45
Untuk itu perlu data tambahan. Data tambahan yang digunakan adalah data pada penelitian pendahuluan. Data tersebut diambil bersamaan dengan data monitoring, sehingga informasi yang ada
ketika pengambilan data dapat diketahui oleh model. Diharapkan dengan penambahan data pendahuluan tersebut, model dapat menduga TPT dan kekerasan menggunakan spektrum buah
mangga monitoring. Distribusi data setelah dilakukan update data ditunjukkan pada Tabel 7. Tabel 7. Distribusi data pada set data yang sudah ditambah dengan set data pendahuluan
Parameter mutu Pelatihan
Validasi Jumlah
data Rata-rata
Standar deviasi
Jumlah data
Rata-rata Standar
deviasi Total padatan terlarut
o
Brix 246
11.233 2.622
123 11.166
2.378 Kekerasan kgf
246 2.188
1.421 123
2.17 1.285
4.3 Pengembangan Model Jaringan Syaraf Tiruan untuk Pendugaan Total
Padatan Terlarut dan Kekerasan Buah Mangga Varietas Gedong Selama Penyimpanan
Pendugaan total padatan terlarut dan kekerasan buah mangga varietas Gedong menggunakan model jaringan syaraf tiruan dengan tiga lapisan termasuk multi layer artificial neural network yang
terdiri dari lapisan input, satu lapisan tersembunyi, dan lapisan output. Jumlah node atau neuron pada lapisan input adalah 11 buah, jumlah ini didasarkan pada jumlah komponen utama PC yang sudah
dipilih. Jumlah node yang digunakan dalam lapisan tersembunyi setelah mempertimbangkan jumlah minimalnya berdasarkan Persamaan 39 adalah 6, 8, 10, dan 15 buah node. Sedangkan jumlah node
yang digunakan dalam lapisan output adalah 1, yang mewakili TPT atau kekerasan sebagai target. Agar model jaringan syaraf tiruan memperoleh hasil yang optimum maka digunakan algoritma
resilient backpropagation yang merupakan modifikasi dari algoritma backpropagation. Dengan algoritma tersebut pelatihan dilakukan sebanyak 100000 iterasi d
an laju pembelajaran α sebesar 0.1. S
emakin besar nilai α maka algoritma menjadi tidak stabil dan mencapai titik minimum lokal. Pelatihan jaringan syaraf tiruan tersebut menggunakan 222 data absorbansi radiasi NIR sampel
mangga dan 111 data absorbansi radiasi NIR sampel mangga untuk pengujian. Perintah untuk membangun jaringan syaraf tiruan dalam Matlab disajikan dalam Lampiran 10 dan 11.
Jaringan syaraf tiruan yang dirancang untuk penentuan TPT dan kekerasan hanya dibedakan dalam pemilihan set data dan jumlah node pada lapisan tersembunyi, sedangkan parameter lainnya
sama. Jaringan yang baik adalah jaringan yang menghasilkan keluaran yang masuk akal jika diberi masukan yang serupa tidak harus sama dengan pola yang digunakan dalam pelatihan. Jaringan yang
dipilih adalah jaringan yang memberikan unjuk kerja yang stabil antara pelatihan dan pengujian atau selisih MSE antara kalibrasi dan validasi menghasilkan nilai yang kecil. Unjuk kerja yang stabil ini
menandakan bahwa jaringan sudah memiliki bobot yang stabil dan jaringan dapat digunakan untuk pendugaan selanjutnya. Nilai MSE yang merupakan unjuk kerja dari JST yang sudah dibuat R
serta R
2
yang dihasilkan dari jaringan syaraf tiruan untuk menduga TPT dan kekerasan dapat dilihat pada Tabel 8 dan Tabel 9.
