PEMODELAN JARINGAN SARAF TIRUAN BACKPROPAGATION SIFAT BIOLISTRIK UNTUK

PENDUGAAN KANDUNGAN KADAR ALKOHOL VODKA PADA MINUMAN SARI BUAH JERUK

SKRIPSI

Oleh: NIEKE KHARISMA PUTRI

135100307111047

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS BRAWIJAYA MALANG

2017

i

PEMODELAN JARINGAN SARAF TIRUAN BACKPROPAGATION SIFAT BIOLISTRIK UNTUK

PENDUGAAN KANDUNGAN KADAR ALKOHOL VODKA PADA MINUMAN SARI BUAH JERUK

Oleh: NIEKE KHARISMA PUTRI

135100307111047

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN UNIVERSITAS BRAWIJAYA

MALANG 2017

iv

RIWAYAT HIDUP

Penulis dilahirkan di Malang pada

tanggal 13 Agustus 1994, anak ke-2 dari 2 bersaudara keluarga dari ayah yang bernama Sukamto dan Ibu Suwarni.

Penulis menyelesaikan pendidikan Sekolah Dasar di SDN Blimbing 3 Malang tahun 2006, kemudian melanjutkan ke Sekolah Menengah Pertama di SMPN 3 Malang dengan tahun kelulusan 2010, dan

menyelesaikan Sekolah Menengah Atas di SMA Negeri 4 Malang pada tahun 2013. Tahun 2013 penulis terdaftar sebagai mahasiswa S1 Teknologi Industri Pertanian di Universitas Brawijaya melalui jalur Minat dan Bakat (SPMK).

Pada tahun 2017 penulis telah behasil menyelesaikan pendidikannya di Universitas Brawijaya Malang, jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian. Pada masa pendidikannya, penulis pernah mengikuti berbagai kegiatan. Beberapa kegiatan tersebut antara lain divisi pendamping pada PKKFTP 2015 dan asisten praktikum PBAI.

v

Alhamdulillah, Terimakasih ya Allah Karya ini aku persembahkan kepada

Kedua orang tuaku, kakak dan keluarga Sahabat-sahabatku tersayang

vi

PERNYATAAN KEASLIAN TUGAS AKHIR

Yang bertanda tangan di bawah ini: Nama Mahasiswa : Nieke Kharisma Putri NIM : 135100307111047 Jurusan : Teknologi Industri Pertanian Fakultas : Teknologi Pertanian Judul : Pemodelan Jaringan Saraf Tiruan

Backpropagation Sifat Biolistrik untuk Pendugaan Kandungan Kadar Alkohol Vodka pada Minuman Sari Buah Jeruk

Menyatakan bahwa, Tugas Akhir dengan judul diatas merupakan karya asli penulis tersebut di atas. Apabila di kemudian hari terbukti pernyataan ini tidak benar saya bersedia dituntut sesuai hukum yang berlaku. Malang, 8 Agustus 2017 Pembuat Pernyataan, Nieke Kharisma Putri NIM 135100307111047

Nieke Kharisma Putri. 135100307111047. Pemodelan Jaringan Saraf Tiruan Backpropagation Sifat Biolistrik Untuk Pendugaan Kandungan Kadar Alkohol Vodka Pada Minuman Sari Buah Jeruk. TA. Dosen Pembimbing : Dr. Sucipto, STP., MP. dan Danang Triagus Setiyawan, ST., MT

vii

RINGKASAN

Seiring perkembangan industri pangan, banyak terdapat inovasi pangan (baik berupa makanan dan minuman) yang dalam proses pembuatannya, ditambah dengan alkohol. Salah satu contoh minuman yang sering dicampur dengan alkohol adalah minuman sari buah. Minuman sari buah yang sering digunakan adalah jeruk, lemon maupun berry sedangkan alkohol yang digunakan adalah vodka plain. Mayoritas masyarakat Indonesia adalah muslim, sehingga dari segi kehalalan, minuman yang mengandung alkohol tersebut termasuk khamr. Diperlukan teknik deteksi untuk menduga kandungan alkohol dalam minuman sari buah. Metode deteksi yang digunakan banyak berbasis chromatography maupun spectrum. Metode tersebut memiliki kelemahan yaitu: harga relatif mahal serta dibutuhkan tenaga ahli. Kelemahan metode berbasis chromatography maupun spectrum memberikan peluang untuk mengembangkan metode yang lebih terjangkau dan fleksibel, yaitu metode dielektrik. Sifat biolistrik bahan diukur menggunakan LCR meter dan rangkaian plat kapasitor. Data biolistrik diolah menggunakan Jaringan Saraf Tiruan (JST). Penelitian ini bertujuan untuk menduga kadar alkohol vodka pada minuman sari buah jeruk yang telah dibuat berdasar pemodelan. Proporsi vodka yang ditambahkan pada minuman sari buah, yaitu: 0%:100%; 5%:95%; 10%:90%; 15%:85%; 20%:80%; 25%:75%; dan 100%:0%. Pengukuran sifat biolistrik dilakukan dengan frekuensi, yaitu: 100, 120, 1000, dan 10000

Nieke Kharisma Putri. 135100307111047. Pemodelan Jaringan Saraf Tiruan Backpropagation Sifat Biolistrik Untuk Pendugaan Kandungan Kadar Alkohol Vodka Pada Minuman Sari Buah Jeruk. TA. Dosen Pembimbing : Dr. Sucipto, STP., MP. dan Danang Triagus Setiyawan, ST., MT

viii

Hz. Parameter input yang digunakan adalah data biolistrik dan output berupa pengukuran kadar alkohol, pH, dan brix.

Hasil penelitian menunjukkan nilai induktansi meningkat seiring peningkatan frekuensi. Nilai kapasitansi, resistansi, dan impedansi menurun seiring peningkatan frekuensi. Penambahan vodka pada minuman sari buah jeruk memberikan pengaruh terhadap kadar alkohol, pH, dan brix. Topologi Jaringan Saraf Tiruan terbaik untuk pendugaan kadar alkohol vodka pada minuman sari buah jeruk adalah 4-30-20-3 (4 node input, 30 node hidden layer 1, 20 node hidden layer 2, dan 3 node output) dengan fungsi aktivasi tansig untuk hidden layer 1 dan 2, purelin untuk output layer, fungsi pembelajaran trainlm, dengan 0.1 learning rate dan 0.9 momentum; goal 0.001. Topologi Jaringan Saraf Tiruan terbaik memberikan nilai MSE training 8.9150E-04, R training 0.99897, MSE validasi 9.8666E-04, dan R validasi 9.8666E-04 dengan waktu 1 detik dan 9 iterasi. Metode dielektrik dan Jaringan Saraf Tiruan dapat diimplementasikan sebagai metode pendugaan kadar alkohol yang mudah serta biaya yang lebih terjangkau dengan tingkat akurasi yang cukup tinggi.

Kata Kunci : backpropagation, biolistrik, Jaringan Saraf

Tiruan, kadar alkohol, minuman sari buah, vodka.

Nieke Kharisma Putri. 135100307111047. Artificial Neural Network Modeling Backpropagation Bioelectric Properties for Vodka Alcohol Content Estimation In Citrus Fruit Juice Drinks. Minor Thesis. Supervisor : Dr. Sucipto, STP., MP. and Danang Triagus Setiyawan, ST., MT

ix

SUMMARY

At the same time as the development of the food industry, there are many food innovations (both food and beverages) in the process of making it, those are added by alcohol. The example of a drink that often mixed with alcohol is citrus, lemon, and berry juice drink, while the alcohol used is plain vodka. The majority of Indonesian people are Muslim, so in terms of halal, drinks that containing alcohol is classified khamr. Detection techniques are required to estimate the alcohol level in Citrus juice drink. The detection methods are used mostly based of chromatography or spectrum. These methods have weakness, namely: the price is relatively expensive and needed experts. The weakness of chromatography and spectrum-based methods provide an opportunity to develop more affordable and flexible methods, namely the dielectric method. The properties of the bioelectrical of the material are measured by an LCR meter and a series of capacitor plates. The bioelectrical data is processed by Artificial Neural Network (ANN).

This study aims to estimate the alcohol level of vodka in Citrus juice drink that has been made based on modeling. The proportions of vodka added to fruit juice are: 0%: 100%; 5%: 95%; 10%: 90%; 15%: 85%; 20%: 80%; 25%: 75%; and 100%: 0%. Measurement of bioelectrical properties is done by the frequency, namely: 100, 120, 1000, and 10000 Hz. The input parameters are used bioelectrical and output data in the form of measurement of alcohol, pH, and brix.

Nieke Kharisma Putri. 135100307111047. Artificial Neural Network Modeling Backpropagation Bioelectric Properties for Vodka Alcohol Content Estimation In Citrus Fruit Juice Drinks. Minor Thesis. Supervisor : Dr. Sucipto, STP., MP. and Danang Triagus Setiyawan, ST., MT

x

The results of the research showed that the value of inductance increases at the same time as increasing frequency. The value of capacitance, resistance, and impedance decreases with increasing frequency. The addition of vodka in Citrus juice drink has an effect on alcohol level, pH, and brix. The best Neural Network Topologies for estimating vodka alcohol level in Citrus juice drink are 4-30-20-3 (4 node input, 30 node hidden layer 1, 20 node hidden layer 2, dan 3 node output) with the tansig activation function for Hidden layer 1 and 2, purelin for output layer, trainlm learning function, with 0.1 learning rate and 0.9 momentum; Goal 0.001. The best Neural Network Topology gives the value of MSE training 8.9150E-04, R training 0.99897, MSE validation 9.8666E-04, and R validation 9.8666E-04 in 1 second and 9 iteration. The Dielectric Method and Artificial Neural Networks can be implemented as a convenient method of estimating alcohol level and more affordable cost with a high degree of accuracy. Keywords:backpropagation, bioelectrical, Artificial Neural

Network, alcohol content, juice drink, vodka.

xi

KATA PENGANTAR Puji syukur atas kehadirat Tuhan Yang Maha Esa

Karena berkat limpahan rahmat-Nya penulis dapat menyelesaikan Tugas Akhir (TA) yang berjudul “Pemodelan Jaringan Saraf Tiruan Backpropagation Sifat Biolistrik untuk Pendugaan Kandungan Kadar Alkohol Vodka pada Minuman Sari Buah Jeruk”. Penyusunan TA dilakukan guna memenuhi syarat untuk mencapai gelar Sarjana Teknologi pertanian. Pada kesempatan kali ini, penulis ingin mengucapkan terimakasih yang sebesar-besarnya kepada orang-orang serta lembaga yang secara langsung maupun tidak langsung telah memberikan bantuan kepada penulis untuk menyelesaikan TA ini, yaitu:

1. Allah SWT yang selalu memberikan limpahan karunia dan hidayah serta belas kasih-Nya.

2. Bapak Dr. Sucipto, STP, MP dan Bapak Danang Triagus Setiyawan, ST,MT. selaku dosen pembimbing yang telah meluangkan waktu untuk memberikan bimbingan dan pengarahan kepada penulis.

3. Bapak Mas’ud Effendi, STP,MP., selaku dosen penguji yang telah memberi saran serta bimbingan kepada penulis.

4. Bapak Dr. Sucipto, STP, MP selaku Ketua Jurusan Teknologi Industri Pertanian

5. Ibu Siti Asmaul Mustaniroh, STP., MP selaku Sekretaris Jurusan Teknologi Industri Pertanian

6. Ibu, Bapak, Kakak, serta keluarga yang memberi doa, dan semangat tiada henti.

7. Dielektrik cantik, Yuyun Rohmawati, Avidatur dan Rahma yang saling memotivasi, berbagi ilmu satu sama lain serta mas Arwani yang senantiasa sabar membantu dan membagikan ilmu

8. Teman-teman Kelas C TIP Angkatan 2013 yang memberikan doa dan dukungan

9. Teman-teman TIP Angkatan 2013 yang telah berjuang bersama-sama melewati masa-masa kuliah

xii

di TIP FTP UB dan saling membantu menyelesaikan tugas kuliah dan praktikum.

10. Teman-teman shalihah Widya Rahma, Fidela, Tata, Anis, Lail, Fany, Saviera, dan Rifka yang selalu mengingatkan dalam kebaikan.

11. Pihak-pihak yang tidak dapat disebutkan satu persatu yang telah membantu selama pengerjaan skripsi ini.

Penulis menyadari masih banyak terdapat kekurangan dalam penyusunan TA ini. Oleh Karena itu kritik dan saran diharapkan untuk perbaikan TA ini. Semoga TA ini dapat bermanfaat bagi penyusun dan semua pihak yang membutuhkan,

Malang, 8 Agustus 2017 Penulis,

Nieke Kharisma Putri

xiii

DAFTAR ISI

HALAMAN JUDUL ............................................................................................... i LEMBAR PERSETUJUAN .................................................................................. ii RINGKASAN .................................................................................................... iii SUMMARY …. ................................................................................................... iv DAFTAR ISI ................................................................................................................... v DAFTAR TABEL ............................................................................................... vii DAFTAR GAMBAR .......................................................................................... viii DAFTAR LAMPIRAN ......................................................................................... x I. PENDAHULUAN ........................................................................................ 1

1.1 Latar Belakang ..................................................................................... 1 1.2 Perumusan Masalah ............................................................................. 3 1.3 Tujuan .................................................................................................. 4 1.4 Manfaat ................................................................................................ 4

II. TINJAUAN PUSTAKA ................................................................................ 5 2.1 Sari Buah. ............................................................................................. 5 2.2 Khamr ................................................................................................... 8 2.3 Vodka ................................................................................................... 9 2.4 Biolistrik .............................................................................................. 10 2.4.1 Induktansi ................................................................................. 11 2.4.2 Kapasitansi ............................................................................... 12 2.4.3 Resistansi ................................................................................. 13 2.4.4 Impedansi ................................................................................. 14 2.5 Dielektrik ............................................................................................. 14 2.6 LCR Meter .......................................................................................... 17 2.7 Jaringan Syaraf Tiruan (JST) .............................................................. 18 2.7.1 Definisi Jaringan Saraf Tiruan (JST) ......................................... 18 2.7.2 Model Matematika Jaringan Saraf Tiruan .................................. 20 2.7.3 Karakteristik Jaringan Saraf Tiruan ........................................... 20 2.7.4 Arsitektur Jaringan Saraf Tiruan ................................................ 21 2.7.5 Algoritma Pembelajaran ............................................................ 22 2.7.6 Fungsi Aktivasi .......................................................................... 23 2.8 Algoritma Backpropagation ................................................................. 25 2.9 Penelitian Terdahulu ........................................................................... 26

III. METODE PENELITIAN ............................................................................ 28 3.1 Tempat dan Waktu Penelitian ............................................................ . 28 3.2 Alat dan Bahan Penelitian.............................................................. ...... 28 3.3 Batasan Masalah ................................................................................ 28 3.4 Prosedur Penelitian ............................................................................ 29

3.4.1 Tahap Pembuatan Alat ............................................................. 29 3.4.2 Tahap Pencampuran Sari Buah dan Vodka .............................. 30 3.4.3 Tahap Pengukuran Sifat Biolistrik ............................................. 30 3.4.4 Tahap Pengukuran Kadar Alkohol dalam Sari Buah ................. 32 3.4.5 Tahap Pengukuran pH .............................................................. 33 3.4.6 Tahap Pengukuran Brix ............................................................ 34 3.4.7 Tahap Perancangan Topologi Jaringan Saraf Tiruan ................ 35

xiv

IV. HASIL DAN PEMBAHASAN .................................................................... 40 4.1 Analisis Kandungan Kadar Alkohol, Ph, dan Brix pada Minuman

Sari Buah Jeruk dan Vodka ............................................................... 40 4.2 Analisis Hubungan Sifat Biolistrik pada Campuran Minuman Sari

Buah Jeruk dan Vodka .............................................. .......................... 43 4.3 Analisis Sensitivitas Jaringan Saraf Tiruan untuk Prediksi Kadar

Alkohol Vodka pada Minuman Sari Buah Jeruk .................................. 52 4.4 Analisis Hasil Prediksi Kadar Alkohol Vodka pada Minuman Sari

Buah Jeruk Menggunakan Topologi Jaringan Saraf Tiruan Terbaik............................................................................................... 57

4.5 Pemodelan Jaringan Saraf Tiruan ...................................................... 60 4.6 Perhitungan Model Jaringan Saraf Tiruan Secara Manual ................. 61 4.7 Potensi Implementasi Pengukuran Sifat Biolistrik dan Jaringan

Saraf Tiruan untuk Menduga Kadar Alkohol Vodka pada Minuman Sari Buah Jeruk .................................................................. 66

V. KESIMPULAN DAN SARAN .................................................................... 68 5.1 Kesimpulan ............................................................ ............................. 68 5.2 Saran.............................................................. ..................................... 68

DAFTAR PUSTAKA .......................................................................................... 69 LAMPIRAN ........................................................................................................ 76

xv

DAFTAR TABEL

Tabel 2.1 SNI Minuman Sari Buah .................................................................... 6 Tabel 2.2 Informasi Nilai Gizi Buavita Orange ................................................... 7 Tabel 3.1 Proporsi Campuran Sari Buah dan Vodka ....................................... 30 Tabel 3.2 Parameter Model Jaringan Saraf Tiruan .......................................... 36 Tabel 4.1 Kadar Alkohol Campuran Minuman Sari Buah Jeruk dan Vodka .... 40 Tabel 4.2 pH Campuran Minuman Sari Buah Jeruk dan Vodka ....................... 41 Tabel 4.3 Brix Campuran Minuman Sari Buah Jeruk dan Vodka .................... 42 Tabel 4.4 Kombinasi Topologi Jaringan Saraf Tiruan ...................................... 52 Tabel 4.5 Trial Error Pembagian Persentase Data Training dan Validasi ........ 53 Tabel 4.6 Trial Error Fungsi Pembelajaran ....................................................... 54 Tabel 4.7 Trial Error Fungsi Aktivasi................................................................. 55 Tabel 4.8 Trial Error Jumlah Node dan Hidden Layer ....................................... 56 Tabel 4.9 Tabel Input Grafik Jaringan Saraf Tiruan .......................................... 61 Tabel 4.10 Data Output pH, brix, dan Kadar Alkohol .......................................... 65 Tabel 4.8 Trial Error Jumlah Node dan Hidden Layer ....................................... 56

xvi

DAFTAR GAMBAR

Gambar 2.1 Plat Sejajar ................................................................................. 12

Gambar 2.2 Skema Kapasitor Plat Sejajar ...................................................... 13

Gambar 2.3a Aliran Listrik pada Kapasitor ........................................................ 16

Gambar 2.3b Muatan (+) dan Muatan (-) pada Permukaan Dielektrik ............... 16

Gambar 2.4 LCR Meter BK Precisions 878B/879B ......................................... 17

Gambar 2.5 Bagian-Bagian Lapisan (Layer) dalam JST ................................. 18

Gambar 2.6 Jaringan Lapis Tunggal ............................................................... 21

Gambar 2.7 Jaringan Lapis Banyak ................................................................ 21

Gambar 2.8 Jaringan Recurrent...................................................................... 22

Gambar 2.9 Fungsi Linear .............................................................................. 24

Gambar 2.10 Fungsi Sigmoid Biner .................................................................. 24

Gambar 2.11 Fungsi Sigmoid Bipolar ............................................................... 25

Gambar 3.1 Desain Plat Kapasitor .................................................................. 29

Gambar 3.2 Diagram Alir Pengukuran Sifat Biolistrik ...................................... 31

Gambar 3.3 Rangkaian Alat Pengukuran Sifat Biolistrik ................................. 32

Gambar 3.4 GUI LCR Meter ........................................................................... 32

Gambar 3.5 Refraktometer Alkohol 0-80% Trans Instruments ........................ 33

Gambar 3.6 pH Meter Trans Instruments ........................................................ 34

