4. Entropy tiap kriteria dihitung dengan rumus :
ln ln
1
ij j
ij ij
a a
x m
E
∑
=
dimana : 0 • E
j
• 1 5. Dispersi tiap kriteria dihitung dengan rumus :
D
j
= 1 - E
j
Karena diasumsikan total bobot adalah 1 maka untuk mendapatkan bobot tiap kriteria, nilai dispersi harus dinormalisasi dahulu sehingga :
∑
=
j j
j
D D
W
6. Setelah bobot dan nilai diperoleh maka dapat dilakukan penilaian kualitas produk pada setiap variabel dengan cara mengalikan nilai setiap variabel dengan
bobotnya masing-masing Ringkasan mengenai jenis, sumber, metode pengumpulan data, teknik yang
digunakan dalam pengolahan data dan prosedur pelaksanaan kegiatan dapat dilihat pada Lampiran 1.
3.3.4 Penerapan Sistem Pakar dan Jaringan Syaraf Tiruan A. Penerapan Sistem Pakar
1. Konseptualisasi Pengetahuan
Hasil akuisisi pengetahuan dari ahli dan pengetahuan dari studi pustaka disusun menjadi suatu struktur yang menggambarkan permasalahan. Untuk
memudahkan pemahaman tentang permasalahan yang dihadapi maka struktur pengetahuan dapat dipilah-pilah menjadi bagian-bagian yang lebih kecil. Selain itu,
struktur pengetahuan yang disusun juga berfungsi sebagai umpan balik bagi ahli untuk memeriksa kebenaran, kelengkapan dan konsistensi pengetahuan serta untuk
mempertahankan antusiasme ahli dalam pengembangan model.
2. Tahap Representasi Pengetahuan
Tahapan representasi pengetahuan dilakukan dalam bentuk basis pengetahuan dan mekanisme inferensi. Pembuatan program dilakukan dalam
bentuk kaidah-kaidah yang selanjutnya mengolah fakta menjadi kesimpulan. Representasi pengetahuan secara sistematis dapat disajikan dalam bentuk kaidah
produksi yang didefinisikan dengan rule yang dinyatakan dalam bentuk if then. if adalah “premis” dan then adalah “konklusi”. Selanjutnya kedua premis ini dapat
dihubungkan dalam bentuk and. Kaidah-kaidah if then dapat dibuat dari beberapa kondisi dan beberapa akibat menjadi bentuk if F
1
is A
1
and F
2
is A
2
then Z is K dan seterusnya.
BASIS PENGETAHUAN
B. Penerapan Jaringan Syaraf Tiruan 1. Perancangan Arsitektur Jaringan
Arsitektur jaringan syaraf tiruan yang digunakan dalam penelitian ini adalah multiple-layer systems. Layer pertama adalah layer yang menerima sinyal input,
disebut layer input. Satu layer lagi adalah layer yang memancarkan output, dinamakan layer output. Diantara keduanya terdapat beberapa satu atau lebih
layer lagi yang disebut layer hidden, disebut sebagai layer hidden karena sifatnya yang internal dan tidak ada hubungan langsung dengan luar jaringan.
2. Pemilihan Metode Belajar
Dalam penelitian ini metode belajar yang dipilih adalah jaringan propagasi balik. Pemilihan metode belajar ini disebabkan oleh beberapa keunggulan yang
dimiliki jaringan propagasi balik yaitu diantaranya : algoritma belajar yang efektif, mudah dapat belajar dan mempunyai kemampuan generalisasi yang bagus.
DOMAI N E XPER T
KNOW L E DGE E NGI NEE R
Data, masalah, pertanyaan
Pengetahuan, konsep, pemecahan
Gambar 9. Proses Akuisisi Pengetahuan dalam Sistem Pakar Waterman, 1986
Sebaliknya, beberapa titik lemah dari jaringan ini adalah waktu belajar yang relatif lama dan dibutuhkan vektor latihan yang jumlahnya cukup banyak.
