe dengan sampel.

3.4.4 Pengukuran Kekerasan

Kekerasan sampel buah mangga diukur berdasarkan tingkat ketahanan buah terhadap jarum probe dari alat rheometer. Pengukuran dilakukan menggunakan Rheometer model CR-300. Sebelum pengukuran Rheometer diatur pada mode 20, beban maksimal 10 kg, kedalam penekanan 10 mm, kecepatan penurunan beban 60 mmmenit, dan diameter probe 5 mm. Sampel diletakkan pada sampel holder, kemudian dengan menekan start jarum akan menusuk buah dan kekerasan buah terukur dalam satuan kgf kg-force. Pengukuran dilakukan pada tiga titik yaitu bagian pangkal, tengah, dan ujung. Pengukuran kekerasan diamati setiap 2 hari sekali dengan 3 ulangan, seperti ditunjukkan pada Gambar 15. Gambar 15. Pengukuran kekerasan buah mangga dengan Rheometer pada bagian apangkal, btengah dan cujung

3.4.5 Pengukuran Total Padatan Terlarut TPT

Total padatan terlarut diukur dengan refraktometer setiap dua hari sekali dengan tiga ulangan. Peralatan dan bahan penunjang pengukuran TPT seperti ditunjukkan pada Gambar 16. Pengukuran dilakuan pada bagian pangkal, tengah, dan ujung dari buah mangga, seperti posisi pengukuran kekerasan. Nilai total padatan terlarut dinyatakan dalam o Brix. a b c 29 Gambar 16. Peralatan untuk pengukuran TPT buah mangga

3.4.6 Pengukuran Ion Leakage

Ion leakage ditentukan berdasarkan nilai konduktivitas listrik larutan sampel buah mangga yang diukur dengan Electro Conductivity meter EC meter. Pengukuranya hanya dilakukan pada penelitian utama untuk menentukan mutu buah mangga akibat chilling injury. Parameter ini digunakan sebagai indikator gejala chilling injury. Ion leakage diukur setiap 2 hari sekali dengan tiga ulangan. Persiapan sampel dilakukan dengan membuat potongan sampel berbentuk seperti dadu berukuran 2 cm, sampel tersebut direndam dalam aquabides 20 ml dengan konduktivitas listriknya sudah di ketahui dengan EC meter. Pengukuran dilakukan di suhu ruang selama 300 menit atau 5 jam dengan selang pengukuran 20 menit sekali. Setelah 5 jam kemudian, sampel dihancurkan dengan blender selama 2 menit dan diukur kembali konduktivitas listriknya. Proses pengukuran ion leakage dapat dilihat pada Gambar 17. Perubahan konduktivitas listrik dinyatakan dalam persen , yang diperoleh dari persamaan berikut : Perubahan konduktivitas listrik = × 100 ................................................. 40 Dimana X merupakan nilai konduktivitas listrik menit ke- n; n=20, 40, 60, …., 300 mSmenit dan Y merupakan nilai konduktivitas listrik akhir setelah diblender mSmenit. Gamabar 17. Peralatan dan tahap pengukuran konduktivitas listrik sampel buah mangga

3.5 Pengembangan Model Jaringan Syaraf Tiruan untuk Pendugaan Total

Padatan Terlarut dan Kekerasan Buah Mangga 3.5.1 Persiapan Data Data spektra NIR sampel buah mangga digunakan sebagai data masukan Jaringan Syaraf Tiruan. Data tersebut dinyatakan sebagai nilai reflektan. Dalam analisis digunakan nilai absorban yang Refraktometer aquades Titik pengukuran 30 diperoleh dari transformasi log1R nilai reflektan NIR buah mangga. Tahap selanjutnya dilakukan normalisasi 0-1 data absorban dan analisis komponen utama Principal Component analysis analisis tersebut dilakukan dengan program MINITAB R-15. Principal Component analysis PCA menghasilkan variabel baru dengan jumlah yang lebih sedikit namun tidak menghilangkan informasi yang ada pada variabel awal. Dalam model JST, data spektra akan digunakan sebagai variabel input berjumlah 1500 data setiap sampelnya. Jumlah data yang sangat banyak dapat menyulitkan kinerja JST sehingga diperlukan variabel baru hasil PCA yang mewakili variabel sebelumnya. Pelatihan yang dilakukan dalam penelitian ini, dilakukan secara berkelompok batch training. Dalam pelatian berkelompok ini, semua data masukan PC dan target TPT dan kekerasan harus disusun sebagai matriks. Dalam jaringan syaraf tiruan semua data untuk pendugaan dikelompokkan menjadi 2 set data, yaitu data pelatihan dan data pengujian. Kedua set data tersebut disusun dalam dua buah matriks yang berbeda. Diagram alir persiapan data dapat dillihat pada Lampiran 12.