46
Tabel 8. Nilai MSE, R dan R
2
serta selisih antara MSE kalibrisi dengan MSE validasi pada JST penduga TPT buah mangga selama penyimpanan
Input Layer
Hidden Layer
Output Layer
Kalibrasi Validasi
║MSEC-MSEP║
MSE R
2
R MSE
R
2
R 11
4 1
4.756 0.192
0.438 2.825
0.285 0.533
1.931 11
6 1
4.194 0.288
0.536 2.702
0.343 0.585
1.492 11
8 1
3.302 0.439
0.663 3.708
0.171 0.414
0.406
11 10
1 3.635
0.383 0.619
2.600 0.374
0.612 1.035
11 15
1 2.510
0.574 0.758
5.020 0.113
0.336 2.510
Gambar 28. Hasil kalibrasi dan validasi model JST terbaik untuk menduga TPT buah mangga selama penyimpanan
Berdasarkan Tabel 8 untuk menduga total padatan terlarut, jaringan yang memiliki selisih MSE kalibrasi dan validasi terkecil yaitu 0.406 adalah jaringan dengan susunan 11-8-1. Namun jika melihat
nilai R
2
dan R kalibrasi dari jaringan nilainya lebih besar dibandingkan dengan R
2
dan R validasi. Hal ini menandakan jaringan dengan susunan 11-8-1 untuk menduga TPT telah mengalami over fitting
dimana jaringan hanya mengenali data pelatihan saja. sehingga jaringan tersebut tidak baik untuk menduga TPT buah mangga. Selisih nilai MSE kalibrasi dan validasi yang terkecil selanjutnya yaitu
1.035 adalah jaringan dengan susunan 11-10-1. Selain selisih nilai MSE yang kecil jaringan ini memiliki nilai R
2
dan R kalibrasi validasi yang tidak jauh berbeda atau stabil. Berdasarkan kriteria tersebut Jaringan dengan susunan 11-10-1 dipilih sebagai jaringan syaraf tiruan paling optimal untuk
menduga TPT buah mangga selama penyimpanan. Nilai duga TPT yang dihasilkan oleh jaringan dengan susunan 11-10-1 dapat dilihat pada Gambar 28. Nilai duga TPT yang dihasilkan oleh jaringan
mendekati nilai pada pengukuran secara destruktif yang nilainya dapat dilihat pada nilai target Lampiran 1.
4.0
6.0 8.0
10.0 12.0
14.0
16.0
18.0 20.0
22.0
4.0 6.0
8.0 10.0 12.0 14.0 16.0 18.0 20.0 22.0
T P
T D
u g
a b
ri x
TPT Aktual brix
Kalibrasi Validasi
Duga = Aktual
47
Tabel 9. Nilai MSE, R dan R
2
serta selisih antara MSE kalibrisi dengan MSE validasi pada JST penduga Kekerasan buah mangga selama penyimpanan
Input Layer
Hidden Layer
Output Layer
Kalibrasi Validasi
║MSEC-MSEP║
MSE R
2
R MSE
R
2
R 11
6 1
1.075 0.455
0.674 0.530
0.691 0.831
0.546
11 8
1 1.040
0.473 0.688
1.101 0.487
0.698 0.061
11 10
1 1.019
0.483 0.695
1.687 0.275
0.525 0.668
11 15
1 0.765
0.612 0.783
1.358 0.353
0.594 0.593
Gambar 29. Hasil kalibrasi dan validasi model JST terbaik untuk menduga kekerasan buah mangga selama penyimpanan
Sedangkan untuk menduga kekerasan, jaringan syaraf tiruan paling optimal yang dipilih adalah jaringan dengan susunan 11-8-1. Dipilih skenario tersebut karena jaringan tersebut memiliki selisih
nilai MSE kalibrasi dan validasi yang kecil dibanding skenario yang lain yaitu 0.061. Begitu juga dengan nilai R
2
dan R kalibrasi validasi yang stabil, hal ini menunjukkan jaringan tidak mengalami over fitting dan layak digunakan untuk menduga kekerasan buah mangga. Nilai duga kekerasan yang
dihasilkan oleh jaringan dengan susunan 11-8-1 dapat dilihat pada Gambar 29. Walaupun nilai yang dihasilkan masih belum sempurna, namun nilai ini adalah yang paling mendekati pengukuran secara
destruktif Lampiran 1 dibanding keluaran dari skenarion lainnya.
4.4 Pendugaan Total Padatan Terlarut dan Kekerasan Pada Buah Monitoring