Gambar 3.7 Refraktometer PAL-3 ATAGO ..................................................... 34

Gambar 3.8 Pemodelan Jaringan Saraf Tiruan ............................................... 38

Gambar 3.9 Diagram Alir Pengembangan Topologi JST ................................ 39

Gambar 4.1 (a) Hubungan Frekuensi dan Induktansi (L) Campuran

Minuman Sari Buah Jeruk dan Vodka ......................................... 43

(b) Hubungan Induktansi dan Penambahan Persentase Alkohol

Vodka Campuran Minuman Sari Buah Jeruk dan Vodka ............. 43

Gambar 4.2 (a) Hubungan Frekuensi dan Kapasitansi Campuran Minuman

Sari Buah Jeruk dan Vodka ......................................................... 45

(b) Hubungan Kapasitansi dan Penambahan Persentase

Vodka Campuran Minuman Sari Buah Jeruk dan Vodka ............. 45

Gambar 4.3 Pengaruh Frekuensi terhadap Konstanta Dielektrik pada

Campuran Minuman Sari Buah Jeruk dan Vodka ........................ 47

Gambar 4.4 (a) Hubungan Frekuensi dan Resistansi Campuran Minuman

Sari Buah Jeruk dan Vodka ......................................................... 49

xvii

(b) Hubungan Resistansi dan Penambahan Persentase Vodka

Campuran Minuman Sari Buah Jeruk dan Vodka ........................ 49

Gambar 4.5 (a) Hubungan Frekuensi dan Impedansi Campuran Minuman

Sari Buah Jeruk dan Vodka ......................................................... 50

(b) Hubungan Impedansi dan Penambahan Persentase Alkohol

Vodka Campuran Minuman Sari Buah Jeruk dan Vodka ............. 51

Gambar 4.6 Plot Performa Pelatihan Jaringan Terbaik .................................... 58

Gambar 4.7 Plot Regresi Simulasi Jaringan Topologi Terpilih .......................... 59

(a) Simulasi Training ..................................................................... 59

(b) Simulasi Validasi ..................................................................... 59

Gambar 4.8 Topologi Jaringan Saraf Tiruan Terpilih ........................................ 60

xviii

DAFTAR LAMPIRAN

Lampiran 1. Data Input Grafik Sifat Biolistrik ..................................................... 76

Lampiran 2. Konstanta Dielektrik Campuran Minuman Sari Buah Jeruk dan

Alkohol Vodka .............................................................................. 77

Lampiran 3. Data Input dan Output ................................................................... 78

Lampiran 4. Data Training dan Validasi ............................................................ 81

Lampiran 5. Data Hasil Normalisasi ................................................................... 83

Lampiran 6. Tabel Trial Error Fungsi Aktivasi dan Fungsi Pembelajaran .......... 85

Lampiran 7. Source Code Jaringan Saraf Tiruan Backpropagation ................... 90

Lampiran 8. Bobot dan Bias Jaringan Saraf Tiruan ........................................... 93

Lampiran 9. Selisih Data Aktual dan Prediksi Kadar Alkohol, pH, dan Brix ....... 98

Lampiran 10. Dokumentasi Kegiatan .............................................................. 106

1

I. PENDAHULUAN

1.1 Latar Belakang Seiring perkembangan industri pangan, banyak tercipta

inovasi. Perkembangan tersebut antara lain mengadaptasi resep dari beberapa negara, berupa penambahan alkohol. Saat ini, banyak disajikan minuman yang mengandung alkohol maupun non alkohol di tempat-tempat pariwisata misalnya hotel, cafe, maupun restoran. Beberapa tempat tersebut ada yang menuliskan dengan jelas menu beralkohol, namun ada yang menambahkan alkohol tanpa adanya keterangan yang jelas. Salah satu yang sering ditambahkan pada minuman yaitu vodka. Permasalahan yang muncul dalam masyarakat yaitu banyak kontroversi terkait minuman yang mengandung alkohol yang diduga ditambahkan tanpa sepengetahuan konsumen. Mayoritas masyarakat Indonesia adalah muslim, sehingga dari segi kehalalannya minuman tersebut termasuk golongan khamr. Khamr adalah segala sesuatu yang memabukkan, saat ini khamr muncul dalam beragam nama seperti minuman beralkohol, liquor, rhum, vodka, anggur atau whisky (Malahayati, 2010).

Vodka adalah minuman beralkohol hasil fermentasi biji-bijian atau kentang, yang didestilasi. Vodka dibedakan menjadi 2, yaitu tanpa rasa dan memiliki rasa (Kerr, 2013). Kandungan alkohol pada vodka beragam, namun tergolong cukup tinggi yaitu mulai 35%-60%. Vodka banyak ditambahkan pada minuman sari buah, maupun minuman bersoda. Vodka memberikan cita rasa khas saat dicampur minuman mengandung gula. Takaran dari vodka yang ditambahkan biasanya hanya sedikit, namun pada jenis minuman cocktail mencapai 45 ml per 180 ml sari buah. Rasulullah pernah bersabda “Kullu muskarin khamrun, wa kullu khamrin haramun” (setiap yang memabukkan adalah khamr, dan setiap khamr adalah haram) [HR. Muslim, dari Ibnu Umar]. Hal tersebut menjadi masalah bila seorang muslim mengkonsumsi minuman

2

sari buah yang diduga mengandung alkohol misalnya vodka. Diperlukan suatu deteksi untuk menduga kandungan alkohol yang ada dalam minuman sari buah dengan berbagai takaran. Salah satu minuman sari buah yang biasa disajikan adalah jeruk. Kebanyakan menggunakan minuman kemasan dibanding buah asli. Minuman sari buah jeruk merupakan salah satu minuman yang selalu disajikan dan diminati. Cita rasa yang asam serta manis, memberikan sensasi tersendiri bagi konsumen. Minuman sari buah jeruk yang ditambahkan vodka cenderung memiliki rasa pahit sekaligus manis saat ditelan. Vodka juga akan memberikan sensasi soda saat dikonsumsi dengan minuman lain. Diperlukan sampel yang digunakan dalam pendugaan kandungan alkohol, sampel yang paling memungkinkan yaitu memodelkan sendiri campuran minuman sari buah dan vodka dengan beberapa proporsi agar diketahui perbedaannya.

Beberapa metode yang telah digunakan untuk mendeteksi kandungan alkohol yaitu salah satunya dengan mikrokontroler ATMega 8535. Metode tersebut menggunakan alat pengukur kadar alkohol dalam larutan yang mengandung alkohol menggunakan ATMega 8535, sensor alkohol TGS 2620, dan program Code Vision AVR. Hasil yang diperoleh yaitu pendeteksi mendapatkan hasil yang cepat dan mendekati akurat karena telah dikalibrasi. Pendeteksi memiliki rentang nilai kadar dari 0% sampai 97%, dengan toleransi pengukuran 2,5%. Pengukuran menggunakan alat ini, pada skala kecil lebih baik dari alat alkoholmeter (Adiprabowo et al., 2012). Alat tersebut memiliki beberapa kelemahan yaitu belum dijual dipasaran dan masih dalam tahap riset lebih lanjut untuk penyempurnaan. Terdapat pula beberapa metode fingerprinting, baik berbasis chromatography maupun spectrometry seperti GC-LC, SNIF-NMR, dan HPLC-UV. Penerapan GC-LC (gas chromatography-mass spectrometry) diterapkan pada penelitian untuk mendeteksi alkohol (methanol, ethanol, n-propanol, n-butanol, dan n-pentanol) pada fermentasi makanan Korea. GC-MS

3

digunakan untuk validasi kondisi presisi, akurasi, sensitivitas, dan linearitas guna memenuhi sertifikasi Halal Food (Park et al., 2016). Metode lain yaitu dengan SNIF-NMR (site-specificnatural isotopic fractionation by nuclear magnetic resonance), metode ini digunakan untuk deteksi adulteration. Adulteration yang ingin diketahui yaitu adanya campuran spirits molase pada spirits yang terbuat dari beras (Lai et al., 2014). Menurut penelitian (Montano et al., 2013), HPLC-UV (high performance liquid chromatography-ultraviolet) digunakan dalam menentukan alkohol pada tanaman yang mengandung essensial oil. Metode HPLC-UV digabungkan dengan GC-MS (gas chromatography-mass spectrometry) dan GC-FID (gaschromatography-flame ionization detector) untuk memperoleh hasil yang maksimal. Beberapa metode diatas memiliki kelemahan yaitu biaya pengujian yang mahal, proses pengujian yang panjang dan rumit serta dibutuhkan tenaga ahli untuk mengukur kadar alkohol pada sampel.

Berdasar beberapa alasan di atas, maka diperlukan alternatif metode yang lebih mudah digunakan, lebih terjangkau, fleksibel serta memiliki hasil yang cukup akurat. Metode yang berpotensi untuk pendugaan kadar alkohol yaitu dielektrik. Metode dielektrik merupakan metode yang secara langsung menggunakan dua buah plat sejajar, yang merupakan kapasitor. Metode ini memanfaatkan sifat dielektrik, berbasis listrik. Sifat dielektrik menunjukkan karakteristik bahan, dengan menunjukkan kemampuan bahan untuk menyimpan, menyalurkan, dan memantulkan energi gelombang elektromagnetik dengan keluaran berupa sifat biolistrik (Harmen et al., 2001). Pemilihan metode dielektrik karena diduga membantu deteksi kemurnian bahan. Sehingga diduga metode ini dapat pula digunakan untuk deteksi kemurnian minuman sari buah yang dicampur vodka. Kelebihan metode dielektrik yaitu dapat menjawab permasalahan serta sebelumnya belum pernah digunakan untuk mendeteksi kemurnian minuman yang tercampur dengan alkohol atau spesifiknya vodka. Metode

4

lanjutan yang digunakan yaitu JST (Jaringan Saraf Tiruan). Jaringan saraf tiruan menerangkan perolehan suatu hasil, sehingga dapat digunakan untuk menyelesaikan persoalan yang tidak terstruktur dan sulit didefinisikan (Hermawan, 2006). Jaringan saraf tiruan banyak digunakan dalam pemecahan masalah dari berbagai disiplin ilmu. Jaringan saraf tiruan sendiri diadaptasi dari sistem saraf manusia yang berpusat di otak. Jaringan saraf tiruan yang digunakan yaitu Backpropagation. Pemilihan tersebut karena Backpropagation dapat membantu dalam masalah prediksi. Penggabungan metode dielektrik dan JST diharapkan dapat menggambarkan hasil deteksi vodka yang ada pada minuman sari buah jeruk. Oleh karena itu penelitian menggunakan metode dielektrik dan JST penting dilakukan karena sangat membantu untuk menduga alkohol yang ditambahkan pada minuman sari buah jeruk dengan metode yang mudah dan harga yang lebih terjangkau.

1.2 Perumusan Masalah

Berdasar masalah dapat dirumuskan masalah penelitian sebagai berikut :

1. Bagaimana metode dielektrik mendeteksi kandungan vodka yang tercampur dalam minuman sari buah jeruk?

2. Apa pengaruh frekuensi pengukuran terhadap nilai sifat biolistrik minuman sari buah jeruk yan ditambahkan vodka?

3. Bagaimana membangun Jaringan Saraf Tiruan Backpropagation dengan arsitektur terbaik melalui analisis sensitivitas untuk prediksi kadar alkohol pada campuran sari buah jeruk dan vodka?

1.3 Tujuan Adapun tujuan penulisan tugas akhir ini yaitu :

1. Menentukan hubungan frekuensi terhadap nilai sifat biolistrik minuman sari buah jeruk yang ditambahkan alkohol vodka.

5

2. Mengetahui hubungan nilai sifat biolistrik terhadap minuman sari buah jeruk yang ditambahkan alkohol vodka.

3. Membuat model Jaringan Saraf Tiruan terbaik untuk memprediksi kandungan kadar alkohol, pH, dan brix.

1.4 Manfaat Manfaat dari penelitian ini yaitu :

1. Sebagai metode alternatif pendugaan kadar alkohol (vodka) pada minuman sari buah jeruk.

2. Pengaplikasian metode dielektrik untuk kegunaan sensor produk pangan yang diduga mengandung alkohol.

6

II. TINJAUAN PUSTAKA

2.1 Sari Buah Sari buah merupakan cairan buah (juice) jernih atau keruh yang tidak difermentasi dan diperoleh dari proses ekstraksi buah. Proses dilakukan secara mekanis dan memiliki karakteristik warna, bau, dan flavor seperti buah asalnya. Termasuk dalam kelompok sari buah adalah produk yang diperoleh dari konsentrat dengan karakteristik analisis dan sensorik sama dengan sari buah yang diperoleh dari buah (Satuhu, 2004). Berdasarkan teknologi proses yang digunakan, dikenal tiga bentuk akhir produk sari buah yaitu sari buah (juice), konsentrat (pekatan) sari buah, dan bubuk sari buah. Konsentrat atau pekatan sari buah memiliki konsentrasi total padatan yang lebih tinggi dibandingkan sari buah. Proses pemekatan dilakukan dengan menguapkan sebagian air dari sari buah menggunakan evaporator vakum. Bubuk sari buah diperoleh dengan mengeringkan konsentrat sari buah menggunakan pengering semprot (spray dryer) atau pengeringan beku (freeze dryer) (Winarno, 2004). Jenis-jenis sari buah yang beredar di pasar meliputi (Julianti, 2010) :

1. Sari buah segar kemasan, umumnya hanya boleh disimpan 7 hingga 10 hari karena tidak terdapat bahan tambahan dan pengawet. Produk ini jarang terdapat di pasar.

2. Sari buah murni, kebanyakan adalah sari buah murni yang kental dan dilarutkan dengan air. Setelah melalui proses steril dengan cara pemanasan, akan hilang sebagian vitamin dan akan ada perubahan rasa.

3. Konsentrat sari buah, sari buah ini mengandung banyak zat gula dan bahan tambahan. Rasa dapat diatur menurut selera dari konsumen.

4. Minuman sari buah, ada yang mengandung gas serta kadar sari buahnya berlainan.

7

Masing-masing negara memiliki standar mutu sari buah tersendiri untuk dapat dijual dan dikonsumsi masyarakat. Syarat mutu minuman sari buah terdapat pada SNI 01-3719-1995, syarat mutu dari sari buah dapat dilihat pada Tabel 2.1

Tabel 2.1 SNI Minuman Sari Buah

*dikemas dalam kaleng

Sumber : (SNI,1995)

Terdapat perbedaan antara sari buah, minuman sari buah, dan minuman rasa buah menurut BPOM. Perbedaan tersebut yaitu (Ishak, 2009) :

No Jenis Uji Satuan Persyaratan

1. Keadaan 1.1 Aroma 1.2 Rasa

- -

Normal Normal

2. Bilangan formol Ml NaOH 0,1N/100 ml

Min. 7

3. Cemaran Logam 3.1 Tembaga (Cu) 3.2 Timbal (Pb) 3.3 Timah (Sn) 3.4 Raksa (Hg)

mg/kg mg/kg mg/kg mg/kg

Maks. 5,0 Maks. 0,3

Maks. 40,0/250* Maks. 0,03

4. Cemaran Arsen (As) mg/kg Maks. 0,2

5. Cemaran Mikroba 5.1 Angka lempeng total 5.2 Bakteri bentuk Coli 5.3 Escherichia coli 5.4 Staphylococcus

aureus 5.5 Salmonella 5.6 Kapang 5.7 Khamir

Koloni/ml APM/ml APM/ml

Koloni/ml

Koloni/25 ml Koloni/ml Koloni/ml

Maks. 2.10

2

Maks. 20 < 3 0

Negatif Maks. 50 Maks. 50

8

1. Sari buah (fruit juice) adalah minuman yang isinya minimal mengandung 80% jus buah. Minuman ini mengandung sari buah yang lebih banyak dibanding minuman rasa buah dan biasanya memiliki tekstur yang lebih kental.

2. Minuman sari buah adalah minuman yang isinya minimal mengandung 35% jus buah. Minuman ini mengandung lebih banyak tambahan air dan biasanya memiliki tekstur lebih encer dibanding sari buah.

3. Minuman rasa buah adalah minuman yang isinya minimal mengandung 10% jus buah.

Terdapat beberapa merk yang beredar di pasar, salah satu yang banyak digunakan adalah Buavita. Buavita banyak digunakan di restoran maupun cafe. Alasan penggunaannya adalah kemudahan dalam penyajian serta lebih terjangkau dibanding menggunakan buah asli. Buavita termasuk kedalam minuman sari buah karena memiliki kandungan jus buah lebih dari 35%. Salah satu yang banyak dikonsumsi yaitu Buavita Orange. Dibuat dari buah jeruk pilihan dengan kandungan beberapa vitamin. Komposisi dari Buavita Orange yaitu air, sari buah (jeruk 32.5%, bulir jeruk 3.85%), sukrosa, penstabil nabati, pengatur keasaman asam sitrat, perisa identik alami jeruk, pewarna alami karoten CI 75130 (mengandung antioksidan alfa tokoferol), vitamin C dan vitamin A (mengandung antioksidan alfa tokoferol). Informasi nilai gizi Buavita Orange dapat dilihat pada Tabel 2.2.

9

Tabel 2.2 Informasi Nilai Gizi Buavita Orange

Takaran saji : 250 ml Jumlah sajian per kemasan : 1

JUMLAH PER SAJIAN Energi Total 120 kkal , Energi dari Lemak 0 kkal

Lemak Total Lemak Jenuh Protein Karbohidrat Total Serat Pangan Gula Natrium Kalium Vitamin A Vitamin C Vitamin B1 Vitamin B2 Vitamin B3 Vitamin B6

0 gr 0 gr 0 gr 28 gr 0.5 gr 23 gr 30 mg 115 mg

% AKG 0% 0% 0% 9% 2%

1% 2%

100% 45% 8%

15% 30% 10%

Sumber :www.Buavita.co.id

2.2 Khamr Khamr merupakan salah satu jenis makanan atau minuman yang diharamkan oleh Islam. Dengan alasan tersebut, maka pemilihan produk harus cermat. Saat ini perusahaan makanan telah dilengkapi dengan keterangan status halal dari produknya. Khamr adalah segala sesuatu yang memabukkan. Saat ini, khamr muncul dalam beragam nama seperti minuman beralkohol, liquor, anggur, vodka, rumatau whisky. Segala sesuatu tersebut apapun penyebutannya, pada kenyataannya tetaplah khamr (Malahayati, 2010). Khamr berasal dari kata khamara bersinonim dengan kata satara dan ghata. Kata tersebut artinya menutupi dan menyembunyikan. Maksudnya, minuman keras dapat menutupi akal sehingga merusak fungsinya. Selain itu secara etimologi khamr juga berasal dari kata khammara yang berarti memberi ragi (Shaleh, 2007).

10

Indonesia merupakan negara dengan mayoritas muslim, maka salah satu aspek penting dalam pemilihan produk pangan adalah kehalalan. Badan yang berperan dalam penentuan kehalalan produk yaitu MUI (Majelis Ulama Indonesia). Fatwa MUI tentang makanan dan minuman beralkohol yaitu :

1. Khamr adalah setiap yang memabukkan, baik minuman maupun yang lainnya hukumnya haram.

2. Minuman yang termasuk dalam kategori khamr adalah minuman yang mengandung ethanol minimal 1%.

3. Minuman yang termasuk kategori khamr adalah najis. 4. Minuman yang mengandung ethanol dibawah 1%

sebagai hasil fermentasi yang direkayasa adalah haram atas dasar preventif, tetapi tidak najis.