3.5.2 Inisialisasi Jaringan

Arsitektur yang digunakan adalah jaringan syaraf tiruan lapis jamak dengan satu hidden layer. Siang 2009, menyatakan bahwa jaringan dengan sebuah hidden layer sudah cukup bagi jaringan untuk mengenali sembarang perkawanan antara masukan dan target. Jumlah neuron pada lapisan input adalah jumlah PC, dengan jumlah minimal neuron pada lapisan tersembunyi dihitung menggunakan Persamaan 39 Cheng-Lin, Y. et al. 2001 di dalam Mastur et al. 2005. Jumlah neuron pada lapisan output adalah satu, dimana neuron tersebut mewakili TPT atau kekerasan. Skematik jaringan syaraf tiruan yang digunakan dalam penelitian ini dapat dilihat pada Gambar 18. Algoritma pembelajaran yang digunakan adalah resilient backpropagation yang merupakan modifikasi dari backpropagation. Dalam melakukan pelatihan, jaringan syaraf tiruan diberikan data masukan dan data target atau supervised learning. Gambar 18. Skematik jaringan syaraf tiruan untuk menduga TPT dan kekerasan Pengembangan jaringan syaraf tiruan tersebut dilakukan dengan menggunakan program MATLAB version 7.7.0.471 R2008b. Langkah pertama pembangunan sebuah jaringan syaraf tiruan backpropagation dengan menggunakan Matlab adalah membuat inisiasi jaringan. Perintah yang digunakan untuk membentuk jaringan backpropagation adalah “newff” dengan sebagai berikut: net = newffPR,[S1 S2...Si],{TF1 TF2...Tfi},BTF,BLF,PF; I 1 I 2 In H 1 H 2 Hn O TPT atau Kekerasan Hidden Layer Input Layer Output Layer PC 1 1 31 dimana : net = jaringan backpropagation yang terdiri dari n lapisan PR = matriks ordo Rx2 yang berisi nilai minimum dan maksimum R buah elemen masukan Si 1,2,...,n = jumlah unit pada lapisan ke-I I = 1,2,...n Tfi I = 1,2,...n = fungsi aktivasi yang dipakai pada lapisan ke-i. Default = tansig BTF = fungsi pelatihan jaringan. Default = traingdx BLF = fungsi perubahan bobotbias. Default = learngdm PF = fungsi perhitungan error. Default = mse Dengan menggunakan perintah tersebut maka terbentuk jaringan dengan nama “net”. Fungsi aktivasi yang dipakai adalah sigmoid bipolar dalam Matlab dinyatakan sebagai “tansig”, sigmoid biner dalam Matlab dinyatakan sebagai “logsig”, dan identitas dalam Matlab dinyatakan sebagai “pureline”. Pelatihan yang dilakukan dalam Matlab dapat menggunakan berbagai fungsi, semuanya bertujuan untuk mempercepat pelatihan. Fungsi default yang dipakai Matlab adalah “traingdx”. Dalam penelitian ini digunakan fungsi resilient backpropagation dalam Matlab dinyatakan sebagai “trainrp”. Hal ini dilakukan karena pada metode standar backpropagation seringkali terlalu lambat dalam pelatihannya. Dalam backpropagation, perhitungan ujuk kerja dilakukan berdasarkan kuadrat rata-rata kesalahan MSE.

