42
Persiapan data lebih lanjut untuk input JST ada bermacam-macam bentuknya termasuk diantaranya adalah melakukan normalisasi 0-1 dan analisa komponen utama Principal Component
Analysis.
4.2.1 Normalisasi Data
Untuk mengurangi error yang terjadi selama pengukuran spektra NIR dan untuk memperjelas datanya, perlu dilakukan pengolahan lebih lanjut. Salah satu pengolahan spektra yang dapat dilakukan
adalah pengolahan dengan normalisasi data spektra pada rentang 0-1. Hal ini dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai
penyerapan dan pantulan radiasi NIR serta memproporsionalkan nilai spektra dari dua atau lebih nilai spektra yang memiliki kandungan yang sama. Hasil normalisasi 0-1 spektra absorban ditunjukkan
pada Gambar 25 yang memperlihatkan nilai tertinggi selalu 1 dan nilai terendah selalu 0. Pada Gambar 26 terlihat kurva original pada 3 kondisi suhu berbeda tingkat penyerapannya.
Hal ini terlihat pada panjang gelombang 1920-1940 nm dan 1420-1480 nm kurva tersebut, puncak penyerapannya berbeda. Setelah dilakukan normalisasi ketiga kurva tersebut pada panjang
gelombang 1920-1940 nm menjadi sama jumlah penyerapannya dalam kurva terlihat menjadi berhimpit. Sedangkan pada panjang gelombang 1420-1480 nm yang berhimpit hanya kurva suhu 8
o
C dan 13
o
C artinya suhu 8
o
C dan 13
o
C memiliki jumlah kandungan gula yang sama. Ini berarti ketiga sampel digambarkan dengan kurva menyerap energi dari radiasi NIR dengan persentase
yang sama namun jumlahnya berbeda, sesuai dengan kandungan kimia pada masing-masing sampel. Jika terjadi perbedaaan ukuran sampel maka nilai yang diserap akan berbeda, tetapi perbedaan
serapannya memiliki persentase yang sama.
Gambar 25. Kurva normalisasi spektrum absorban sampel buah mangga varietas Gedong
43
Gambar 26. Kurva spektrum absorban NIR original dan spektrum absorban NIR normalisasi 3 suhu penyimpanan 8
o
C, 13
o
C, dan 27
o
C pada sampel buah mangga varietas Gedong
4.2.2 Analisis Komponen Utama
Setelah melakukan persiapan data berupa memperbesar interval spektra menjadi 0.8 nm dan normalisasi data 0-1, untuk menjadi data masukan dalam jaringan syaraf tiruan ternyata diperlukan
reduksi data lagi. Jika masukan suatu jaringan syaraf tiruan terlalu banyak maka menyebabkan jaringan syaraf tiruan gagal mencapai konvergensi dan memperlambat proses pelatihannya. Dalam
penelitian ini metode reduksi data yang digunakan adalah analisis komponen utama. Data spektrum absorban hasil dari transformasi data pantulan NIR menghasilkan sebanyak 333
titik pengukuran dengan 751 panjang gelombang per titik pengukuran. Sebanyak 11 komponen utama diekstrak dari data absorban NIR buah mangga menggunakan program MINITAB R-15. Untuk
melihat persentase yang diwakili variasi oleh masing-masing komponen utama dapat dilihat pada Gambar 27.
Gambar 27. Kurva jumlah komponen utama dan persentase informasi yang diwakili pada analisis komponen utama panjang gelombang NIR mangga varietas Gedong
78 82
86 90
94 98
1 2
3 4
5 6
7 8
9 10
11
V a
ri a
si Ku
m u
la ti
f
Komponen Utama
44
Komponen utama pertama PC1 mewakili sebanyak 78,7 dari informasi yang ada pada 751 panjang gelombang. Sedangkan komponen utama kedua PC2 mewakili 8.7 dan seterusnya hingga
komponen utama ke sebelas PC11 mewakili 0.2. Total variasi keseluruhan komponen utama sebesar 98.1 pada PC11. Jika diteruskan maka informasi yang terwakili semakin kecil atau total
variasinya mencapai 100. Ini karena informasinya sudah terwakili oleh komponen utama sebelumnya. Meskipun pada PC11 belum mencapai 100 variasi kumulatifnya, namun dengan 98.1
sudah mewakili informasi yang ada pada 751 panjang gelombang. Hasil dari program MINITAB tersebut hanya didapatkan bobot dari masing-masing komponen
utama. Bobot tersebut belum dapat digunakan sebagai masukan dalam jaringan syaraf tiruan. Untuk itu perlu dilakukan perkalian matrik antara matrik spektra NIR buah mangga dengan matrik bobot
yang dihasilkan dari analisis komponen utama. Hasil perkalian matriks tersebut merupakan data komponen utama yang siap digunakan sebagai masukan dalam jaringan syaraf tiruan Lampiran 2, 3,
4, 5, 6, 7, 8, dan 9.
4.2.3 Hasil Distribusi Set Data