5. Minuman yang dibuat dari air perasan tape dengan kandungan ethanol minimal 1% termasuk kategori khamr.

6. Tape tidak termasuk khamr. 7. Ethanol yang merupakan senyawa murni yang bukan

berasal dari industri khamr adalah suci. Khamr adalah adalah produk yang dihasilkan melalui proses fermentasi dengan menggunakan khamir, pada bahan yang mengandung pati atau mengandung gula tinggi. Pada zaman Rasulullah SAW, beliau melarang para sahabat untuk mengkonsumsi jus buah yang umurnya lebih dari 3 hari atau ketika sari buah tersebut dalam kondisi menggelegak (berbuih). Berdasarkan penelitian, sari buah yang sudah berumur lebih dari 3 hari memiliki kandungan alkohol (ethanol) sudah lebih dari 1%. Berdasarkan fakta tersebut, komisi Fatwa MUI menetapkan batas maksimal kandungan alkohol (ethanol) yaitu 1%. Adapun alkohol yang sering disebut sebagai konsen khamr ini sebenarnya adalah senyawa ethanol (ethyl alcohol) (Malahayati, 2010).

11

Menurut peraturan Menteri Kesehatan No. 86 th 1997, minuman beralkohol dibedakan menjadi 3 golongan yaitu :

1. Golongan A dengan kadar alkohol 1-5% misalnya bir. 2. Golongan B dengan kadar alkohol 5-20% misalnya

anggur. 3. Golongan C dengan kadar alkohol 20-55% misalnya

whisky, brandy, vodka, dan rum.

2.3 Vodka Sejarah prototipe vodka dibuat pada abaad ke XI oleh AL-Razi, dengan cara destilasi untuk memisahkan ethanol. Awalnya cairan tersebut dibuat untuk keperluan medis. Vodka berasal dari kata woda atau voda dalam bahasa Slavic yang artinya air. Vodka dibuat dengan biji-bijian apapun yang tersedia seperti gandum, jagung atau barley, serta kentang. Secara teknis, vodka bisa dibuat dari substansi seperti tetes tebu atau anggur. Vodka pada umumnya memiliki aroma, rasa, dan warna yang netral. Vodka berbahan gandum memiliki rasa yang lebih ringan dibandingkan dengan vodka berbahan kentang (Walton, 2009). Produksi vodka membutuhkan alkohol dengan kemurnian tinggi yang berasal dari ethanol. Alkohol biasanya disuling dari fermentasi gandum, meskipun kentang mungkin digunakan sebagai sumber karbohidrat. Vodka disuling dan disaring berkali-kali melalui arang dan medium penyaring lainnya. Semakin baik proses pemisahan, maka semakin murni rasa vodka yang didapatkan. Proses penyulingan vodka berbeda dengan proses penyulingan whisky. Jika whisky disuling untuk mendapatkan hasil alkohol yang diinginkan, maka vodka di suling hingga semurni mungkin sampai kadar ethanol 90-96%. Selanjutnya setelah mencapai kadar tersebut, dicampurkan air untuk mendapatkan nilai alkohol yang diinginkan (Hellmich, 2010). Berdasarkan SNI 01-4025-1996, vodka merupakan minuman beralkohol dari spirit hasil peragian biji-bijian. Sesudah penyulingan, dilakukan proses penjernihan dengan karbon aktif dan kadar alkohol minimalnya 32,55 V/V.

12

Metode penentuan standart meliputi syarat mutu, cara pengambilan contoh, cara uji, cara pengemasan, dan syarat penandaan. Kualitas vodka dipengaruhi oleh bahan baku maupun bahan tambahan lainnya. Bahan baku yang digunakan harus memiliki kualitas serta sesuai, yaitu berasal dari biji-bijian. Komponen lain yaitu berupa air, air yang digunakan harus bebas dari kotoran maupun kontaminasi. Aspek selanjutnya yaitu bahan aditif, bahan aditif yang dipergunakan biasanya yaitu asam sitrat, asam asetat, natrium asetat maupun hidrogen karbonat. Tidak semua produsen menggunakan bahan aditif tersebut, karena ada yang mengutamakan kemurnian dari vodka (Kerr, 2013). Menurut Lea dan John (2003), klasifikasi vodka yaitu berdasarkan kategori alkohol yang dibedakan menjadi 35%,40%, 45%, 50%, dan 56%. Selain itu terdapat kategori berdasarkan kelas, yaitu ekonomi, standart, premium, dan super premium. Kategori tersebut berdasarkan tingkatan yang berkaitan dengan kualitas serta harga. Indikator dari penentuan kelas tersebut yaitu faktor sensorik yang meliputi bau, kenampakan, dan rasa serta indikator analitis yang meliputi adanya kotoran/ kejernihan serta persentase kandungan alkohol. Secara umum sebagian besar vodka dikemas dalam botol kaca dengan ukuran standar 250, 350, 700, 750 ml serta terdapat kemasan miniatur (50 ml). Penutup botol terbuat dari aluminium atau plastik yang didesain dengan satu katup agar tidak terjadi pengisian ulang secara ilegal (Wynn, 2009). Kadar alkohol dari vodka yang beredar di pasaran yaitu sekitar 40%. Terdapat merk lokal maupun impor yang biasa dikonsumsi. Banyak cafe yang memanfaatkan vodka dalam penyajian minumannya, contohnya pencampuran dengan jus buah, minuman sari buah, minuman karbonasi maupun diminum langsung tanpa campuran. Komposisi yang biasa digunakan yaitu dengan perbandingansekitar 45 ml vodka dan 180 ml minuman sari buah atau sekitar 25% vodka (George, 2016). Menurut Foley (2007), pemilihan vodka dapat menekan biaya

13

produksi, karena harga vodka yang tergolong lebih murah dibandingkan dengan minuman lain seperti rhum. Selain itu, vodka memiliki rasa yang cenderung netral namun khas serta ringan sehingga tidak merusak citarasa asli dari jus buah atau minuman lain. 2.4 Biolistrik

Istilah biolistrik erat kaitannya dengan karakteristik kelistrikan dari sel makhluk hidup. Biolistrik berhubungan dengan kemampuan jaringan untuk menghasilkan listrik. Listrik tersebut bersifat endogen yaitu listrik yang dihasilkan oleh jaringan itu sendiri. Biolistrik juga berkaitan dengan bagaimana jaringan dapat dikontrol menggunakan kelistrikan (Martinsen, 2008). Beberapa karakteristik kelistrikan tersebut antara lain impedansi, resistansi, kapasitansi, induktansi, dan konstanta dielektrik. Karakteristik tersebut dapat diukur melalui metode dielektrik yaitu suatu metode pengukuran dengan menggunakan dua plat kapasitor. Terdapat beberapa hal yang mempengaruhi sifat biolistrik antara lain frekuensi, suhu, kadar air, densitas, komposisi, dan struktur materi (Castro-Giraldez et al., 2010). Muatan listrik tersebut muncul akibat perubahan ion-ion dalam makhluk hidup sehingga terjadi perbedaan potensial listrik (Kamajaya, 2008).

Biolistrik, bioimpedansi dan sifat kelistrikan dari suatu jaringan merupakan hal yang sama. Bioimpedansi berhubungan dengan beberapa sifat kelistrikan pasif dari suatu jaringan salah satunya, kemampuan untuk menghambat aliran arus listrik. Biolistrik berhubungan dengan kemampuan dari suatu jaringan untuk membangkitkan listrik. Kelistrikan ini bersifat endogenik, listrik dihasilkan oleh jaringan itu sendiri. Biolistrik selalu berhubungan tentang bagaimana suatu jaringan dapat dikontrol oleh kelistrikan (Hidayat, 2013). Pemanfaatan sifat bioelektrik pada pangan, diantaranya digunakan untuk menilai kualitas dan kemurnian suatu bahan secara cepat, non destruktif, mengarah insitu berdasar energi

14

elektromagnetik, teknik ultrasonik, dan resonansi (Castro-Giraldes et al., 2010). 2.4.1 Induktansi

Induktansi atau induktor adalah elemen rangkaian yang menyimpan energi di dalam suatu medan magnetik. Dengan arus yang berubah-ubah terhadap waktu, energi biasanya disimpan selama beberapa bagian siklus dan kemudian dikembalikan ke sumber selama bagian siklus yang lain. Bila induktansi dilepas dari sumber, maka medan magnetik akan hilang sehingga tidak ada energi yang disimpan tanpa adanya sumber yang tersambung (Edminister dan Mahmood, 2003).

Induktansi merupakan kemampuan suatu konduktor untuk menginduksi tegangan terhadap dirinya sendiri apabila arusnya berubah. Satuan induktansi adalah henry (H). Dapat dikatakan satu henry jika besarnya induktansi yang memungkinkan satu volt terinduksi ketika arus berubah pada laju ampere per detik (Gussow, 2004). Satuan tersebut ekuivalen dengan satu volt detik per ampere, satu ohm-detik, atau satu joule per ampere kuadrat 1 H = 1 Wb/A = 1 V.s/A = 1 Ω .s = 1 J/A2 ) (Young dan Freedman, 2003).

2.4.2 Kapasitansi

Kapasitansi adalah besaran yang menyatakan kemampuan dari suatu kapasitor untuk dapat menampung muatan listrik (Tipler, 1996). Alat yang dapat menyimpan muatan disebut kapasitor. Selain itu, kapasitor juga menyimpan energi dalam medan listrik antar dua konduktor yang dipisahkan bahan dielektrik. Bahan dielektrik tersebut berfungsi untuk menghambat aliran arus antara plat. Bahan dielektrik tersebut digunakan untuk memperbesar kapasitansi suatu kapasitor (Sutrisno, 1983). Tinjauan kapasitor keping sejajar, faktor geometri yang menentukan adalah luas penampang keping sejajar dan jarak antara kepingnya sedangkan sifat bahan dielektriknya ditentukan oleh nilai konstanta dielektrik bahannya (Sulastri, 2006).

15

Kapasitor terdiri dari dua benda yang merupakan penghantar (biasanya plat atau lembaran) yang diletakkan berdekatan tetapi tidak saling menyentuh.Kapasitansi bergantung pada ukuran dan bentuk konduktor dan akan bertambah bila ada sebuah material pengisolasi atau dielektrik (Young dan Freedman, 2003). Bentuk paling sederhana dari kapasitor terdiri dari dua plat konduksi yang sejajar, yang luasnya masing-masing A, yang terpisah dengan jarak d yang kecil jika dibandingkan dengan dimensi plat-plat itu.

Gambar 2.1 Plat Sejajar (Giancoli, 2001)

Kapasitansi diukur berdasarkan besar muatan yang dapat disimpan pada suatu kenaikan tegagan. Untuk suatu kapasitor tertentu, jumlah muatan Q yang didapat oleh setiap plat sebanding dengan beda potensial V. Q = CV (2.1) Kapasitansi dipengaruhi oleh beberapa faktor yaitu luas plat, jarak antar plat, dan medium penyekat atau bahan dielektris. Kapasitor plat sejajar yang masing-masing memiliki luas A dan dipisahkan jarak d, kapasitansi dinyatakan dengan :

(2.2)

Keterangan : Q = besar muatan (C) C = kapasitansi (F) V = beda potensial (volt)

16

E = kuat medan listrik (N/C) k = konstanta dielektrik

= permitivitas ruang hampa (8.85 x 10-12 F/m) A = luas penampang (m2) d = jarak antar keping (m)

Gambar 2.2 Skema Kapasitor Plat Sejajar (Woollard, 2003).

2.4.3 Resistansi Resistansi atau tahanan listrik didefinisikan sebagai rasio

dari beda potensial antara dua permukaan ekipotensial dari sebuah bahan konduktor, terhadap arus total yang menembus salah satu salah satu dari permukaan ekipotensial tersebut (Hayt dan John, 2006). Resistansi didefinisikan pula sebagai hambatan. Semakin besar hambatan pada suatu bahan maka arus yang melaluinya semakin kecil. Resistansi memiliki kaitan erat dengan impedansi (Solechah, 2015). Resistansi merupakan salah satu faktor yang menentukan besarnya impedansi sesuai dengan persamaan :

Z = R2 + (XL – XC)2 (2.3) Keterangan : Z = impedansi (Ω) R = hambatan (Ω) XL = reaktansi induktif (Ω) XC = reaktansi kapasitif (Ω)

Satuan SI dari hambatan adalah ohm, yang sama dengan

satu volt per ampere (1 = 1 V/A). Sebuah komponen

17

rangkaian yang dibuat mempunyai nilai hambatan spesifik diantara ujung-ujungnya disebut resistor. Resistor individu yang digunakan dalam rangkaian elektronik seringkali berbentuk silinder yang diameter dan panjangnya beberapa milimeter, dengan kawat-kawat yang keluar dari ujung-ujungnya (Young dan Freedman, 2003). 2.4.4 Impedansi Impedansi merupakan besaran yang dilambangkan dengan huruf Z. Impedansi adalah sebuah besaran kompleks bersatuan ohm. Impedansi tidak dapat ditransformasikan ke dalam domain waktu. Sebuah kapasitor dalam domain waktu memiliki kapasitansi C, sedangkan dalam domain frekuensi terdapat impedansi 1/jωC. Impedansi bagian dari domain frekuensi dan tidak terkait dengan waktu. Impedansi menyatakan besarnya hambatan yang diberikan oleh resistor, induktor, dan kapasitor (Hayt et al., 2005). 2.5 Dielektrik Sifat dielektrik merupakan suatu sifat yang dapat menggambarkan kemampuan bahan untuk menyimpan energi dalam bahan dan menghamburkan energi dalam bentuk panas, ketika bahan diekspos pada medan arus listrik. Sifat ini dihasilkan dari arus pengisian dan arus hilang yang berhubungan dengan kapasitansi listrik dan tahanan material (Silalahi, 2003). Bahan dielektrik suatu kapasitor berfungsi untuk menghambat aliran arus antar plat. Bahan dielektrik dinilai berdasarkan kemampuan bahan untuk mempengaruhi gaya elektrostatik pada suhu tertentu yang disebut konstanta dielektrik. Kemampuan dari bahan dielektrik untuk mendukung gaya elektrostatik berbanding lurus dengan konstanta dielektrik (Putri, 2007). Konstanta dielektrik bahan k menentukan sifat bahan dielektrik. Bahan ini merupakan bahan non konduktor yang tidak memiliki elektron-elektron bebas sehingga tidak dapat menghantarkan listrik. Secara mikro, molekul-molekul bahan

18

dielektrik bergerak acak tetapi jika diberi medan listrik luar maka timbul medan listrik yang arahnya berlawanan dengan medan listrik luar. Jika molekul dielektrik bersifat polar maka akan terbentuk suatu momen dipol dalam pengaruh medan listrik. Adanya gaya torsi (torka) menyebabkan dielektrik akan menyerahkan diri dengan medan listrik, yang tergantung pada kuat medan dan temperatur. Jika molekul-molekul dielektrik bersifat non polar, molekul-molekul dielektrik akan menginduksi momen-momen dipol yang searah dengan medan listrik dan dikatakan terpolarisasi oleh medan (Lusiando, 2012). Selain itu pada bahan lain seperti bahan higroskopik,misalnya makanan dan produk pertanian, kandungan air dalam bahan adalah faktor dominan yang mempengaruhi sifat dielektrik. Sifat dielektrik juga bergantung pada frekuensi yang diaplikasikan, suhu, densitas, komposisi, dan struktur bahan (Nelson, 2012).

Suatu material non-konduktor seperti kaca, kertas, air, atau kayu disebut dielektrik. Ketika ruang diantara dua konduktor pada suatu kapasitor diisi dengan dielektrik, kapasitansi naik sebanding dengan faktor k yang merupakan karakteristik dielektrik dan disebut konstanta dielektrik. Kenaikan kapasitansi disebabkan oleh melemahnya medan listrik diantara keping kapasitor akibat kehadiran dielektrik. Sehingga, untuk jumlah muatan tertentu pada keping kapasitor, beda potensial menjadi lebih kecil dan kapasitansi kapasitor akan bertambah besar (Tipler, 1991). Sifat dielektrik suatu medium ditentukan oleh harga konstanta dielektrik atau permitivitas dielektrik dari medium tersebut. Pengertian fisis permitivitas dielektrik suatu medium menunjukkan ukuran kemampuan suatu medium atau suatu bahan untuk meredam intensitas medan listrik yang melalui medium itu, dan besaran ini dinyatakan dengan simbol menyatakan kemampuan medium untuk meredam intensitas medan listrik relatif terhadap ruang vakum, sehingga didefinisikan (Effendi, 2007). Konstanta dielektrik dapat dinyatakan sebagai berikut :

19

(2.4) Keterangan: = permitivitas dielektrik ruang vakum atau udara bebas = 8,854 x 10-12 F/m

= permitivitas relatif suatu medium (tidak memiliki dimensi)

Gambar 2.3a Aliran Listrik pada Kapasitor (Giancoli, 2001).

Gambar 2.3b Muatan (+) dan Muatan (-) pada Permukaan

Dielektrik(Giancoli, 2001).

Kapasitor mempunyai muatan +q pada satu plat dan –q di plat yang lain (Gambar 2.3.a). Kapasitor diisolasi sehingga muatan tidak bisa mengalir ke plat-plat atau dari plat-plat tersebut. Dielektrik disisipkan di antara kedua plat (Gambar 2.3.b). Molekul-molekul dielektrik mungkin merupakan polar. Maksudnya, walaupun molekul-molekul tersebut netral, elektron-elektronnya mungkin tidak terdistribusi merata, sehingga satu bagian dari molekul akan positif dan bagian lainnya negatif. Adanya medan listrik di antara plat-plat tersebut, molekul-molekul akan cenderung menjadi terorientasi sebagaimana digambarkan. Bahkan jika molekul-molekul itu bukan polar,

20

medan listrik di antara plat akan menginduksi beberapa pemisahan muatan pada molekul. Beberapa garis medan listrik sebenarnya tidak menembus dielektrik, tetapi berakhir (dan mulai kembali) pada muatan-muatan yang diinduksi pada permukaan dielektrik (Giancoli, 2001). Penempatan sebuah dielektrik diantara plat kapsitor mempunyai tiga fungsi. Pertama, dielektrik menyelesaikan permasalahan mekanis yang mempertahankan dua plat yang terpisah dalam jarak yang sangat kecil. Kedua, penggunaan dielektrik akan menambah selisih potensial maksimum yang mungkin diantara plat kapasitor. Ketiga, kapasitansi sebuah kapasitor yang dimensinya tertentu adalah lebih besar jika ada sebuah material dielektrik diantara plat daripada ruang hampa. Ketetapan konstanta dielektrik untuk ruang hampa yaitu 1. Bila diantara plat disisipi oleh dielektrik, maka rasio C terhadap C0 disebut konstanta dielektrik (Young dan Freedman, 2003).

(2.5)

Keterangan : K = konstanta dielektrik C = kapasitas bahan C0 = kapasitansi ruang hampa

2.6 LCR Meter Pengukuran induktansi (L), kapasitansi (C),resistansi (R), dan impedansi (Z) dari suatu komponen dapat dilakukan dengan menggunakan sebuah perangkat elektronik yaitu LCR meter. Alat ini dapat digunakan pula untuk pengukuran induktansi atau kapasitansi dan juga resistansi seri yang sama dari kapasitor dan faktor Q dari komponen induktif. Prinsip kerjanya yaitu pengukuran impedansi secara internal yang kemudian dikonversikan ke layar penampil sebagai nilai kapasitansi atau nilai induktansi yang sesuai (Mujib dan Muntini, 2013). Salah satu merk LCR meter yang banyak digunakan yaitu BK Precisions model 878B/ 879B. Tipe tersebut merupakan jenis LCR meter yang mudah dibawa atau portable karena ukurannya yang tidak terlalu besar. Kelebihan tersebut

21

memberikan kemudahan bagi pengguna karena dapat dengan mudah dibawa untuk menguji sampel. Tipe tersebut banyak digunakan untuk pengukuran sifat biolistrik karena merupakan tipe yang dengan menggunakan software dan keluaran dapatdisimpan dalam lembar kerja Microsoft Excel maupun Microsoft Word.LCR Meter BK Precisions 878B/ 879B dapat dilihat pada Gambar 2.4.