3.5.3 Inisialisasi Bobot

Dalam algoritma backpropagation diperlukan inisiasi pembobot awal. Bobot awal akan mempengaruhi pencapaian titik minimum lokal atau global, dan kecepatan konvergensinya. Setiap kali membentuk jaringan backpropagation, Matlab akan merubah nilai bobot dan bias awal dengan bilangan acak kecil. Nguyen dan Widrow 1990 dalam Siang 2009 mengusulkan cara membuat inisiasi bobot dan bias ke unit tersembunyi sehingga menghasilkan iterasi lebih cepat. Perintah yang digunakan adalah sebagai berikut : net = initnwnet, 1; Dengan perintah tersebut, Matlab secara otomatis akan menginisialisasi bobot berdasarkan algoritma inisialisasi bobot Nguyen dan Widrow. Dalam perintah tersebut angka “1” menunjukkan bobot yang menuju lapisan tersembunyi akan diinisiasi dengan bobot hasil algoritmma Nguyen dan Widrow. Untuk yang dari lapisan tersembunyi ke lapisan output, tambahkan lagi perintah tersebut namun angka “1” dirubah menjadi angka “2” untuk kasus dalam penelitian ini, karena hanya menggunakan satu hidden layer.

3.5.4 Pelatihan Jaringan

Jika jaringan sudah diinisiasi bobot dan bias awalnya, maka jaringan tersebut dapat dilatih. Dengan menggunakan Matlab, pelatihan jaringan dapat dilakukan dengan mudah yaitu dengan menggunakan perinta h “train”. Ada beberapa parameter pelatihan yang dapat diatur sebelum pelatihan dilakukan agar memperoleh hasil yang lebih optimal. Pengaturan parameter dengan fungsi pelatihan resilient backpropagation dapat dilakukan dengan mudah menggunakan MATLAB, seperti ditunjukkan pada Tabel 4. 32 Nilai pada parameter delt_inc, delt_dec, delta0, dan deltamax merupakan default dalam Matlab ketika membuat jaringan dengan fungsi pelatihan “trainrp”. Nilai pada paremeter tersebut juga merupakan nilai yang memberikan hasil yang optimum Febrianty et al. 2007. Kondisi pemberhentian dari jaringan tersebut berdasarkan nilai Mean Square Error MSE, dimana Mean Square Error MSE lebih kecil dari toleransi net.trainParam.goal yang telah ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum. Diagram alir untuk mendapatkan jaringan yang optimal dapat dilihat pada Lampiran 13. Tabel 4. Parameter yang digunakan dalam fungsi pelatihan resilient backpropagation Parameter Nilai net.trainParam.epochs 100000 net.trainParam.show 25 net.trainParam.showCommandLine net.trainParam.showWindow 1 net.trainParam.goal 0.0001 net.trainParam.min_grad 1.00E-06 net.trainParam.lr 0.1 net.trainParam.delt_inc 1.2 net.trainParam.delt_dec 0.5 net.trainParam.delta0 0.07 net.trainParam.deltamax 50

3.5.5 Simulasi Jaringan Pengujian jaringan

Hasil percobaan menunjukkan bahwa backpropagation yang sudah dilatih dengan baik akan menghasilkan keluaran yang masuk akal jika diberi masukan yang serupa tidak harus sama dengan pola yang dipakai dalam pelatihan. Seperti halnya pelatihan pada jaringan backpropagation, pengujian juga memiliki tahapan yang terstruktur. Setelah pelatihan selesai, jaringan dapat digunakan untuk pengenalan pola. Dalam hal ini, hanya propagasi maju saja yang dipakai untuk menentukan keluaran jaringan Siang 2009. Karena tujuan dari proses pengujian hanya untuk mencari keluaran bukan untuk melakukan perubahan bobot dan minimasi error. Perintah “sim” dalam Matlab digunakan untuk pengujian jaringan yang sudah di latih dengan menggunakan set data pengujian validasi.