Metode belajar jaringan propagasi balik terdiri dari dua fase penting, yang pertama adalah fase maju dimana sinyal dari input akan dibawa melalui layer hidden
untuk mendapatkan output jaringan. Output jaringan kemudian dibandingkan dengan target yang kita miliki dan mendapatkan error. Setelah itu yang kedua adalah fase
mundur, yaitu menggunakan error yang didapat untuk merubah bobot dengan memancarkannya mundur, layer per layer.
Algoritma belajar jaringan syaraf propagasi balik, mengandung beberapa hal yang harus diperhatikan.
• Pertama, pemilihan bobot awal pada saat inisialisasi harus dilakukan dengan
hati-hati karena pemilihan bobot yang keliru akan menyebabkan tidak ditemukannya minimum dari fungsi error. Bobot yang baik adalah bobot yang
tersebar secara normal dan tidak terlalu besar. Biasanya dipilih bilangan random antara –0,5 dan 0,5. Bobot yang besar akan mendorong input untuk suatu
neuron menjadi ekstrim besar atau ekstrim kecil yang akan disaturasikan oleh fungsi transfer.
• Kedua, pemilihan learning rate. Apabila learning rate yang dipilih terlalu besar
maka pencarian minimum fungsi error akan sulit karena terjadi osilasi di sekitar minimum itu. Sebaliknya pemilihan learning rate yang terlalu kecil akan
menyebabkan waktu yang ditempuh menjadi lama.
• Keempat, fungsi aktivasi. Fungsi aktivasi yang dipakai dalam metode belajar ini
disesuaikan dengan sifat-sifat yang dikehendakinya yaitu harus kontinu dan dapat diturunkan. Pemilihan fungsi aktivasi juga sangat bergantung dari aplikasi
yang dirancang.
• Kelima, momentum. Penambahan momentum pada bagian penyetelan bobot
dilakukan untuk mempercepat ditemukannya minimum global dari fungsi error
dan menghindari terjebak pada minimum lokal.
BAB 4 ATRIBUT KUALITAS SUSU PASTEURISASI
4.1 Pengumpulan Data 4.1.1 Data Tingkat Kepentingan Atribut Kualitas Susu Pasteurisasi
Pembobotan dilakukan untuk mengukur tingkat kepentingan setiap atribut kualitas yang digunakan di industri dan standar nasional. Keterbatasan biaya, waktu
dan sumber daya manusia menyebabkan tidak semua pengujian mutu dapat dilakukan secara rutin, oleh karena itu harus diukur tingkat kepentingan masing-
masing atribut dengan tepat. Penentuan tingkat kepentingan masing-masing atribut penilaian kualitas susu
pasteurisasi dilakukan berdasarkan beberapa pendapat pakar yang diwakili pakar dari praktisi, akademisi dan birokrasi. Selanjutnya data tingkat kepentingan ini
dianalisis sebagai dasar dalam penyusunan atribut yang digunakan dalam pembangunan prototipe sistem penilaian dan prediksi kualitas susu pasteurisasi.
Perhitungan entropy atribut penilaian kualitas bahan baku, proses serta penyimpanan dan pengemasan produk jadi dapat dilihat pada Lampiran 5.
4.1.1.1 Data Tingkat Kepentingan Atribut Penilaian Kualitas Bahan baku
Rekapitulasi hasil perhitungan atribut penilaian kualitas bahan baku berdasarkan syarat mutu fisik dan kimia susu segar disajikan pada Tabel 10. Tabel
tersebut menunjukan bahwa keasaman dan uji organoleptik memiliki rata-rata entropy yang paling tinggi dibandingkan dengan atribut lainnya.
Tabel 10. Tingkat Kepentingan Atribut Syarat Mutu Fisik dan Kimia Susu Segar
No Atribut
Rata-rata Entropy
1 Berat jenis 0,0540
2 Uji alkohol 0,0550
3 Kadar lemak 0,0540
4 Titik beku 0,0490
5 Keasaman 0,0561
6 pH 0,0525
7 Kadar bahan kering 0,0525
8 Kadar bahan kering tanpa lemak 0,0525