Gambar 2.4 LCR Meter BK Precisions 878B/ 879B

2.7 Jaringan Saraf Tiruan (JST) 2.7.1 Definisi Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia (Sutojo et al., 2011). Jaringan saraf tiruan juga dikenal sebagai kotak hitam (black box technology) atau tidak transparan (opaque) karena tidak dapat menerangkan bagaimana suatu hasil didapatkan. Jaringan saraf tiruan mampu digunakan untuk menyelesaikan persoalan yang tidak terstruktur dan sulit didefinisikan (Hermawan, 2006). Jaringan saraf diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran atau pelatihannya (Kusumadewi, 2003). Jaringan saraf dapat diimplementasikan dalam pengambilan keputusan

22

menggunakan program komputer berdasarkan perkiraandan error (Karsoliya, 2012). Jaringan saraf tiruan digunakan untuk menyelesaikan masalah-masalah yang kompleks dan sulit dipahami. Cara kerjanya yaitu dengan mempelajari pola dari sejumlah data, menyaring data, mencari pola hubungan data, membangun model, dan mengoreksi kesalahan model itu sendiri berkali-kali (Kenneth dan Jane, 2008).

Gambar 2.5 Bagian-bagian lapisan (layer) dalam JST

(Kenneth dan Jane, 2008)

Jaringan saraf tiruan digunakan untuk mencari hubungan antara parameter input dan output dengan pembelajaran menggunakan iterasi tanpa membutuhkan pengetahuan mendasar mengenai hubungan antara variabel proses (Torrecilla et al., 2007). Jaringan saraf tiruan dapat diterapkan misalnya pada bidang peramalan, salah satu teknik peramalan yang sering digunakan yaitu backpropagation. Teknik peramalan banyak digunakan untuk proses perencanaan dan pengambilan keputusan (Setiawan, 2008).

Terdapat beberapa istilah yang digunakan atau ditemui dalam jaringan saraf tiruan, yaitu (Hermawan, 2006) :

1. Neuron/ node/ unit : sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memproses kemudian mengirimkan hasil berupa output.

2. Jaringan : kumpulan neuron yang saling terhubung dan membentuk lapisan.

23

3. Hidden layer : lapisan yang tidak secara langsung berinteraksi dengan dunia luar. Lapisan ini memperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalah yang kompleks.

4. Input : sebuah nilai input yang akan diproses menjadi nilai output.

5. Output : solusi dari nilai input. 6. Bobot : nilai matematis dari sebuah koneksi antar-

neuron. 7. Fungsi aktivasi : fungsi yang digunakan untuk meng-

update nilai-nilai bobot per-iterasi dari semua nilai input

8. Fungsi aktivasi sederhana : mengalikan input dengan bobotnya dan kemudian menjumlahkannya (penjumlahan sigma) berbentuk linier atau tidak linier dan sigmoid.

9. Paradigma pembelajaran : bentuk pembelajaran supervised learning atau unsupervised learning.

Jaringan saraf tiruan memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya, yaitu (Hermawan, 2006):

1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian. Hal ini karena jaringan saraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik dari data.

2. Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan saraf tiruan dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belajar (self organizing).

3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error/fault), dimana gangguan kecil pada data dapat dianggap hanya sebagai noise (guncangan) belaka.

4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, sehingga waktu yang

24

diperlukan untuk mengoperasikannya menjadi lebih singkat.

2.7.2 Model Matematika Jaringan Saraf Tiruan Jaringan saraf tiruan ditentukan oleh pola hubungan antar neuron (arsitektur jaringan), metode untuk menentukan bobot penghubung (metode training/learning/algoritma) dan fungsi aktivasi (Siang, 2005). Terdapat tiga komponen dasar penting ketika membuat sebuah model fungsional dari neuron biologis. Pertama, sinapsis neuron dimodelkan sebagai bobot. Kekuatan hubungan antara masukan dan neuron ditentukan oleh nilai bobot. Nilai bobot negatif mencerminkan koneksi hambat, sedangkan nilai-nilai positif menandakan koneksi rangsang sel. Komponen kedua adalah penjumlah semua masukan yang dimodifikasi oleh masing-masing bobot. Kegiatan ini disebut sebagai kombinasi linier. Komponen ketiga bertindak sebagai fungsi kontrol aktivasi amplitudo output dari neuron (Sutojo et al., 2011). 2.7.3 Karakteristik Jaringan Saraf Tiruan Jaringan saraf tiruan dapat menyimpan informasi secara terdistribusi sehingga pengolahannya dapat dilakukan dengan cepat. Selain itu, jaringan ini masih bisa menanggapi pola masukan meskipun terdapat beberapa unit pemroses yang rusak (Hermawan, 2006).

Jaringan saraf tiruan memiliki ciri-ciri sebagai berikut (Irwansyah dan Faisal, 2015):

1. Memiliki pola hubungan antara elemen-elemen sederhana antara neuron yang disebut arsitektur.

2. Metode menentukan bobot pada tiap koneksi yang disebut training atau learning.

3. Memiliki fungsi aktivasi Sifat dan kemampuan jaringan saraf tiruan antara lain

(Irwansyah dan Faisal, 2015) : 1. Akuisisi pengetahuan di bawah derau (noise) dan

ketidakpastian (uncertainty)

25

2. Representasi pengetahuan yang fleksibel. 3. Pemrosesan pengetahuan yang efisien. 4. Toleransi kesalahan.

2.7.4 Arsitektur Jaringan Saraf Tiruan Perjalanan sinyal atau data pada jaringan dapat dijelaskan melalui arsitektur jaringan. Berdasarkan hal tersebut, terjadi pola keterhubungan antar neuron yang membentuk suatu jaringan. Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot (Hartono, 2012). Terdapat 3 arsitektur dalam jaringan saraf tiruan, antara lain (Fausset, 1994) :

1. Jaringan Lapis Tunggal (Single Layer Net) Jaringan dengan lapisan tunggal hanya menerima

input kemudian secara langsung mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Jaringan ini hanya terdiri dari satu lapisan input dan output.

Gambar 2.6 Jaringan Lapis Tunggal (Fausset, 1994)

2. Jaringan Lapis Banyak (Multi Layer Net)

Jaringan dengan banyak lapisan mempunyai satu atau lebih lapisan yang terletak diantara lapisan input dan output yang merupakan lapisan tersembunyi. Biasanya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan dapat

26

menyelesaikan permasalahan yang lebih kompleks jika dibandingkan dengan lapisan tunggal, namun dengan pembelajaran yang lebih rumit pula.

Gambar 2.7 Jaringan Lapis Banyak (Fausset, 1994)

3. Jaringan Recurrent Model jaringan ini mirip dengan jaringan layer

tunggal ataupun ganda. Namun, terdapat neuron output yang memberikan sinyal pada unit input (feedback loop). Dengan kata lain sinyal mengalir dua arah, yaitu maju dan mundur.

Gambar 2.8 Jaringan recurrent (Siang, 2005)

2.7.5 Algoritma Pembelajaran Algoritma pembelajaran digunakan untuk menemukan nilai-nilai bobot yang tepat dalam mengirimkan suatu informasi. Algoritma yang digunakan jaringan saraf dalam pembelajaran tergantung pada arsitektur jaringan yang digunakan (Kusumadewi dan Hartati, 2010). Metode pembelajaran tersebut digunakan untuk proses pengenalan suatu objek yang bertujuan

27

untuk memperkecil tingkat error. Objek bersifat kontinuitas yang selalu direspon secara berbeda dari setiap proses pembelajaran. Terdapat dua jenis sistem pembelajaran dalam jaringan saraf tiruan yaitu supervised learning (terawasi) dan unsupervised learning (tidak terawasi). Metode pembelajaran terawasi jika output yang diharapkan telah diketahui terlebih dahulu. Sistem pembelajaran dikatakan tidak terawasi jika memerlukan suatu target output (Irwansyah dan Faisal, 2015). Beberapa algoritma pembelajaran antara lain :

1. Supervised learning merupakan algoritma pembelajaran yang memerlukan target output yang telah diketahui sebelumnya dalam proses pembelajarannya. Setiap pola input beserta target output yang ditentukan disebut sebagai pasangan pembelajaran (Kusumadewi dan Hartati, 2010). Pada pelatihan supervised, terdapat sejumlah pasangan data “guru” yang digunakan untuk melatih jaringan sehingga akan diperoleh bobot yang diinginkan dan bentuk yang baik. Setiap pelatihan, input diberikan ke jaringan dan akan diproses yang akan menghasilkan keluaran data. Selisih antara keluaran jaringan dengan target merupakan kesalahan yang terjadi. Contoh model yang menggunakan pelatihan supervised antara lain ADALINE, perceptron, dan Backpropagation (Siang, 2009).

2. Unsupervised learning tidak memerlukan target output sehigga tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Nilai bobot disusun dalam suatu range tertentu berdasarkan pada nilai input yang diberikan (Kusumadewi dan Hartati, 2010). Pelatihan unsupervised merupakan kebalikan dari pelatihan supervised. Pada pelatihan unsupervised tidak ada “guru” yang akan mengarahkan proses pelatihan. Perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut (Siang, 2009). Tujuan unsupervised learning adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Contohnya Kohonen Self Organizing Maps, Learning Vextor Quantization, dan Counterpropagation (Kusumadewi dan Hartati, 2010).

28

2.7.6 Fungsi Aktivasi Fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Fungsi aktivasi adalah bagian penting dalam tahap perhitungan keluaran suatu algoritma (Hermawan, 2006). Fungsi aktivasi merupakan fungsi yang mentransformasikan nilai penjumlahan menjadi sebuah nilai yang dapat diproses lebih lanjut. Fungsi aktivasi sangat penting ketika melakukan tahap perhitungan output. Terdapat beberapa fungsi aktivasi antara lain (Kusumadewi, 2004) :

1. Fungsi sigmoid biner (logsig) 2. Fungsi linier/ identitas (purelin) 3. Fungsi sigmoid bipolar (tansig) 4. Fungsi symetric saturing linear (satlins) 5. Fungsi saturating linear (satlin) 6. Fungsi bipolar (symetric hard limit) 7. Fungsi undak biner (hardlim) Syarat-syarat fungsi aktivasi yang digunakan antara lain

memiliki sifat yang kontinyu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun (Irwansyah dan Faisal, 2015). Tidak semua fungsi aktivasi dapat digunakan untuk algoritma backpropagation. Fungsi aktivasi yang dapat digunakan untuk algoritma backpropagation yaitu fungsi aktivasi yang dapat dideferensiasi.

Beberapa fungsi tersebut yaitu : 1. Fungsi Linear (purelin)

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya, sehingga disebut juga dengan fungsi identitas (Budiharto, 2014). Rumus fungsi identitas/linear adalah sebagaiberikut:

( ) (2.6)

Dengan turunan fungsinya adalah :

29

f’ x = 1 (2.7)

Gambar 2.9 Fungsi Linear (Demuth, 2002)

2. Fungsi sigmoid biner (logsig) Fungsi sigmoid biner ini digunakan untuk neural network

yang dilatih dengan metode backpropagation. Memiliki range 0 dan 1. Oleh karena itu, fungsi ini sering digunakan untuk neural network yang membutuhkan nilai output dalam range 0 hingga 1. Fungsi ini juga bisa digunakan oleh neural network yang nilai outputnya 0 atau 1 (Budiharto, 2014). Fungsi sigmoid biner sangat baik untuk menyelesaikan permasalahan kompleks dan bersifat non-linier.

y = f x =

(2.8)

Dengan turunan fungsinya adalah :

f’ x =

(2.9)

Gambar 2.10 Fungsi sigmoid biner (Demuth, 2002)

30

3. Fungsi Sigmoid Bipolar (tansig) Pada fungsi sigmoid bipolar yang bentuk fungsinya mirip

dengan fungsi sigmoid biner tapi dengan interval (-1,1). Pada Matlab fungsi sigmoid bipolar dikenal dengan nama tansig. Fungsi ini sangat berkaitan dengan fungsi hyperbolic tangent sering digunakan sebagai fungsi aktivasi ketika nilai output yang diinginkan berkisar antara -1 sampai 1 (Muwakhidin, 2014).

Rumus fungsi ini yaitu :

( )

(2.10)

Dengan turunan

( ) ( ( ))( ( ))

. (2.11)

Gambar 2.11 Fungsi Sigmoid Bipolar (Demuth, 2002)

2.8 Algoritma Backpropagation Salah satu metode jaringan saraf tiruan adalah propagasi balik (backpropagation). Metode ini melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tetapi tidak sama dengan pola yang dipakai selama pelatihan. Backpropagation adalah pelatihan jenis terkontrol (supervised) dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang

31

minimum antara keluaran hasil prediksi dengan keluaran yang nyata (Siang, 2005). Jaringan perambatan galat mundur (backpropagation) merupakan salah satu algoritma yang digunakan dalam menyelesaikan masalah-masalah yang rumit. Metode pelatihan dalam metode backpropagation menggunakan metode belajar terbimbing (Hermawan, 2006).

Backpropagation dilakukan dengan penyesuaian bobot-bobot jaringan saraf tiruan dengan arah mundur yang berdasarkan nilai error dalam proses pembelajaran. Backpropagation menggunakan sekumpulan contoh data yang disebut data training dan membandingkan nilai prediksi dari jaringan dengan setiap contoh data. Setiap prosesnya, nilai Mean Squared Error (MSE) diminimalkan dengan memodifikasi bobot relasi dalam jaringan yang dilakukan dalam arah mundur. Nilai Mean Squared Error (MSE) yaitu antara nilai prediksi dengan nilai sesungguhnya. Modifikasi bobot jaringan saraf tiruan dapat dilakukan dengan dua cara yaitu modifikasi pada setiap akhir penghitungan yang disebut case (online) updating dan setelah semua contoh kasus dianalisis disebut epoch (batch) updating (Badrul, 2011). 2.9 Penelitian Terdahulu Penelitian mengenai deteksi kadar alkohol menggunakan sifat biolistrik dengan LCR meter sebelumnya belum ada. Namun terdapat beberapa penelitian terdahulu yang memanfaatkan metode dielektrik untuk mengetahui kemurnian bahan.Penelitian terdahulu mengenai metode dielektrik dan Jaringan Saraf Tiruan dapat dilihat pada Tabel 2.3.

32

Tabel 2.3 Penelitian Terdahulu

No Peneliti Judul Hasil

1. Firdauzi Nuzula (2015)

Studi Pengaruh Campuran Lemak Babi terhadap Kapasitansi dan Konstanta Dielektrik Lemak Sapi dengan Metode Dielektrik

Penelitian dilakukan dengan menguji lemak sapi yang dicampurkan dengan lemak babi dengan beberapa proporsi yang berbeda. Sampel kemudian diukur sifat biolistriknya dengan metode dielektrik. Hasil penelitian menunjukkan bahwa semakin tinggi konsentrasi cemaran lemak babi pada lemak sapi, maka semakin rendah nilai konstanta dilektrik pada sampel. Begitupun semakin rendah konsentrasi cemaran maka semakin tinggi nilai konstata dielektriknya. Sehingga metode dielektrik dapat digunakan untuk mengukur nilai kapasitansi dan konstanta dielektrik pada lemak sapi dan lemak babi.

2. Mahdi, R., Mahmoud, O., Hossein, M & Mahmoud, S. F (2016)

Adulteration Detection in Olive Oil using Dielectric Technique and Data Mining

Penelitian untuk menguji kemurnian olive oil yang dicurigai sering dicampur dengan minyak lain yang lebih murah. Olive oil dicampur dengan sunflower oil dan canola oil. Hasil penelitian menunjukkan bahwa metode dielektrik dengan

33

beberapa frekuensi berbeda dapat digunakan untuk mendeteksi pencampuran olive oil. Tingkat akurasi yang didapatkan untuk keseluruhan sampel yaitu mencapai 97%.

3. Adityan Candra Kurnia (2016)

Pemodelan Jaringan Saraf Tiruan Backpropagation Sifat Biolistrik untuk Prediksi Tingkat Kemurnian Madu

Hasil penelitian menunjukkan pengukuran sifat biolistrik dan pemodelan JST memberikan prediksi yang baik terhadap kandungan kadar air, gula inversi, dan sukrosa pada madu randu dan kelengkeng. Topologi JST terbaik 3-30-40-3 dengan fungsi aktivasi tansig. Selain itu digunakan fungsi pembelajaran trainlm, dengan 0,1 learning rate dan 0,9 momentum.

4. Sumit, G. & Gyandera, K.Y (2011)

Cascade and Feedforward Backpropagation Artificial Neural Network Models For Prediction of Sensory Quality of Instant Coffee Flavoured Sterilized Drink

Penelitian untuk memprediksi kualitas yang berpengaruh terhadap umur simpan produk Instant Coffee Flavoured Sterilized Drink. Digunakan 80% data training dan 20% data testing, dengan algoritma backpropagation dan fungsi aktivasi logsig-tansig. Digunakan hidden layer, dengan jumlah

34

node 10-20. Hasil terbaik menggunakan fungsi aktivasi logsig, dengan

nilai R 0.998 dan MSE

0.0013

Sumber : Data Diolah Penulis (2017)

35

III. METODE PENELITIAN

3.1 Tempat dan Waktu Penelitian

Penelitian dilaksanakan di Laboratorium Teknologi Agrokimia dan Laboratorium Komputasi dan Analisis Sistem, Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang pada bulan April – Juli 2017.

3.2 Alat dan Bahan 3.2.1 Alat

Alat untuk membuat perangkat parallel plate adalah bor listrik, solder listrik, penggaris, pensil, dan lakban, spidol, jangka sorong, dan PCB cutting press. Alat untuk pencampuran sari buah dan vodka adalah pipet ukur, beaker glass, gelas ukur, botol kaca dan spatula. Alat untuk pengukuran sifat biolistrik bahan dielektrik adalah LCR meter BK Precisions 878B/ 879B. Alat untuk pengukuran kadar alkohol yaitu Refraktometer Alkohol 0-80% Trans Instruments, pH Meter Trans Instruments untuk pengukuran pH, dan refraktometer PAL-3 ATAGO untuk pengukuran padatan terlarut. Alat pengolahan data dielektrik adalah laptop Lenovo G40. Perangkat yang digunakan adalah Sistem Operasi Windows 8 (64 bit), GUI LCR Meter 87XB, Microsoft Excel 2010, dan Matlab 2012a.

3.2.2 Bahan

Bahan untuk parallel plate adalah papan PCB, bubuk ferri choride (FeCl3), timah, dan kabel tembaga tunggal ukuran kecil, lem tembak, dan lem G. Bahan sari buah adalah minuman sari buah merk Buavita Orange. Bahan alkohol adalah vodkaplainmerk Mansion kadar alkohol 40%, didapatkan dari toko Cahaya Jaya, Jalan Jaksa Agung Suprapto No.7 Malang.

36

3.3 Batasan Masalah Batasan masalah dalam penelitian ini adalah :

1. Minuman sari buah yang digunakan adalah merk Buavita Orange.

2. Campuran alkohol didapatkan dari vodkaplainmerk Mansion.

3. Vodka ditambahkan pada minuman sari buah dengan proporsi 0%:100%; 5%:95%, 10%90%, 15%:85%, 20%:80%, 25%:75% dan 100%:0%.

4. Pengujian sifat biolistrik minuman sari buah meliputi induktansi, kapasitansi, resistansi, dan impedansi yang diukur menggunakan variasi frekuensi.

5. Panjang kabel tembaga tunggal yang digunakan untuk mengukur sifat biolistrik yaitu 10 cm.

6. Alat yang digunakan untuk pengukuran sifat biolistrik yaitu LCR Meter BK Precisions 878B/ 879B, dengan frekuensi 100, 120, 1000, dan 10000 Hz.