3.5.6 Validasi dan Perhitungan Error

Validasi dan perhitungan error bertujuan untuk pengukuran akurasi dari model jaringan syaraf tiruan yang sudah disusun. Terdapat dua macam perhitungan error yang dapat dipakai, yaitu mean square error MSE untuk membandingkan hasil target jaringan dan mean absolute percentage error MAPE untuk menghitung persentase tingkat akurasi jaringan. Dalam penelitian yang digunakan adalah MSE. Jenis validasi yang digunakan pada penelitian ini adalah validasi silang cross validation. Validasi silang merupakan suatu metode statistik yang digunakan menganalisa dan mengukur keakuratan hasil percobaan pada data independen. Metode ini membagi sebuah data menjadi beberapa subdata yang selanjutnya subdata satu digunakan untuk mengkonfirmasi kebenaran sub data yang lainnya. 33 MSE merupakan salah satu dari beberapa macam perhitungan error yang sering dipakai. MSE merupakan rata-rata kuadrat dari selisih antara output jaringan dengan target output. Tujuan utama dari pembuatan jaringan syaraf tiruan adalah memperoleh nilai error sekecil-kecilnya dengan secara iteratif mengganti nilai bobot yang terhubung pada semua neuron yang ada di jaringan syaraf tiruan. Rumus dari MSE yang digunakan pada metode jaringan syaraf tiruan dapat dilihat pada Persamaan 41. � = − 2 ..................................................................................................... 41 dimana m adalah jumlah pola yang akan dihitung, n c adalah nilai sebenarnya, dan n d adalah nilai duga JST. Selain MSE parameter untuk menentukan kecocokan model JST yang sudah terbentuk adalah Standard Error SE dan Coefficient of Variation CV. Standard Error SE merupakan selisih antara nilai hasil dugaan dengan nilai sebenarnya. Model dengan nilai SE yang mendekati nol menunjukkan model tersebut mampu memprediksi dengan baik. Coefficient of Variation CV menunjukkan besarnya error sebanding dengan rata-rata hasil pengukuran data aktual. Mattjik et al. 2006 menyatakan, nilai CV bergantung pada bidang studi yang digeluti, misal untuk bidang pertanian nilai CV yang dianggap wajar adalah 20-25 , namun jika percobaan dilakukan di laboratorium nilai CV diharapkan jauh lebih kecil karena sebagian kondisi lingkungan dalam keadaan terkontrol. Standard Error SE dan Coefficient of Variation CV dihitung dengan persamaan berikut: � = − 2 =1 .................................................................................................. 42 � = � Ȳ × 100 ....................................................................................................... 43 Dimana Y NIR adalah TPT atau kekerasan duga NIR, Y merupakan TPT dan kekerasan aktual, SE merupakan standart error, CV merupakan Coefficient of Variation, dan Ȳ merupakan rata-rata TPT dan kekerasan aktual. Dengan perintah “sim”, jika dalam set data pengujian terdapat nilai targetnya maka nilai error dan unjuk kerjanya dapat di hitung. Contoh keseluruhan perintah proses pelatihan dan pengujian suatu model jaringan syaraf tiruan dengan Matlab sebagai berikut ini : net = newffminmaxinput:, 1:11 ‟, [8 1], {„logsig‟, „purelin‟}, „trainrp‟, „learngdm‟, „mse‟; net.trainParam.show = 25; net.trainParam.epochs = 100000; net.trainParam.goal = 0.0001; net.trainParam.lr = 0.1; net.trainParam.showCommandLine = 0; net.trainParam.showWindow = 1; net.trainParam.min_grad = 1e-6; net.trainParam.delt_inc = 1.2; net.trainParam.delt_dec = 0.5; net.trainParam.delta0 = 0.07; net.trainParam.deltamax = 50.0; net = initnwnet, 1; net = initnwnet, 2; p = input:, 1:11; t = input:, 12; [net, tr] = trainnet, p ‟, t‟; save net net ; [Y, Pf, Af, E Perf]=simnet, a:, 1:11 ‟, [], [], a:, 12‟; 34 Dari serangkaian perintah tersebut, dihasilkan model jaringan dengan nama “net”. Jaringan tersebut memiliki satu lapisan tersembunyi dengan 8 neuron di lapisan tersembunyi. Neuron input yang digunakan adalah 11 dan neuron pada lapisan output adalah 1. Fungsi aktivasi dari lapisan input ke output adalah fungsi “logsig”, sedangkan fungsi aktivasi dari lapisan tersembunyi ke lapisan output adalah fungsi identitas atau ”pureline”. Perintah tersebut dilakukan sebanyak 100000 iterasi. Perlu diingat setiap selesai menuliskan perintah harus di akhir i dengan tanda titik koma “;” seperti pada bahasa pemrograman C.