3.4 Prosedur Penelitian 3.4.1 Tahap Pembuatan Alat

Peralatan yang digunakan pada penelitian ini yaitu LCR meter BK Precisions 878B/879B. Selain itu digunakan plat kapasitor dari PCB tembaga sebagai wadah atau tempat pengujian. Ukuran PCB yang digunakan yaitu 20 x 10 mm (2 buah), dengan jarak antar plat 5 mm yang diukur dengan jangka sorong. Digunakan ukuran 9 mm x 10 mm (2 buah) untuk samping dan 40 x 20 mm (1 buah) untuk alas. Plat dipotong dengan ukuran yang telah ditentukan dengan PCB cutting press. PCB yang digunakan sebagai sisi dan alas direndam dalam ferri chloride (FeCl3) yang dicampur dengan air hangat. Setelah lapisan tembaga hilang, maka plat PCB dicuci dengan air mengalir. Seluruh plat PCB kemudian digosok dengan kertas gosok halus agar permukaannya terhindar dari benda yang tidak diinginkan. Plat PCB ukuran 20 x 10 mm kemudian dibor dan dipasang kabel tembaga tunggal dan disolder pada bagian

37

dalam. Fungsi dari penyambungan plat kapasitor dengan kabel adalah sebagai penghubung antara plat kapasitor dengan konektor LCR meter. Plat PCB kemudian dibentuk balok dengan bagian dalam adalah PCB yang masih terdapat tembaga. Langkah selanjutnya, ujung kabel yang telah dikelupas disambungkan pada penjepit konektor. Desain plat kapasitor dapat dilihat pada Gambar 3.1.

Gambar 3.1 Desain Plat Kapasitor

3.4.2 Tahap Pencampuran Sari Buah dan Vodka Pada penelitian ini digunakan 1 jenis minuman sari buah merk Buavita dengan campuran alkohol dari vodka plain merk Mansion. Berikut ini kombinasi perlakuan proporsi campuran minuman sari buah dan vodka: Tabel 3.1 Proporsi Campuran Sari Buah dan Vodka

Proporsi Campuran (%) per 30 ml campuran sampel (V/V)

Vodka Sari Buah

0 5

10 15 20 25

100

100 95 90 85 80 75 0

P = 2 cm L = 1 cm

0.5 cm Kabel 10 cm

38

Sampel yang digunakan adalah 30 ml campuran minuman sari buah dan vodka. Sampel tersebut nantinya akan diukur sifat biolistrik, pH, brix, dan kadar alkohol. Berikut tahap-tahap pencampuran sari buah dan vodka yaitu :

1. Minuman sari buah diukur dengan gelas ukur sesuai volume yang diinginkan kemudian dimasukkan ke dalam botol kaca sesuai kode sampel.

2. Dipipet vodka berturut-turut sesuai dengan proporsi campuran per 30 ml, kemudian dicampur ke dalam minuman sari buah dalam botol kaca sesuai kode sampel.

3. Dilakukan pencampuran pada masing-masing botol kaca sesuai kode sampel dengan shake (mengocok) selama 30 detik hingga merata. Persiapan tersebut dilakukan hingga keseluruhan sampel siap.

3.4.3 Tahap Pengukuran Sifat Biolistrik Pengukuran sifat biolistrik bahan dilakukan setelah perangkat pengukuran dan sampel bahan disiapkan. Setiap sampel dimasukkan dalam plat tembaga. Kemudian plat kapasitor dihubungkan dengan LCR meter untuk mengukur sifat listrik dari sampel. Sampel yang telah tercampur diambil dengan pipet, kemudian dimasukkan ke plat kapasitor. Prosedur pengukuran sifat biolistrik dapat dilihat pada Gambar 3.2. Pengukuran dilakukan pada frekuensi 100, 120,1000, dan 10000 Hz dengan sifat biolistrik yang diukur meliputi induktansi, kapasitansi, resistansi, dan impedansi. Pada proses pengambilan data, dilakukan perulangan 3 kali serta sifat biolistrik diukur 5 kali tiap frekuensi.

39

Campuran minuman sari buah jeruk dan

vodka dengan proporsi 0%:100%,

5%:95%, 10%90%, 15%:85%, 20%:80%,

25%:75% dan 100%:0% per 30 ml

Dihomogenkan dengan shake selama 30 detik

Dipipet sekitar 2 mlDiuji kadar alkohol, pH, dan

brix pada sampel

Dimasukkan pada wadah bahan

dielektrik (probe yang te lah

dikalibrasi)

Dihubungkan dengan LCR meter

Diukur induktansi, kapasitansi,

resistansi, dan impedansi pada

frekuensi 100, 120,1000, dan

10000Hz

Data biolistrik

Dimodelkan JST dengan data

biol istrik sebagai input dan kadar

alkohol, pH, dan brix sebagai output

Model JST terbaik

Data kadar

alkohol, pH, dan

brix

Gambar 3.2 Diagram Alir Pengukuran Sifat Biolistrik

40

Rangkaian perangkat pengukuran nilai sifat biolistrik dalam penelitian ini dapat dilihat pada Gambar 3.3.

Hasil Akuisisi data

dalam bentuk excel

Parallel Plate Sampel

LCR Meter

Data realtime

Gambar 3.3 Rangkaian Alat Pengukuran Sifat Biolistrik

Gambar 3.4 GUI LCR Meter

41

3.4.4 Tahap Pengukuran Kadar Alkohol dalam Sari Buah Semua alkohol berwujud cair pada suhu biasa atau

kamar, serta bercampur baik dengan air. Alkohol juga larut dalam minuman sari buah jeruk yang diukur kadar alkohol dalam larutannya. Bahan yang akan dijadikan sampel yaitu minuman sari buah dan vodka yang telah dihomogenkan sesuai dengan proporsi.

Alat yang digunakan yaitu refraktometer alkohol 0-80% merk Trans Instrument, dapat dilihat pada Gambar 3.5. Langkahnya yaitu :

1. Disiapkan sampel minuman sari buah dan vodka yang telah dicampur sesuai proporsi

2. Diambil sampel dengan pipet refraktometer hingga menutupi prisma refraktometer alkohol 0-80% dan tutup permukaan prisma dengan daylight plate yang ada dibagian atas prisma

3. Dilihat skala melalui teropong, kemudian dibaca skala sesuai batas larutan dan dicatat hasilnya

4. Dilakukan pembersihan dan kalibrasi menggunakan aquades

5. Dilakukan pengukuran untuk keseluruhan sampel

Gambar 3.5 Refraktometer Alkohol 0-80% Trans Instruments

3.4.5 Tahap Pengukuran pH

Nilai pH merupakan derajat keasaman yang sering digunakan untuk menyatakan tingkat keasaman suatu bahan. Nilai pH dinyatakan dalam skala 0-14. Salah satu alat yang

42

digunakan untuk mengukur pH yaitu pH meter. pH meter yang digunakan yaitu merk Trans Instruments, dapat dilihat pada Gambar 3.6. Bahan yang akan diukur yaitu minuman sari buah jeruk yang sifatnya asam serta vodka yang cenderung netral. Langkah untuk mengukur pH yaitu :

1. Disiapkan sampel campuran minuman sari buah dan vodka sesuai proporsi

2. Diambil sekitar 30 ml sampel yang akan diukur pH nya

3. Dimasukkan dalam beaker glass 4. Dihidupkan pH meter yang telah dikalibrasi dan celup

ke dalam beaker glass, tunggu hingga angka pH terbaca

5. Dimatikan pH meter, kemudian dicuci dengan aquades dan dilap dengan tissue

6. Diukur untuk seluruh sampel

Gambar 3.6 pH Meter Trans Instruments

3.4.6 Tahap Pengukuran Brix Nilai brix merupakan unit yang dipakai saat

mengukur seberapa banyak cahaya yang dibelokkan dalam medium air. Prinsip ini dikenal dengan refraksi. Hukum refraksi ini bermanfaat untuk mengukur massa jenis senyawa biologis di dalam sari buah atau sayuran, seperti gula, asam amino, karbohidrat, dan senyawa lainnya. Semakin tinggi konsentrasi senyawa tersebut, semakin besar nilai derajat pembelokan

43

refraksi. Alat yang digunakan yaitu refraktometer PAL-3 merk ATAGO, dapat dilihat pada Gambar 3.7.

Langkah untuk mengukur brix yaitu :

1. Disiapkan sampel campuran minuman sari buah dan vodka sesuai proporsi

2. Diambil sekitar 2 ml sampel yang akan diukur brix nya

3. Diteteskan pada prisma refraktometer hingga tertutupi keseluruhan

4. Dihidupkan refraktometer dengan menekan tombol Start, kemudian dibaca hasil pada layar

5. Dimatikan refraktometer, kemudian ditetesi dengan aquades dan lap dengan tissue

6. Dilakukan pengukuran untuk keseluruhan sampel

Gambar 3.7 Refraktometer PAL-3 ATAGO

3.4.7 Tahap Perancangan Topologi Jaringan Saraf Tiruan Terdapat beberapa tahap perancangan topologi JST

yaitu : 1. Pembagian data Data input berupa sifat biolistrik meliputi induktansi,

kapasitansi, resistansi dan impedansi. Data output yaitu kadar alkohol, pH, dan brix. Selanjutnya data dibagi menjadi data latih dan validasi. Data dibagi mulai 50% data training dan 50% data

44

validasi, 60% data training dan 40% data validasi, 70% data training dan 30% data validasi serta 80% data training dan 20% data validasi. Pemilihan persentase data dilakukan trial error untuk mengetahui persentase data terbaik dengan kriteria regresi tertinggi. Data terpilih yaitu 60% data training dan 40% data validasi. Selanjutnya, trial error fungsi pembelajaran dan fungsi aktivasi dengan kriteria MSE validasi terendah. Data diacak menggunakan fungsi RAND() Microsoft Excel. Data tersebut yaitu data induktansi, kapasitansi, resistansi, dan impedansi yang digunakan sebagai data input. Data target menggunakan data kadar alkohol dalam minuman sari buah, pH, dan brix. Total data yang digunakan yaitu 1680. Data mentah yang digunakan sebagai input harus dipreprocessing terlebih dahulu karena memiliki skala nilai berbeda. Preprocessing berperan untuk menghindari adanya masalah dalam proses komputasi, untuk memenuhi persyaratan algoritma yang digunakan dan berpengaruh terhadap tingkat akurasi yang dihasilkan (Crone, 2005). Salah satu teknik preprocessing yaitu normalisasi. Normalisasi data pada rentang yang sama sangat penting untuk mencegah nilai yang lebih besar dibandingkan dengan nilai yang lainnya dan untuk mencegah node hidden cepat jenuh sehingga menghambat proses pelatihan terutama ketika input data nilai aktual memiliki nilai yang besar (Basheer dan Hajmeer, 2000). Pada penelitian ini digunakan normalisasi premnx atau maksimasi minimasi pada program Matlab dengan algoritma pada Persamaan 3.1:

y = ( ) ( )

( )+ ymin (3.1)

Keterangan:

= Nilai yang telah dinormalisasi

= Nilai yang akan dinormalisasi = Nilai terkecil

= Nilai terbesar

45

= Nilai terkecil yang diinginkan

= Nilai terbesar yang diinginkan Data mentah yang digunakan sebagai input

ditransformasikan kedalam rentang nilai [-1,1] karena pada langkah selanjutnya dilakukan pemilihan fungsi aktivasi paling optimal melibatkan fungsi aktivasi sigmoid bipolar (tansig) dengan rentang [-1,1]. Algoritma untuk transformasi nilai pada rentang [-1,1] tercantum pada Persamaan 3.2 dan Persamaan3.3.

y =( ( )) ( )

( )+ (-1) (3.2)

y = 2 x (( )

( )) - 1 (3.3)

2. Pengembangan Topologi Jaringan Saraf Tiruan Pada pemodelan ini dilakukan dengan cara trial and

error dengan parameter yang telah ditentukan sebelumnya. Parameter tersebut dapat dilihat pada Tabel 3.2.

Tabel 3.2 Parameter Model Jaringan Saraf Tiruan

Karakteristik Spesifikasi

Arsitektur Jumlah Neuron Hidden Layer Fungsi Aktivasi Hidden Layer Fungsi Aktivasi Output Fungsi Pelatihan Learning Rate Momentum Goal Maksimum Iterasi

1,2 Hidden Layer 5, 10, 20, 30, 40 tansig, logsig purelin, tansig, logsig trainlm, traingd, traingdm, traingda, traingdx, traincgb, traincgf, traincgp, trainb, trainbfg, trainbr, trainscg, trainrp, trainoss 0.1, 0.3, 0.5, 0.7, 0.9 0.1, 0.3, 0.5, 0.7, 0.9 0.001 5000

46

Pada penelitian ini digunakan 2 hidden layer dengan variasi neuron hidden layer yaitu 5, 10, 20, 30, dan 40. Pemilihan goal atau minimum toleransi sebesar 0,001. Pemilihan maksimum iterasi sebesar 5000 untuk membatasi proses training agar tidak terlalu lama. Diharapkan dihasilkan model jaringan saraf tiruan yang efektif dan efisien. Fungsi aktivasi yang digunakan antara lain purelin, logsig, dan tansig. Fungsi aktivasi tansig dan logsig dianggap lebih mampu menyelesaikan permasalahan kompleks, sedangkan purelin hanya digunakan pada output karena keluaran yang dihasilkan adalah sembarang bilangan riil (Demuth dan Mark, 2002). Learning rate dan momentum ditetapkan pada nilai 0.1, 0.3, 0.5, 0.7, 0.9. Jika nilai learning rate yang digunakan terlalu kecil maka terlalu banyak epoch yang dibutuhkan untuk mencapai nilai target yang diinginkan. Hal tersebut menyebabkan proses training membutuhkan waktu yang lama. Semakin besar nilai learning rate yang digunakan maka proses pelatihan jaringan akan semakin cepat. Akan tetapi, jika terlalu besar justru akan mengakibatkan jaringan menjadi tidak stabil dan menyebabkan nilai error berulang diantara nilai tertentu. Hal tersebut akan mencegah error mencapai target yang diharapkan. Oleh karena itu, pemilihan nilai variable learning rate harus optimal agar didapatkan proses training yang cepat (Hermawan, 2006).

3. Validasi Model JST Validasi merupakan suatu prosedur yang penting

untuk dilakukan. Validasi dilakukan sebagai proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses training. Ukuran kinerja jaringan dapat dinilai berdasarkan nilai MSE (Mean Square Error) dan R pada proses generalisasi terhadap contoh data input output baru.

[

∑ ( )

] (3.4)

47

Keterangan : = nilai prediksi

= nilai aktual

n = jumlah dataset yang diukur Model terbaik yang telah dipilih dibuat model

persamaannya berdasarkan bobot, bias, dan fungsi aktivasi yang telah dipilih. Skema kalkulasi bobot, bias, dan fungsi aktivasi dapat dilihat pada Gambar 3.8.

L

C

R

Z

β1

w11

w12

w13

w14

f1

b1

w11

w12

w13

w14

w1n

β2

w21

w22

w23

w24

f2

b2

w21

w22

w23

w24

w2n

β3

w31

w32

w33

w34

f3

b3

w31

w32

w33

w34

w3n

βn

wn1

wn2

wn3

wn4

fn

bn

wn1

wn2

wn3

wn4

wnn

F1

F2

Kadar Alkohol

pH

F2 Brix

Gambar 3.8 Pemodelan Jaringan Saraf Tiruan

Keterangan: L = Nilai induktansi sebagai input C = Nilai kapasitansi sebagai input R = Nilai resistansi sebagai input β = Bias dari input ke hidden layer b = Bias dari hidden layer ke output w = Bobot dari input layer ke output

48

Pada Gambar 3.8 menunjukkan bahwa dari input layer (induktansi, kapasitansi, resistansi, dan impedansi) ke hidden layer dan dari hidden layer ke output layer (kadar alkohol, pH, dan Brix) dihubungkan dengan masing-masing bobot dan bias. Penjumlahan nilai input, bobot, dan bias dijadikan input untuk layer berikutnya setelah ditransfer ke dalam fungsi aktivasi yang telah dipilih. Hingga akhirnya didapatkan nilai output kadar alkohol, pH, dan brix. Prosedur analisis sensitivitas pemodelan jaringan saraf tiruan dapat dilihat pada Gambar 3.9. Pada Gambar 3.9 proses dimulai dengan menggunakan data biolistrik sebagai input. Selanjutnya data di preprocessing yang berfungsi agar data berada pada range yang sama. Ketika data berada pada range yang sama maka data akan lebih mudah untuk diproses. Algoritma yang dipilih yaitu Backpropagation. Data dilatih dengan kombinasi yang berbeda hingga di dapat nilai MSE dan R sesuai dengan prosedur. Nilai MSE yang lebih kecil menunjukkan bahwa kesalahan semakin kecil, sedangkan R mendekati 1 menunjukkan adanya hubungan antara nilai input dan output. Setelah diperoleh topologi terbaik maka dilakukan validasi untuk memastikan bahwa data telah mampu untuk melakukan generalisasi terhadap proses pembelajaran.

49

Data biolistrik (input)

dan kadar alkohol, pH,

dan brix (output)

ulangan 1,2,3

Dibagi data training dan data va lidasi

(60%-40%)

Preprocessing Data metode minmax

Perancangan Topologi JST :

Algoritma pembelajaran = Backpropagation

Goal MSE = 0,001

Data la tih dila tih dengan variasi learning rate

(0,1;0,3;0,5;0,7;0,9), momentum (0,1;0,3;0,5;0,7;0,9), jumlah

hidden layer (1,2), jumlah node (5,10,20,30,40), fungsi

pembelajaran dan fungsi aktivasi terp ilih

Nilai MSE

dan R

Dipilih parameter terbaik dengan

MSE terendah dan R tertinggi

Topologi JST

terbaik

Model diuj i dengan data va lidasiData validasi

Nilai MSE

dan R

Hasil validasi

Nilai prediksi kadar a lkohol,

pH, dan brix minuman sari

buah jeruk

Gambar 3.9 Diagram Alir Pengembangan Topologi JST

50

IV. HASIL DAN PEMBAHASAN

4.1 Analisis Kandungan Kadar Alkohol, pH, dan Brix pada Minuman Sari Buah Jeruk dan Vodka Pada penelitian ini menggunakan alkohol vodka plain

untuk campuran minuman sari buah jeruk, campuran tersebut dimodelkan dengan beberapa proporsi yaitu 0%:100%; 5%:95%, 10%:90%, 15%:85%, 20%:80%, 25%:75% dan 100%:0%. Rata-rata kadar alkohol pada 3 perulangan pemodelan minuman sari buah jeruk yang dicampur vodka dapat dilihat pada Tabel 4.1.

Tabel 4.1 Kadar Alkohol Campuran Minuman Sari Buah Jeruk dan Vodka

Proporsi Vodka : Minuman Sari Jeruk Kadar Alkohol (%)

0%:100% 5%:95%

10%90%, 15%:85% 20%:80% 25%:75% 100%:0%

28 28.5 29

29.3 29.8 30.1 36

Sumber : Data Primer Diolah (2017)

Berdasarkan tabel diatas, minuman sari buah jeruk tanpa campuran vodka sudah memiliki kandungan alkohol (ethanol), akan tetapi kandungan tersebut dapat berasal dari kandungan alami pada buah serta berasal dari bahan tambahan dan bahan pengawet yang digunakan. Bahan pengawet memiliki kandungan alkohol berasal dari bahan sintetis serta pelarut yang ditambahkan pada proses pembuatannya. Menurut Ishak (2005), sari buah memiliki kandungan alkohol, kandungan tersebut bersifat alami. Kandungan alkohol pada minuman sari buah jeruk bukan merupakan khamr karena tidak memabukkan. Menurut Malahayati (2010), alkohol yang sering disebut sebagai konsen khamr ini sebenarnya adalah senyawa ethanol murni

51

maupun non fermentasi. Vodka memiliki kandungan khamr karena dibuat dengan proses destilasi tinggi sehingga dihasilkan kadar ethanol yang tinggi yaitu sekitar minimal 32.5% . Pada setiap sampel yang ditambahkan vodka, setiap kenaikan proporsi maka kadar alkohol di dalamnya juga meningkat. Peningkatan kadar alkohol setiap kenaikan 5% yaitu sekitar 0.5. Hal tersebut dipengaruhi karena volume alkohol vodka yang ditambahkan semakin banyak sehingga jumlah ethanol yang tercampur juga semakin banyak. Ethanol merupakan larutan yang dapat homogen dengan baik dan merata sehingga berapapun konsentrasi dan volumenya tetap akan tercampur (Giancoli, 2001). Alat refraktometer alkohol akan menunjukkan skala berdasarkan konsentrasi ethanol yang ada di dalam larutan. Cara kerja refraktometer alkohol yaitu dengan memanfaatkan bias cahaya kemudian terbaca skala dari ethaol yang terlarut di dalamnya.

Perbedaan proporsi vodka yang ditambahkan juga berpengaruh pada nilai pH. Rata-rata pH pada 3 perulangan pemodelan minuman sari buah jeruk yang dicampur vodka dapat dilihat pada Tabel 4.2.

Tabel 4.2 pH Campuran Minuman Sari Buah Jeruk dan Vodka

Proporsi Vodka : Minuman Sari Jeruk pH

0%:100% 5%:95%

10%90%, 15%:85% 20%:80% 25%:75% 100%:0%

3.7 3.7 3.8 3.8 3.9 3.9 7.3

Sumber : Data Primer Diolah (2017)

Kandungan yang asam pada minuman sari buah menyebabkan pH minuman kemasan rendah (Hellmich, 2010). Jeruk memiliki kandungan alami asam sitrat yang bersifat asam. Menurut Walton (2009), spirit merupakan larutan dengan

52

konsentrasi ethanol yang cukup tinggi melalui destilasi sehingga murni dengan derajat keasaman yang mendekati nilai netral. Minuman sari buah jeruk merupakan laruran asam yang memiliki pH 3.7, sedangkan vodka merupakan larutan yang cenderung netral/ sedikit basa dengan pH 7.3. Setiap larutan yang lebih bersifat basa, ketika dicampur larutan asam akan menghasilkan larutan yang berkurang keasamannya atau mendekati nilai netral atau basa (Ishak, 2009). Hal tersebut telah sesuai dengan hasil penelitian karena setiap kenaikan persentase penambahan vodka yang bersifat basa, maka nilai pH semakin meningkat. Setiap kenaikan proporsi sebesar 10%, nilai pH meningkat 0.1. Keasaman memilki hubungan terhadap sifat kelistrikan dari suatu bahan. Kecenderungan bahan yang memiliki keasaman yang tinggi, maka lebih baik dalam menghantarkan arus listrik serta memiliki muatan ion listrik (Hayt, 2005). Saat lebih banyak vodka yang ditambahkan, maka nilai pH semakin mendekat kearah netral. Hal tersebut mempengaruhi kemampuan bahan dalam menghantarkan arus listrik serta jumlah muatan listrik yang ada pada bahan karena keasamannya berkurang.

Indikator lain yang berubah saat penambahan vodka yaitu nilai Brix. Nilai brix erat kaitannya dengan konsentrasi dari suatu laruran. Rata-rata nilai brix pada 3 perulangan pemodelan minuman sari buah jeruk yang dicampur vodka dapat dilihat pada Tabel 4.3.

Tabel 4.3 Nilai Brix Campuran Minuman Sari Buah Jeruk dan Vodka

Proporsi Vodka : Minuman Sari Jeruk Brix

0%:100% 5%:95% 10%90%, 15%:85% 20%:80% 25%:75% 100%:0%

12 12.1 12.2 12.3 12.4 12.6 14.7

Sumber : Data Primer Diolah (2017)

53

Berdasarkan tabel diatas, vodka memiliki nilai brix yang lebih tinggi dari minuman sari buah jeruk. Menurut George (2016), spirit atau minuman beralkohol memiliki konsentrasi yang tinggi karena merupakan hasil destilasi dari biji-bijian yang memiliki kandungan karbohidrat yang tinggi. Setiap kenaikan proporsi vodka, nilai brix mengalami peningkatan proporsi sebesar 5%, meningkatkan brix sekitar 0.1.Hal tersebut dipengaruhi konsentrasi yang tinggi sehingga bahan terlarut yang ada dalam campuran juga meningkat. Daya hantar listrik larutan elektrolit bergantung pada jenis dan konsentrasi berupa larutan, elektrolit dapat menghantarkan arus listrik dengan baik meskipun konsentrasinya kecil. Sifat elektrolit juga bergantung pada kepolaran serta sifat dari bahan (Edminister, et al., 2003). 4.2 Analisis Sifat Biolistrik pada Campuran Minuman Sari

Buah Jeruk dan Vodka Penelitian ini menganalisis pengaruh frekuensi dan

persentase terhadap sifat biolistrik pada campuran minuman sari buah jeruk dan vodka dengan persentase yang berbeda. Hasil penelitian berupa 2 grafik dengan masing-masing sumbu x merupakan frekuensi dan persentase serta y merupakan sifat biolistrik yang terdiri dari induktansi (L), kapasitansi (C), resistansi (R), dan impedansi (Z). Pengukuran menggunakan frekuensi 100 Hz, 120 Hz, 1000 Hz, dan 10000 Hz. Pengukuran menggunakan persentase 0%, 5%, 10%, 15%, 20%, dan 25%. Sampel yang digunakan sebanyak 7, data yang didapat dari tiap frekuensi sebanyak 5 data. Data yang ditampilkan pada grafik merupakan nilai rata-rata. Data input grafik dapat dilihat pada Lampiran 1. Data input menunjukkan hasil pengukuran sifat biolistrik dengan frekuensi serta persentase yang berbeda.

Grafik hubungan frekuensi dan induktansi (L) serta hubungan persentase dan induktansi (L) campuran minuman sari buah jeruk dan vodka dapat dilihat pada Gambar 4.1 (a) dan (b).

54

Gambar 4.1 (a) Hubungan Frekuensi dan Induktansi (L) Campuran Minuman Sari Buah Jeruk dan Vodka

Gambar 4.1 (b) Hubungan Induktansi (L) dan Penambahan Persentase Alkohol Vodka pada Minuman Sari Buah Jeruk

Pada Gambar 4.1(a) dapat dilihat bahwa nilai induktansi (L) memiliki hubungan dengan frekuensi, yaitu nilai induktansi meningkat seiring meningkatnya frekuensi pengukuran. Pada frekuensi rendah, grafik lebih jelas terlihat perubahannya. Nilai pengukuran induktansi bernilai negatif, hal tersebut

-2.2-2

-1.8-1.6-1.4-1.2

-1-0.8-0.6-0.4-0.2

00.20.4

100 120 1000 10000In

dukta

nsi (m

H)

Frekuensi (Hz)

0%

5%

10%

15%

20%

25%

100%

-0.65-0.6

-0.55-0.5

-0.45-0.4

-0.35-0.3

-0.25-0.2

-0.15-0.1

-0.05-1E-15

0 5 10 15 20 25 100

Indukta

nsi (m

H)

Persentase Alkohol Vodka (%)

55

menunjukkan bahwa bahan dielektrik bersifat kapasitif (menyimpan muatan) (Widyaningtyas, 2016). Sifat dielektrik dipengaruhi oleh frekuensi karena polarisasi yang timbul dari bahan dielektrik akibat adanya medan listrik (Nelson, 2008). Peningkatan nilai induktansi karena dipengaruhi oleh frekuensi yang semakin besar. Menurut Tippler (1991), pada frekuensi yang sangat rendah reaktansi kapasitif menjadi lebih besar dibanding reaktansi induktif, sehingga impedansi akan lebih besar dan arus maksimum kecil. Ketika frekuensi naik, reaktansi induktif akan meningkat dan reaktansi kapasitif menjadi turun.

Pada Gambar 4.1 (b) dapat dilihat bahwa penambahan alkohol vodka pada minuman sari buah jeruk memberikan pengaruh walaupun perubahannya sedikit karena penambahan alkohol vodka yang relatif kecil. Hal tersebut menunjukkan bahwa penambahan tersebut memiliki reaktansi induktif yang mempengaruhi nilai biolistrik. Berdasarkan hasil pengukuran induktansi setiap kenaikan persentase penambahan alkohol vodka, nilai induktansi semakin menurun. Penurunan nilai terlihat jelas antara persentase 25% dan 100%, hal tersebut karena rentang yang cukup jauh. Penambahan persentase alkohol vodka pada minuman sari buah jeruk berbanding terbalik dengan nilai induktansi. Penambahan vodka dengan proporsi yang lebih tinggi juga mempengaruhi polaritas. Polaritas minuman sari buah jeruk lebih tinggi dibanding vodka berdasarkan polaritas ethanol. Menurut Ishak (2009), saat suatu larutan dengan polaritas berbeda dihomogenkan maka sifat polaritas akan berubah sesuai dengan larutan yang lebih dominan. Berdasarkan hal tersebut, maka semakin tinggi persentase maka vodka yang ditambah lebih banyak sehingga lebih dominan. Volume vodka yang lebih banyak akan menurunkan polaritas dari campuran karena nilai polaritas vodkalebih kecil nilainya.

Grafik hubungan frekuensi dan kapasitansi (C) serta hubungan persentase dan kapasitansi (C) campuran minuman

56

sari buah jeruk dan vodka dapat dilihat pada Gambar 4.2 (a) dan (b).

Gambar 4.2(a) Hubungan Frekuensi dan Kapasitansi (C) Campuran

Minuman Sari Buah Jeruk dan Vodka

Gambar 4.2 (b) Hubungan Kapasitansi(C) dan Penambahan Persentase Alkohol Vodka pada Minuman Sari Buah Jeruk

05E-07

0.0000011.5E-06

2E-062.5E-06

3E-063.5E-06

4E-064.5E-06

5E-065.5E-06

6E-06

100 120 1000 10000

Kapasitansi (n

F)

Frekuensi (Hz)

0%

5%

10%

15%

20%

25%

100%

0.0000E+001.0000E-072.0000E-073.0000E-074.0000E-075.0000E-076.0000E-077.0000E-078.0000E-079.0000E-071.0000E-061.1000E-061.2000E-061.3000E-06

0 5 10 15 20 25 100

Kapasitansi (n

F)

Persentase Alkohol Vodka (%)

57

Pada Gambar 4.2 (a) dapat dilihat bahwa nilai kapasitansi menurun seiring meningkatnya frekuensi pengkuran. Semakin tinggi frekuensi, maka nilai kapasitansi dan konstanta dielektrik akan mengalami penurunan. Nilai kapasitansi berbanding terbalik dengan nilai frekuensi (Trabelsi, 2012). Perubahan arah momen dipol pada bahan dielektrik yang disebabkan oleh frekuensi tinggi menyebabkan penurunan nilai kapasitansi. Frekuensi besar menyebabkan pergeseran muatan negatif dan positif di permukaan plat lebih cepat. Ketika frekuensi diperbesar, arus listrik bergerak bolak-balik dengan cepat dan mempengaruhi jumlah muatan kapasitor. Sebelum kapasitor terisi penuh, arus listrik berbalik sehingga jumlah muatan berkurang yang menyebabkan nilai kapasitansi berkurang (Juansah, 2012). Bahan dielektrik merupakan bahan non konduktor yang tidak mempunyai elektron bebas, apabila diberikan medan listrik, muatan positif dan negatif akan bergerak ke arah elektroda negatif dan positif, keadaan seperti ini disebut polarisasi (Harmen, 2001 dalam Nuwaiir, 2009). Medan listrik diantara keping kapasitor menjadi lemah akibat pengaruh polarisasi. Jika frekuensi mengalami kenaikan, maka total polarisasi berkurang mengakibatkan konstanta dielektrik berkurang (Nuwaiir, 2009). Pada frekuensi 100 Hz – 120 Hz dapat dilihat bahwa penurunan nilai kapasitansi relatif kecil dibandingkan penurunan nilai kapasitansi pada frekuensi 120 Hz – 10000 Hz. Hal ini disebabkan nilai kapasitansi yang diperoleh cenderung belum stabil seiring pertambahan frekuensi. Kapasitansi mengalami penurunan signifikan pada frekuensi 120 Hz menuju 1000 Hz karena besarnya rentang frekuensi yang digunakan. Saat sampel berada dalam keping sejajar, momen dipol masih berada dalam keadaan normal yaitu belum menyerahkan diri dengan arah medan listrik (Kusumaningrum, 2013). Suatu jaringan dapat bersifat konduktif atau kapasitif, pada frekuensi rendah jaringan atau objek biologi akan bersifat dielektrik dan saat frekuensi tinggi akan bersifat konduktor (Martinsen, 2008).

58

Pada Gambar 4.2 (b) dapat dilihat bahwa penambahan alkohol vodka pada minuman sari buah jeruk mengakibatkan turunnya nilai kapasitansi. Penurunan nilai kapasitansi tidak signifikan, namun mengalami perubahan. Semakin tinggi persentase alkohol vodka yang ditambahkan, maka semakin rendah nilai kapasitansinya. Hal tersebut menunjukkan bahwa penambahan alkohol vodka berbanding terbalik dengan nilai kapasitansi. Perubahan yang cukup signifikan yaitu pada persentase 0% dan 5%, serta 25% dan 100%.Molekul air, dibentuk oleh atom H dan O dan alkohol juga dibentuk oleh atom H dan O oleh sebuah ikatan sigma. Adanya gugus OH ini membuat alkohol memiliki polaritas hampir sama dengan polaritas air. Polaritas senyawa turunan alkohol tidak sebanding polaritas air, hal ini dipengaruhi oleh kehadiran gugus alkil pada molekulnya.Seperti yang diketahui gugus alkil merupakan gugus non polar, semakin panjang alkil yang dimiliki oleh suatu senyawa maka semakin besar sifat non polarnya. Pada metanol dan ethanol, dimana gugus alkil yang kedua senyawa ini miliki tidak begitu panjang dan tidak merubah tingkat elektronegatif (Martinsen, 2008). Polaritas dari sari buah jeruk sendiri mendekati nilai air, walaupun belum ada referensi mengenai polaritas sari buah jeruk namun diketahui polaritas jeruk keprok yaitu sekitar 9.8 (Julianti, 2010). Vodka memiliki kandungan ethanol dengan polaritas 0.654, berdasarkan hal tersebut polaritas sari jeruk lebih tinggi dibanding ethanol (Julianti, 2010). Saat persentase vodka yang ditambahkan meningkat, maka polaritas dari sari jeruk akan menurun karena campuran lebih dominan vodka.

Nilai kapasitansi erat kaitannya dengan nilai konstanta dielektrik. Persamaan konstanta dielektrik yaitu :

(4.1)

Keterangan : C = kapasitansi (F) k = konstanta dielektrik

59

= permitivitas ruang hampa (8.85 x 10-12 F/m) A = luas penampang (m2) d = jarak antar keping (m) Berdasarkan nilai kapasitansi yang diperoleh, kemudian di masukkan kedalam persamaan sehingga didapatkan nilai konstanta dielektrik. Konstanta dielektrik dipengaruhi oleh frekuensi, semakin besar frekuensi maka nilainya semakin menurun (Harmen, dkk, 2001). Pengaruh frekuensi terhadap konstanta dielektrik dapat dilihat pada Gambar 4.3.

Gambar 4.3 Pengaruh Frekuensi Terhadap Konstanta Dielektrik pada Campuran Minuman Sari Buah Jeruk dan Vodka

Pada Gambar 4.3 dapat dilihat bahwa nilai konstanta dielektrik menurun seiring meningkatnya frekuensi pengukuran. Hal ini merupakan salah satu keterkaitan sifat dielektrik dengan nilai kapasitansi dari bahan. Perubahan pengukuran kapasitansi dapat berkaitan dengan nilai konstanta dielektrik, karena konstanta dielektrik berbanding lurus dengan kapasitansi. Saat nilai konstanta dielektrik meningkat maka kepolaran bahan juga meningkat. Bahan dengan penambahan vodka yang lebih banyak, menyebabkan nilai kepolarannya menurun sehingga nilai konstanta dielektrik juga menurun (Ishak, 2009). Menurut

0100002000030000400005000060000700008000090000

100000110000120000130000140000150000160000170000

100 120 1000 10000

Konsta

nta

Die

lektr

ik

Frekuensi (Hz)

0%

5%

10%

15%

20%

25%

100%

60

Effendi, dkk (2007), nilai konstata dielektrik berbanding lurus dengan nilai kapasitansinya sehingga grafik menyajikan data identik dengan grafik kapasitansi namun berbeda nilainya. Medan listrik diantara keping kapasitor menjadi lemah diakibatkan oleh pengaruh polarisasi. Frekuensi mengalami kenaikan, maka total polarisasi berkurang dan mengakibatkan konstanta dielektrik berkurang. Menurut Harmen, dkk (2001), bahan dielektrik merupakan bahan non konduktor yang tidak memiliki elektron bebas, apabila diberikan suatu medan listrik bermuatan positif dan negatif maka akan bergerak kearah elektroda negatif dan positif, keadaan ini disebut dengan polarisasi. Menurut Lusiando, et al., (2012), polaritas adalah suatu kemampuan senyawa untuk membuat/membentuk dipol. Polaritas dari suatu senyawa dijelaskan dalam suatu istilah moment dipole. Polaritas dari suatu senyawa juga dihubungkan dengan konstanta dielektrik dimana jika nilai konstanta dielektrik meningkat maka kepolaran dari suatu senyawa juga meningkat. Hal tersebut telah sesuai berdasarkan grafik, saat vodka yang ditambahkan semakin kecil maka bahan semakin polar karena vodka merupakan ethanol yang memiliki polaritas lebih rendah dibanding air. Nilai perhitungan konstanta dielektrik campuran minuman sari buah jeruk dan vodka dapat dilihat pada Lampiran 2. Berdasarkan nilai perhitungan, maka nilia konstanta dielektrik memiliki nilai yang sebanding dengan nilai kapasitansi, karena konstanta dielektrik dihitung berdasar besar kapasitansi.

Grafik hubungan frekuensi dan resistansi (R) serta persentase dan resistansi (R) campuran minuman sari buah jeruk dan vodka dapat dilihat pada Gambar 4.4 (a) dan (b).

61

Gambar 4.4 (a) Hubungan Frekuensi dan Resistansi (R) Campuran Minuman Sari Buah Jeruk dan Vodka

Gambar 4.4 (b) Hubungan Resistansi(R) dan Penambahan Persentase Alkohol Vodka pada Minuman Sari Buah Jeruk

Pada Gambar 4.4 (a) nilai resistansi menurun seiring meningkatnya frekuensi pengukuran. Resistansi bahan adalah kecenderungan bahan untuk menghambat aliran arus listrik, yang berguna untuk menentukan sifat ohmik dan non ohmik dari suatu bahan. Sifat ohmik adalah dimana bahan dapat

075

150225300375450525600675750825900975

105011251200127513501425

100 120 1000 10000

Resis

tensi (O

hm

)

Frekuensi (Hz)

0%

5%

10%

15%

20%

25%

100%

050

100150200250300350400450500550600650700750800

0 5 10 15 20 25 100

Resis

tansi (O

hm

)

Persentase Alkohol Vodka (%)

62

menghantarkan arus listrik dan non ohmik adalah bahan yang tidak dapat menghantarkan arus listrik. Resistansi berbanding terbalik dengan frekuensi (Malvino, 1985 dalam Safitri, 2014). Hal ini dilihat dengan semakin bertambahnya frekuensi maka resistansi menurun. Peningkatan frekuensi pengukuran akan menyebabkan nilai resistansi atau impedansi listrik menurun (Juansah, 2011). Impedansi sebanding dengan resistansi. Menurut Juansah (2013), peningkatan frekuensi eksternal akan meningkatkan kecepatan perubahan gerak muatan listrik dalam bahan. Saat frekuensi diperbesar, maka tingkat perubahan arah molekul pada bahan semakin cepat terutama pada mobilitas muatan listrik yang menyebabkan turunnya nilai resistansi atau impedansi.