3.6 Penentuan Gejala Chilling Injury Kerusakan Dingin

Saltveit 1989 menerangkan, bahwa gejala kerusakan dingin dapat diamati salah satunya dari kenaikan jumlah ion yang dikeluarkan dari membran sel ion leakage. Selain itu, gejala kerusakan dingin dapat dilihat dalam bentuk kegagalan pematangan, pematangan tidak normal, pelunakan prematur, kulit terkelupas, dan peningkatan pembusukan yang disebabkan oleh luka, serta kehilangan flavor yang khas. Gejala-gejala kerusakan dingin tersebut berbeda-beda tergantung pada jenis jaringan yang mengalami kerusakan Pantastico et al., 1986. Dalam penelitian ini gejala chilling injury diduga berdasarkan laju kebocoran ion ion leakage yang tertinggi. Selain itu efek yang ditimbulkan oleh gejala chilling injury juga digunakan untuk menentukan gejala chilling injury. Penentuan gejala chilling injury dilakukan dengan cara mengukur total persentase ion leakage berdasarkan nilai elektrokonduktivitas listrik dari potongan buah mangga. Karena yang dibutuhkan adalah laju ion leakage, maka dilakukan pendekatan dengan menggunakan kemiringan dari nilai total persentase ion leakage tiap menitnya. Kemiringan tersebut didapatkan dari persamaan garis lurus “Y=ax+b” dengan nilai “a” merupakan kemiringan dari garis lurus yang terbentuk, nilai “a” tersebut dijadikan laju perubahan ion leakage. Persamaan dicari setelah grafik sudah mulai menunjukkan linear yaitu setelah 20 menit. Sesuai dengan saran Saltveit 2002 yaitu, agar memulai mencari persamaan setelah grafik sudah mulai menunjukkan linear. Penentuan gejala chilling injury yang dilakaukan pada penelitian utama digunakan untuk menentukan efek yang diakibatkan oleh gejala chilling injury terhadap parameter mutu buah mangga yang diukur TPT dan Kekerasan. Parameter mutu yang merupakan efek dari gejala chilling injury, ditandai dan dipakai untuk menduga gejala chilling injury pada sampel buah monitoring pengukuran secara non-destruktif. Parameter mutu buah monitoring ini didapatkan dari hasil pendugaan dengan JST yang optimal. 35 Gambar 19. Diagram alir pelaksanaan penelitian Mangga varietas Gedong Pembersihan dan sortasi Pengukuran awal terhadap spektrum dan parameter mutu Penyimpanan Suhu 8 o C Suhu 13 o C Pengamatan parameter Ion leakage Parameter mutu 1. TPT 2. Kekerasan Suhu ruang 27 o C Pengukuran pantulan NIR Data pantulan Reflectance, R Data absorbansi log 1R PCA 23 total data untuk pembuatan model JST 13 total data untuk validasi model JST Pengembangan model JST Mulai Untuk penelitian utama. Penentuan chilling injury berdasarkan ion leakage dan melihat dampak kerusakan tersebut pada TPT dan kekerasan 36 Gambar 19. Diagram alir pelaksanaan penelitian lanjutan Input Data Pelatihan 1. Input Iterasi 2. Input Parameter Pembelajaran 3. Input Jumlah Unit di Lapisan Tersembunyi Inisiasi Pembobot Penjumlahan Pembobot di Lapisan Tersembunyi z _ in j Aktivasi z _ in j z j Penjumlahan Pembobot dilapisan output Y _ in k Perhitungan Error di Lapisan Output δ k Perhitungan Error di Lapisan Tersembunyi δ _ in j Aktivasi δ _ in j δ j Perhitungan Koreksi Pembobot Δw jk dan Δw ok Perhitungan Koreksi Pembobot ΔV jk dan ΔV oj A A Pengembangan model JST 37 Gambar 19. Diagram alir pelaksanaan penelitian lanjutan A A 1. Pembobot Baru di Lapisan Output w jk dan w ok 2. Pembobot Baru di Tersembunyi Output v jk dan v oj Input Data Pengujian 1. Root Mean Square Error RMSE 2. Nilai Penduga JST Pelatihan dan Pengujian Apakah RMSE dan R 2 Sesuai Target ? Ya Tidak Apakah RMSE dan R 2 Sesuai Target ? Tidak Ya Model JST optimal Input Data monitoring Kekerasan duga buah monitoring TPT duga buah monitoring Penentuan chilling injury pada buah monitoring menggunakan kekerasan dan TPT duga dari JST, berdasarkan TPT dan kekerasan ketika penyimpanan suhu 8 o C pada penelitian utama 38 IV. HASIL DAN PEMBAHASAN

4.1 Karakteristik Spektra NIR Buah Mangga Varietas Gedong Selama