Pada Gambar 4.4 (b) dapat dilihat bahwa penambahan alkohol vodka pada minuman sari buah jeruk mengakibatkan turunnya nilai resistansi. Berdasarkan hasil pengukuran, semakin besar persentase alkohol vodka yang ditambahkan pada minuman sari buah jeruk menyebabkan nilai resistansi menurun. Penurunan relatif kecil dan tidak signifikan, namun terjadi perubahan nilai. Penurunan nilai resistansi yang signifikan yaitu pada penambahan alkohol vodka dengan persentase 25% dan 100%. Menurut Juansah (2013), arus polaritas dan muatan listrik akan menyerahkan tenaga saat melewati hambatan karena akan terjadi gesekan. Saat ditambahkan volume vodka maka polaritas menurun, muatan listrik yang dihasilkan lebih kecil. Muatan listrik dari campuran bergantung pada besar hambatan yang ada.

Grafik hubungan frekuensi dan impedansi (Z) serta hubungan persentase dan impedansi (Z) campuran minuman sari buah jeruk dan vodka dapat dilihat pada Gambar 4.5 (a) dan (b).

63

Gambar 4.5 (a) Hubungan Frekuensi dan Impedansi (Z) Campuran Minuman Sari Buah Jeruk dan Vodka

Gambar 4.5 (b) Hubungan Impedansi dan Penambahan Persentase

Alkohol Vodka pada Minuman Sari Buah Jeruk

Pada Gambar 4.5 (a) nilai impedansi berbanding terbalik yaitu menurun seiring meningkatnya frekuensi pengukuran. Peningkatan frekuensi pengukuran akan menyebabkan nilai resistansi atau impedansi listrik menurun (Juansah, 2011). Menurut Juansah (2013), peningkatan frekuensi akan

0

200

400

600

800

1000

1200

1400

1600

100 120 1000 10000

Impedansi (O

hm

)

Frekuensi (Hz)

0%

5%

10%

15%

20%

25%

100%

050

100150200250300350400450500550600650700750800

0 5 10 15 20 25 100

Impedansi (O

hm

)

Persentase Alkohol Vodka (%)

64

meningkatkan kecepatan perubahan gerak muatan listrik dalam bahan. Saat frekuensi diperbesar, maka tingkat perubahan arah molekul pada bahan semakin cepat terutama pada mobilitas muatan listrik yang menyebabkan turunnya nilai resistansi atau impedansi. Jika frekuensi ditingkatkan maka nilai impedansi listrik menurun. Impedansi pada rangkaian besarnya dipengaruhi oleh frekuensi, resistansi dan reaktansi total (Juansah, 2011). Impedansi sebanding dengan resistansi. Sesuai literatur menunjukkan penurunan impedansi menyebabkan penurunan pada resistansi. Pada Gambar 4.5 (b) dapat dilihat bahwa penambahan alkohol vodka pada minuman sari buah jeruk mengakibatkan turunnya nilai impedansi. Nilai impedansi erat kaitannya dengan resistansi, nilai impedansi berbanding lurus dengan resistansi. Berdasarkan hasil pengukuran, semakin besar persentase alkohol vodka yang ditambahkan pada minuman sari buah jeruk menyebabkan nilai impedansi menurun. Penurunan relatif kecil dan tidak signifikan, namun terjadi perubahan nilai. Penurunan nilai impedansi yang signifikan yaitu pada penambahan alkohol vodka dengan persentase 25% dan 100%. Hal tersebut dapat disebabkan karena rentang yang cukup jauh. Persentase alkohol vodka yang ditambahkan pada minuman sari buah jeruk berbanding terbalik dengan resistansi yang sebanding impedansi. 4.3 Analisis Sensitivitas Jaringan Saraf Tiruan untuk

Prediksi Kadar Alkohol Vodka pada Minuman Sari Buah Jeruk Prediksi pendugaan kandungan alkohol vodka pada

pemodelan campuran minuman sari buah jeruk dan vodka menggunakan jaringan saraf tiruan dilakukan dengan merancang topologi jaringan yang memberikan nilai mean square error (MSE) terendah dan nilai regression (R) yang mendekati 1. Kombinasi yang tepat dari jumlah hidden layer, jumlah node dalam setiap hidden layer, fungsi aktivasi, fungsi

65

pembelajaran, jumlah epoch, dan goalakan menghasilkan jaringan terbaik. Hasil tersebut diperoleh melalui tahapan trial error hingga didapatkan hasil terbaik. Kombinasi topologi jaringan saraf tiruan dapat dilihat pada Tabel 4.4.

Data biolistrik dalam penelitian sejumlah 1680 data terdiri dari data induktansi (L), kapasitansi (C), resistansi (R), dan impedansi (Z). Data induktansi, kapasitansi, resistansi, dan impedansi digunakan sebagai input dan data kadar alkohol, pH, dan brix digunakan sebagai data target. Pada proses pengambilan data, sifat biolistrik diukur sebanyak 5 kali. Data input dan output dapat dilihat pada Lampiran 3. Data diacak dengan menggunakan bilangan acak memanfaatkan fungsi RAND() pada Microsoft Excel. Data dibagi menjadi 60% (1008 data) untuk proses training dan 40% (672 data) untuk proses validasi. Data training dan validasi dapat dilihat pada Lampiran 4. Pembagian data menjadi data training dan data validasi mempengaruhi kemampuan generalisasi jaringan (Wenyan, et al., 2012). Menurut Li (2015), untuk proses pelatihan yang optimal, penelitian dapat menggunakan kelompok data berbeda dengan mengubah persentase data dan mengevaluasi nilai regresi tertinggi. Trial error pembagian persentase data menggunakan referensi penelitian terdahulu mengenai adulteration of orange juice. Menurut Das et al., (2016), pada penelitian identifikasi adulterant jus jeruk oleh air dan gula menggunakan jaringan saraf tiruan, digunakan fungsi logsig-logsig-purelin dengan node 30,40 dan fungsi pembelajaran trainlm. Hasil menunjukkan tingkat akurasi yang tinggi mencapai 99,4%. Input trial error ini adalah induktansi (L), kapasitansi (C), resistansi (R), dan impedansi (Z) hasil penelitian yang sudah dipreprocessing. Teknik preprocessing yang digunakan adalah normalisasi dengan premnmx (min-max) untuk menyeragamkan data. Menurut Siang (2009), fungsi premnmx mengubah data pada interval -1 dan 1. Data hasil normalisasi dapat dilihat pada Lampiran 5.

66

Tabel 4.4 Kombinasi Topologi Jaringan Saraf Tiruan

Fungsi Aktivasi Fungsi Pembelajaran

Jumlah node/layer

Jumlah Hidden Layer

Epoch

Hidden Layer

Output Layer

(1 HL) Tansig

Logsig

(2 HL)

Tansig-Tansig

Logsig-Logsig

Purelin Tansig Logsig Purelin Tansig Logsig

Purelin Tansig Logsig

Purelin Tansig Logsig

Trainlm Traingd

Traingdm Traingda Traincgb Trainscg Trainbfg Trainbr

Trainoss Traincgf Traincgp Trainrp

Traingdx Trainb

5, 10, 20, 30, 40, 50

5 5, 5 10,

5 20, 5 30, 5 40,

10 5, 10 10, 10

20, 10 30, 10

40, 20 5, 20

10, 20 20, 20

30, 20 40, 30

5, 30 10, 30

20, 30 30, 30

40, 40 5, 40

10, 40 20, 40 30, 40 40

1 2

5000

Pola masukan dan keluaran harus ditransformasi terlebih dahulu agar semua polanya memiliki range yang sama dengan fungsi aktivasinya. Hasil keluaran jaringan saraf tiruan untuk trial

67

error persentase data mengacu pada penelitian Li (2015) dapat dilihat pada Tabel 4.5 Tabel 4.5 Trial Error Pembagian Persentase Data Training dan

DataValidasi

Data Training (%) Data Validasi (%) Regresi

50 50 0.99995 60 70 80

40 30 20

0.99996 0.99994 0.99927

Sumber : Data Primer Diolah (2017)

Tabel 4.5 menunjukkan persentase 60% training dan 40% validasi memiliki nilai regresi tertinggi. Menurut Apriyanti (2005) dalam Sihombing (2011) pembagian data menjadi data training dan data testing cukup berpengaruh terhadap peningkatan nilai R2. Setelah didapat persentase pembagian data terbaik, selanjutnya trial error fungsi pembelajaran. Fungsi pembelajaran terlibat dalam perubahan bobot setiap iterasi jaringan saraf tiruan. Penelitian ini menggunakan 14 jenis fungsi pembelajaran dan membandingkan hasilnya untuk menentukan fungsi pembelajaran terbaik yang efektif mengubah bobot untuk meningkatkan kinerja jaringan sehingga mendapat bobot optimal (Sudha, 2016). Tahap ini untuk menguji ketepatan fungsi pembelajaran yang digunakan dalam perubahan bobot dengan kriteria MSE validasi terendah. Hasil keluaran jaringan saraf tiruan untuk variasi fungsi pembelajaran dapat dilihat pada Tabel 4.6. Pada Tabel 4.6 dapat dilihat bahwa fungsi pembelajaran trainlm menghasilkan nilai MSE validasi terendah sebesar 9.8666E-04 dan nilai koefisien korelasi tertinggi sebesar 9.8666E-04. Fungsi trainlm merupakan fungsi yang melakukan pelatihan jaringan menggunakan optimasi algoritma Levenberg-Marquardt. Teknik optimasi Levenberg-Marquardt lebih baik dalam menyelesaikan masalah dibandingkan teknik konvensional seperti Gradient Descent. Trainlm merupakan

68

algoritma Backpropagation tercepat di toolbox dan direkomendasikan sebagai pilihan pertama algoritma dengan pembelajaran, meskipun memerlukan memori lebih dari algoritma lain (Mathworks, 2010 dalam Saleh, 2013). Tabel 4.6 Trial Error Fungsi Pembelajaran

Fungsi Pembelajaran

R Training MSE

Training R Validasi

MSE Validasi

Trainlm 0.99897 8.9150E-04 0.99996 9.8666E-04 Traingd 0.99881 0.0010 0.99996 0.0011

Traingdm 0.99874 0.0011 0.99996 0.0011 Traingda 0.99875 0.0011 0.99996 0.0012 Traincgb 0.99889 9.9964E-04 0.99996 0.0010 Trainscg 0.99884 9.9997E-04 0.99996 0.0010 Trainbfg 0.99884 9.9962E-04 0.99996 0.0010 Trainbr 0.99884 9.9969E-04 0.99996 0.001

Trainoss 0.99885 9.9913E-04 0.99996 0.0011 Traincgf 0.99895 9.0923E-04 0.99996 0.0010 Traincgp 0.99885 9.9978E-04 0.99996 0.0011 Trainrp 0.99885 9.9994E-04 0.99996 0.0010

Traingdx 0.99876 0.0011 0.99996 0.0012 Trainb 0.99885 9.9716E-04 0.99996 0.0011

Sumber : Data Primer Diolah (2017)

Setelah didapat fungsi pembelajaran terbaik, selanjutnya tahap trial error untuk mengetahui fungsi aktivasi yang dipakai. Fungsi aktivasi digunakan untuk perhitungan input yang diterima pada neuron kemudian dilanjutkan pada neuron selanjutnya atau berfungsi sebagai penentu kuat lemahnya sinyal yang dikeluarkan oleh neuron (Puspitasari dan Sucipta, 2012). Variasi fungsi aktivasi yang digunakan adalah tansig, logsig untuk hidden layer, dan tansig, logsig, purelin untuk output layer. Purelin hanya digunakan pada output layer karena keluaran yang dihasilkan adalah sembarang bilangan riil (y=x). Menurut Demuth (2002), jika lapisan terakhir jaringan saraf tiruan (output) menggunakan fungsi sigmoid maka output jaringan terbatas pada rentang 0-1. Jika purelin yang digunakan dalam

69

output maka jaringan dapat menghasilkan nilai sembarang. Selain itu, menurut Ozkan (2003), fungsi aktivasi dengan tipe nonlinier dianggap lebih mampu untuk menyelesaikan masalah kompleks sehingga fungsi tansig dan logsig dapat dipakai di hidden layer. Trial error fungsi aktivasi dapat dilihat pada Tabel 4.7. Pada Tabel 4.7 dapat dilihat bahwa fungsi aktivasi tansig untuk input dan purelin untuk output memberikan nilai R training dan R validasi paling tinggi serta MSE training dan MSE validasi lebih rendah dibanding kombinasi fungsi aktivasi lainnya. Nilai R mewakili nilai koefisien korelasi, nilai koefisien korelasi validasi sebesar 0.99996 dan nilai MSE validasi sebesar 9.8666E-04.

Tabel untuk trial error fungsi aktivasi dan fungsi pembelajaran selengkapnya dapat dilihat di Lampiran 6.

Tabel 4.7 Trial Error Fungsi Aktivasi

Fungsi Pembelajaran

Fungsi Aktivasi

R Train MSE Train R Valid MSE Valid Hidden Layer

Output Layer

Tansig Purelin 0.99897 8.9150E-04 0.99996 9.8666E-04 Tansig Tansig 0.99886 9.8576E-04 0.99996 0.0011

TRAINLM Tansig Logsig 0.97099 0.6084 0.99633 0.6084 Logsig Purelin 0.99895 9.0923E-04 0.99996 0.0010 Logsig Tansig 0.99899 8.7773E-04 0.99996 0.0011 Logsig Logsig 0.99876 0.0011 0.99996 0.0012

Sumber : Data Primer Diolah (2017)

Dalam metode Backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinyu, terdeferensial dengan mudah, dan merupakan fungsi yang tidak turun. Fungsi aktivasi yang memenuhi ketiga syarat tersebut adalah tansig, logsig dan purelin (Siang, 2005). Dari dua tahap ini diketahui untuk perancangan topologi jaringan saraf tiruan menggunakan persentase data 60% - 40%, fungsi aktivasi logsig untuk neuron hidden layer, fungsi aktivasi purelin untuk neuron output, serta fungsi pembelajaran trainlm.

70

Penentuan jumlah hidden layer dan jumlah node pada hidden layer dan output layer terbaik dengan MSE validasi terendah dan R validasi mendekati 1, dilakukan dengan trial error. Menurut Dixit dan Uday (2008), terkadang semakin banyak hidden layer dan node pada hidden layer maka akan mampu memberikan generalisasi yang lebih baik. Berdasarkan hal tersebut maka perlu dilakukan trial error. Hasil trial dan error jumlah hidden layer dan jumlah node pada hidden layer dan output layer dapat dilihat pada Tabel 4.8. Tabel 4.8 Trial Error Jumlah Node dan Hidden Layer

Topologi R Training MSE

Training R

Validasi MSE

Validasi

Iterasi W(detik)

4-5-3 0.99881 0.001 0.99996 0.0013 439 17 4-10-3 0.99884 9.9996E-04 0.99996 0.0012 142 5 4-20-3 0.99892 9.390E-04 0.99996 0.0011 11 0 4-30-3 0.99889 9.638E-04 0.99996 0.0012 7 0 4-40-3 0.99894 9.270E-04 0.99993 0.0018 6 0 4-5-5-3 0.99884 9.99E-04 0.99996 0.001 80 2

4-5-10-3 0.99884 9.997E-04 0.99996 0.001 31 1 4-5-20-3 0.99884 9.9968E-04 0.99996 0.0011 30 3 4-5-30-3 0.99884 9.9944E-04 0.99996 0.0011 101 3 4-5-40-3 0.99884 9.9963E-04 0.99994 0.0019 52 3 4-10-5-3 0.99885 9.9864E-04 0.99996 0.0012 110 1 4-10-10-3 0.99884 9.9959E-04 0.99996 0.0013 9 0 4-10-20-3 0.99884 9.9973E-04 0.99996 0.0012 36 1 4-10-30-3 0.99885 9.9919E-04 0.99996 0.0011 6 0 4-10-40-3 0.77167 0.6560 0.99494 0.6560 268 2 4-20-5-3 0.99884 9.9971E-04 0.99995 0.0015 53 2 4-20-10-3 0.99885 9.9843E-04 0.99996 0.0011 19 2 4-20-20-3 0.99893 9.2842E-04 0.99996 0.0010 7 2 4-20-30-3 0.99896 9.0544E-04 0.99994 0.0020 7 3 4-20-40-3 0.99899 8.7344E-04 0.99996 0.0011 7 6 4-30-5-3 0.99878 0.0011 0.9997 0.0068 510 19 4-30-10-3 0.99885 9.9451E-04 0.99996 0.0011 32 1 4-30-20-3 0.99897 8.9150E-04 0.99996 9.8666E-04 9 1 4-30-30-3 0.99892 9.4170E-04 0.99996 0.0013 9 2 4-30-40-3 0.99898 8.8546E-04 0.99996 0.0011 7 3 4-40-5-3 0.99887 9.8132E-04 0.99996 0.0011 10 2 4-40-10-3 0.99887 9.8679E-04 0.99995 0.0015 8 3 4-40-20-3 0.99901 8.5804E-04 0.99992 0.0022 9 9 4-40-30-3 0.99892 9.5839E-04 0.99996 0.0011 7 13 4-40-40-3 0.34236 0.8218 0.98837 0.8218 5 1

71

Sumber : Data Primer Diolah (2017)

Pada Tabel 4.8 diperoleh topologi 4-30-20-3 memberikan nilai MSE training terendah sebesar 8.9150E-04, R training sebesar 0.99897, MSE validasi sebesar 9.8666E-04, dan R validasi sebesar 9.8666E-04 dengan waktu 1 detik dan 9 iterasi. Semakin banyak layer dan jumlah node per layer maka maka semakin bagus nilai MSE dan R (Saleh, dkk, 2013). Pada running data penelitian ini, jumlah node yang lebih besar cenderung menghasilkan hasil yang kurang bagus serta waktu yang lebih lama. Topologi terpilih memiliki nilai learning rate 0,1 dan momentum 0,9. Menurut Hermawan (2006), dengan menambah momentum maka konvergensi akan cepat dicapai. Menurut Setiawan (2003), learning rate merupakan parameter yang mengontrol perubahan bobot selama pelatihan, dengan nilai antara 0 dan 1. Tabel 4.8 menunjukkan topologi terbaik adalah 4-30-20-3 (4 neuron input, 30 neuron hidden layer 1, 20 neuron hidden layer 2, 3 neuron output). Kriteria pemilihan topologi terbaik adalah MSE validasi. Nilai MSE validasi topologi terpilih lebih rendah dibanding topologi lain sehingga topologi terpilih ini handal dalam memodelkan pola data yang terdapat pada input dan output. Selain itu dapat dilihat pula dari waktu yang diperlukan untuk melakukan iterasi hingga goal tercapai. Waktu iterasi yang singkat juga menunjukkan indikasi bahwa pola topologi sudah baik, training terhenti pada kondisi tertentu. Pada topologi ini, terhenti karena telah mencapai goal yang ditentukan yaitu 0.001.

Topologi terbaik menunjukkan dengan 2 hidden layer, jaringan lebih akurat dalam menduga kadar alkohol dengan didukung data pH dan brix. Menurut Dixit (2008), terkadang jaringan dengan jumlah hidden layer lebih banyak dapat menggeneralisasi lebih baik dibanding jaringan sederhana dengan jumlah neuron hidden layer yang lebih sedikit. Kompleksitas neuron pada hidden layer berbeda pada setiap

72

permasalahan tergantung dari pola data input dan output yang digunakan. Menurut Wijayasekara (2011), arsitektur jaringan dengan banyak neuron pada hidden layer dapat menghasilkan kinerja yang lebih baik, namun untuk beberapa permasalahan, arsitektur jaringan dengan sedikit neuron pada hidden layer dapat memberikan kinerja yang baik dibandingkan dengan jumlah neuron yang banyak pada hidden layer.

4.4 Analisis Hasil Prediksi Kadar Alkohol Vodka pada Minuman Sari Buah Jeruk Menggunakan Topologi Jaringan Saraf Tiruan Terbaik Dari tahap analisis sensitivitas didapatkan topologi

jaringan saraf tiruan terbaik adalah 4-30-20-3 dengan fungsi aktivasi hidden layer tansig dan output layer purelin, fungsi pembelajaran trainlm, learning rate 0.1, momentum 0.9, goal 0.001 dan maksimum epoch sebesar 5000. Hasil yang didapatkan yaitu MSE training terendah sebesar 8.9150E-04, R training sebesar 0.99897, MSE validasi sebesar 9.8666E-04, dan R validasi sebesar 9.8666E-04 dengan waktu 1 detik dan 9 iterasi. Plot performa hasil pelatihan jaringan terbaik dapat dilihat pada Gambar 4.6.

Gambar 4.6 Plot Performa Pelatihan Jaringan Terbaik

73

Pada Gambar 4.6 dapat dilihat bahwa pada awal proses pelatihan jaringan MSE yang diberikan cukup tinggi. Garis berwarna biru menunjukkan proses pelatihan, dimana terus menurun menuju garis putus-putus yang merupakan goal yang akan dicapai. Nilai MSE menurun seiring bertambahnya iterasi pelatihan. Epoch berhenti pada ulangan, dimana pada titik tersebut nilai MSE lebih kecil dari goal yaitu 0.001.Goal yang dicapai jaringan memerlukan waktu yang cukup singkat yaitu 1 detik. Semakin kecil nilai goal yang ditetapkan semakin tinggi pula koefisien korelasi pelatihan (R Training), namun MSE validasi yang diberikan belum tentu menjadi lebih rendah. Penetapan goal yang lebih kecil bertujuan untuk menghindari overfitting, sehingga jaringan akan terlatih secara eksklusif sehingga menurunkan kemampuan generalisasi. Analisis selanjutnya yaitu plot regresi simulasi pelatihan dan validasi dari topologi jaringan terpilih. Plot regresi pelatihan dan validasi dapat dilihat pada Gambar 4.7.

(a)

74

(b)

Gambar 4.7 Plot Regresi Simulasi Jaringan Topologi Terpilih (a) Simulasi Training (b) Simulasi Validasi

Pada Gambar 4.7 (a) dan (b) dapat dilihat bahwa sebaran data mendekati dan mengumpul pada garis linear fit. Hal tersebut menunjukkan bahwa error semakin kecil dan prediksi semakin akurat mendekati nilai aktual. Sebaran data yang menumpuk menunjukkan bahwa data telah mendekati atau sesuai dengan target yang ditentukan. Distribusi data yang hampir seragam pada garis regresi menunjukkan nilai error nya semakin kecil dimana prediksi semakin akurat. Rentang nilai koefisien korelasi antara 0.8-0.99 menunjukkan korelasi yang sangat kuat. Pada penelitian ini, nilai koefisien korelasi simulasi training bernilai 0.99897 dan simulasi validasi bernilai 0.99996 hal tersebut menunjukkan bahwa korelasi antara variabel dependen dan independen sangat kuat. Source code jaringan saraf tiruan backpropagation dapat dilihat pada Lampiran 7.

4.5 Pemodelan Jaringan Saraf Tiruan

Jaringan saraf tiruan terdiri dari input layer, hidden layer, dan output layer yang memiliki beberapa node. Setiap node pada layer yang berbeda dihubungkan oleh nilai bobot dan fungsi aktivasi non-linear. Seluruh node input layer mengirimkan

75

sinyal ke masing-masing node hidden layer sebagai penjumlahan bobot yang ditujukan pada fungsi aktivasi. Cara yang sama juga diaplikasikan untuk sinyal dari hidden layer menuju output layer. Gambar untuk topologi jaringan saraf tiruan terpilih dapat dilihat pada Gambar 4.8.

Pada Gambar 4.8 menampilkan model jaringan saraf tiruan dengan topologi terpilih. Jaringan terdiri dari 4 input yaitu induktansi (L), kapasitansi (C), resistansi (R), dan impedansi (Z), 30 node pada hidden layer 1, 20 pada hidden layer 2 dan 3 output yaitu kadar alkohol, pH, dan brix. Proses diawali dari perhitungan input yang telah dinormalisasi dengan bobot input ke hidden layer 1 yang telah diperoleh (summing function). Nilai dihitung menggunakan fungsi aktivasi terpilih. Nilai dalam bentuk transformasi fungsi aktivasi terpilih kemudian dikalikan dengan bobot hidden layer 1 ke hidden layer 2 untuk kemudian dihitung kembali dengan fungsi aktivasi terpilih. Nilai tersebut kemudian dikalikan dengan bobot hidden layer 2 ke output. Nilai akhir kemudian didenormalisasi untuk mendapatkan hasil.

X1

X4

X3

X2

X0

Bias 1

Induktansi (L)

Kapasitansi (C)

Resistansi (R)

Impedansi (Z)

Z1

Z30

Z3

Z2

Z0

H1

H20

H3

H2

H0

Y1

Y3

Kadar Alkohol

Brix

X01X02X03

X0.30

X11X12X13

X1.30

X21

X22X23

X2.30

X31X32X33

X3.30

X41 X42

X43

X4.30

Z01Z02Z03

Z0.20

Z11Z12Z13

Z1.20

Z21Z22Z23Z2.20

Z31Z32

Z33Z3.20

Z30.20

Z30.1Z30.2

Z30.3

H01H02

H11H12

H21

H22

H31

H32

H20.1

H20.2

INPUT LAYER HIDDEN LAYER

BACKPROPAGATION

OUTPUT LAYER

Y1

pH

H13

H23

H33

H20.3

H03

Gambar 4.8 Model Jaringan Saraf Tiruan dengan Topologi Terpilih

76

4.6 Perhitungan Model Jaringan Saraf Tiruan Secara Manual Membangun persamaan model jaringan saraf tiruan

dilakukan dengan melakukan perhitungan secara manual. Perhitungan jaringan saraf tiruan manual diawali dengan normalisasi pada data input. Simulasi ini mengambil 1 data validasi untuk mewakili perhitungan secara manual. Berikut ini adalah data input dan output dapat dilihat pada Tabel 4.9. Tabel 4.9 Tabel Input Jaringan Saraf Tiruan

Parameter Input

Nilai Input Nilai Maksimum

Nilai Minimum

Induktansi (L) -0.8590587 -0.0018785 -1.875 Kapasitansi (C) -0.8674493 4.54E-06 6.02E-09 Resistansi (R) -0.7131335 1189.22 120.43 Impedansi (Z) -0.8674493 4.54E-06 6.02E-09

Sumber : Data Diolah (2017)

Pada Tabel 4.9 data yang digunakan adalah data nomor 3 dari 168 data validasi. Nilai maksimum dan minimum merupakan data terendah dan tertinggi dari keseluruhan data validasi. Terlebih dahulu data input dinormalisasi agar berada di rentang -1 dan 1. Normalisasi digunakan untuk menghindari perubahan bobot yang terlalu ekstrem karena pada dasarnya interval dan pola data input berbeda-beda. Normalisasi pada rentang -1 dan 1 digunakan karena merupakan rentang normalisasi untuk kode premnmx. Rumus normalisasi secara manual mengacu pada Basheer (2000).

( )(

) (4.2)

Keterangan : = nilai normalisasi = nilai normalisasi pada rentang bawah

= nilai normalisasi pada rentang atas

77

= nilai maksimum pada data

= nilai minimum pada data

Selanjutnya rumus di atas dihitung kembali untuk menyesuaikan rentang interval yang akan dipakai dalam penelitian. Rumus normalisasi pada rentang -1 dan 1 dapat dilihat sebagai berikut.

(

) (4.3)

Keterangan: = nilai maksimum pada data

= nilai minimum pada data

Setelah didapat rumus untuk normalisasi pada rentang -1 dan 1 maka data pada Tabel 4. disubtitusi ke dalam Persamaan 4.3. Berikut ini adalah perhitungan normalisasi data input :

( ( )

( )) = -0.85906

( ( )

( )) = -0.86745

(

) = -0.71313

(

) = -0.79341

Tahap selanjutnya adalah mengalikan bobot dengan input serta menambahkan dengan bias menuju 30 neuron hidden layer pertama. Pemilihan bobot dan bias awal merupakan salah satu standar optimalitas algoritma Backpropagation. Bobot awal akan mempengaruhi apakah jaringan mencapai titik minimum lokal atau global. Bobot yang menghasilkan nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan bobotnya menjadi sangat kecil. Demikian pula nilai bobot awal tidak boleh

78

terlalu besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil juga. Oleh karena itu, dalam standar Backpropagation, bobot dan bias diisi dengan bilangan acak kecil. Terkadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya selalu 1. Unit yang demikian disebut dengan bias. Bias dipandang sebagai sebuah input yang nilainya = 1 (Siang, 2005). Bobot dan bias Jaringan Saraf Tiruan dapat dilihat pada Lampiran 8. Berikut ini adalah perhitungan summing function dari input layer ke hidden layer 1.

( ) ∑ (4.4)

Keterangan:

= nilai input setelah dinormalisasi = bobot dari input layer ke hidden layer 1

= bias dari input layer ke hidden layer 1 ( ) = (-0.8591 x -1.0247)+(-0.8675 x 0.2029)+(-0.7131 x -

2.458)+(-0.793406 x 1.842053)+(3.36701289) = 4.3620841

( ) = (-0.8591 x -0.8421)+(-0.8675 x -1.995)+(-0.7131x

1.9626)+(-0.793406x 1.203711)+(3.07831991) = 3.177602

( )= (-0.8591 x 2.6131)+(-0.8675 x 1.895)+(-0.7131 x -

0.88701)+(-0.793406 x -0.182980)+( -1.714714) = -4.825818

( ) = (-0.8591 x 0.14266)+(-0.8675 x 1.0111)+(-0.7131 x

1.9857)+(-0.793406 x -2.21901055) +(-2.8771559) = -3.5321899

( )= (-0.8591 x -1.5787)+(-0.8675 x -1.9358)+(-0.7131 x -

2.26274)+(-0.7131 x -0.08686582)+(-3.2060047) = 1.5119044

79

Setelah bobot, input, serta bias dijumlahkan, nilai yang dihasilkan diubah dalam fungsi aktivasi tansig. Penentuan fungsi tansig diperoleh dari hasil trial error yang merupakan fungsi aktivasi yang memberikan nilai MSE validasi terendah.

( ))

Exp adalah bilangan euler dengan nilai 2,71828 (4.5)

( )) = 0.999674835

( )) = 0.996530653

( )) = -0.99987137

( )) = 0.907276238

Setelah fungsi aktivasi dihitung, hasilnya menjadi input perhitungan selanjutnya menuju 20 neuron hidden layer kedua. Rumus yang digunakan menggunakan Persamaan 4.4. Berikut ini adalah perhitungan summing function dari hidden layer 1 layer ke hidden layer 2. ( ) = (0.999674835 x 0.572014)+(0.996530653 x -

0.30212)+(-0.99987137x 0.0216)+……+(0.907276238 x 0.057744)+(-1.42909) = 0.601497

( ) = (0.999674835 x -0.1408500)+(0.996530653 x

0.037580)+(-0.99987137x -0.032)+……+(0.907276238 x -0.44627)+1.56766 = -1.675

( ) = (0.999674835 x 0.401513) + (0.996530653 x -0.0714) +

(-0.99987137 x 0.526866) +……+(0.907276238 x -0.47743) + -1.32976= -4.13243

80

Hin(40) = (0.999674835 x -0.37372)+ (0.996530653 x 0.190019)+ (-0.99987137 x -0.09443) +……+ (0.907276238 x 0.125897) + -1.52781 = -1.6967

Hasil summing function selanjutnya diubah menjadi fungsi aktivasi tansig. Rumus untuk menghitung fungsi aktivasi tansig menggunakan Persamaan 4.5. Menurut Budiharto (2014) dalam jaringan saraf tiruan fungsi aktivasi untuk menentukan keluaran suatu neuron. Berikut ini adalah perhitungan fungsi aktivasi tansig pada hidden layer kedua.

( )) = 0.53811343

( )) = -0.93220999

( )) = -0.99948532

( )) = -0.93499508

Setelah fungsi aktivasi dihitung, hasilnya menjadi input menuju 3 neuron output. Rumus yang digunakan adalah Persamaan 4.4. Berikut ini perhitungan summing function dari hidden layer 2 ke output layer. ( ) = (0.53811343 x -0.013880)+(-0.93220999 x

0.1018370)+(-0.99948532 x -0.69647)+……+(-0.93499508 x -0.41422) + (-0.41312)= 1.003251

( ) = (0.53811343 x 1.023814) + (-0.93220999 x -0.21654) +

(-0.99948532 x 1.004832) +……+ (-0.93499508 x -0.10994) + 0.620017 = 1.000697

( ) = (0.53811343 x 0.300235) + (-0.93220999 x -0.6924) + (-

0.99948532 x 0.575404) +……+ (-0.93499508 x -0.58987) + (-0.35033) = 0.999303

81

Hasil perhitungan summing function diubah menjadi fungsi aktivasi purelin, yang memiliki rumus sebagai berikut.

( ( )) (4.6)

Transfer dari summing function ke fungsi aktivasi purelin sebagai berikut: ( ) 1.003251

( ) 1.000697

( ) 0.999303

Pada tahap awal jaringan saraf tiruan dilakukan normalisasi. Untuk itu, dilakukan denormalisasi agar didapat output yang sebenarnya. Rumus denormalisasi sebagai berikut.

( )

( )

(4.7)

Rumus denormalisasi didapat dengan mengubah variabel pada Persamaan 4.3 menuju ruas kiri. Pada denormalisasi, data yang digunakan adalah data output atau target dalam penelitian yaitu variabel pH, brix, dan kadar alkohol sehingga nilai maksimum minimum yang dimasukkan dalam rumus mengikuti nilai maksimum minimum data pH, brix, dan kadar alkohol (output). Berikut ini data ouput pH, brix, dan kadar alkohol. Tabel 4.10 Data Output pH, Brix, dan Kadar Alkohol

Parameter

Output

Nilai

Output

Nilai

Maksimum

Nilai

Minimum

pH 7.305853 7.3 3.7

Brix 14.70094 14.7 12

Kadar Alkohol 35.99721 36 28

Dimana: 1.003251

1.000697 0.999303 Perhitungan denormalisasi menggunakan Persamaan 4.7 sebagai berikut.

82

( ) ( )

= 7.305853

( ) ( )

= 14.70094

( ) ( )

= 35.99721

Dari perhitungan denormalisasi didapat prediksi pH 7.305853, brix 14.70094, dan kadar alkohol 35.99721. Selisih data aktual dan prediksi kadar alkohol, pH, dan brix dapat dilihat pada Lampiran 9. Indikator perhitungan sudah sesuai adalah persamaan antara nilai perhitungan manual dengan output Matlab.

4.7 Potensi Implementasi Pengukuran Sifat Biolistrik dan Jaringan Saraf Tiruan untuk Menduga Kadar Alkohol Vodka pada Minuman Sari Buah Jeruk Berdasarkan penelitian, penambahan alkohol vodka

dalam minuman sari buah jeruk memberikan perubahan kandungan. Perubahan tersebut akan mempengaruhi kehalalan karena vodka termasuk dalam golongan khamr. Metode pengukuran dielektrik dengan seperangkat parallel plate dan LCR Meter memberikan nilai biolistrik induktansi (L), kapasitansi (C), resistansi (R), dan impedansi (Z) yang berbeda pada perlakuan penambahan alkohol vodka dengan persentase berbeda. Menurut Castro-Giraldez et al., (2010), setiap bahan memiliki sifat biolistrik berbeda, yang dipengaruhi oleh frekuensi, suhu, komposisi, dan struktur materi. Saat vodka ditambahkan dalam minuman sari buah jeruk, terjadi perubahan pada nilai sifat biolistrik. Nilai biolistrik setiap frekuensi serta persentase memberikan nilai yang berbeda sehingga terlihat perubahan nilainya.

Pengukuran dielektrik dengan parallel plate dan LCR Meter dapat diimplementasikan dan dikembangkan karena berpotensi menjadi alat pendugaan kadar alkohol (vodka) dengan biaya yang terjangkau dan penggunaan yang lebih mudah. Selanjutnya digunakan JST untuk mengetahui tingkat

83

akurasi dari metode dielektrik. Nilai induktansi, kapasitansi, resistansi, dan impedansi digunakan sebagai input jaringan saraf tiruan. Jaringan saraf tiruan dapat digunakan untuk pengenalan pola, yaitu deteksi, klasifikasi, dan pengenalan (Purnamasari, 2013). Prediksi kadar alkohol pada sampel pemodelan berbasis biolistrik dan JST dapat digunakan berbagai kalangan. Metode konvensinal memiliki beberapa kekurangan antara lain biaya yang cukup mahal, dibutuhkan tenaga ahli dalam pengerjaan serta persiapan sampel yang cukup rumit. Salah satu metode lain dari pendugaan kadar alkohol yaitu dengan berbasis spectrometry, hasil yang didapatkan berupa kurva yang biasanya dalam pembacaan membutuhkan tenaga ahli. Dibandingkan dengan metode dielektrik dan JST, hasil yang didapatkan lebih mudah dipahami karena berupa angka. Aplikasi metode ini kedepannya ditujukan kepada konsumen, laboratorium, lembaga sertifikasi halal maupun untuk bartender. Metode tersebut dapat memberikan prediksi yang cepat mengenai kandungan kadar alkohol dalam minuman sari buah. Hal tersebut tetntunya akan menguntungkan karena informasi yang didapatkan lebih cepat dan akurat. Hasil penelitian ini dapat dijadikan sebagai langkah awal untuk mengembangkan alat pendugaan kadar alkohol yang tidak hanya dapat digunakan pada minuman sari buah namun pada bahan lain.

84

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan Sifat biolistrik yang diukur dipergunakan untuk

memprediksi kadar alkohol, pH, dan brix pada minuman sari buah dan vodka. Digunakan proporsi yang berbeda yaitu 0%:100%; 5%:95%; 10%:90%; 15%:85%; 20%:80%; 25%:75%, dan 100%:0%. Nilai induktansi (L) meningkat seiring peningkatan frekuensi pengukuran, sedangkan kapasitansi (C), resistansi (R), dan impedansi (Z) menurun seiring peningkatan frekuensi pengukuran.

Penambahan vodka pada pemodelan campuran sari buah jeruk dan vodka untuk nilai induktani (L), kapasitansi (C), resistansi (R), dan impedansi (Z) memberikan perubahan. Penambahan menyebabkan perubahan pada output yaitu kadar alkohol, pH, dan brix. Nilai output mengalami perubahan berbanding terbalik dengan sifat biolistrik. Persentase vodka yang ditambahkan berpengaruh pada nilai biolistrik yaitu pada induktansi, semakin banyak vodka yang ditambahkan maka nilai induktansi meningkat. Semakin banyak vodka ditambahkan maka nilai kapasitansi, resistansi, dan impedansi semakin rendah.

Hasil penelitian menunjukkan topologi Jaringan Saraf Tiruan Terbaik untuk pendugaan kadar alkohol vodka pada minuman sari buah jeruk adalah 4-30-20-3 (4 node input, 30 node hidden layer 1, 20 node hidden layer 2, dan 3 node output) dengan fungsi aktivasi tansig untuk hidden layer 1 dan 2, purelin untuk output layer, fungsi pembelajaran trainlm, dengan 0.1 learning rate dan 0.9 momentum; goal 0.001. Topologi Jaringan Saraf Tiruan terbaik memberikan nilai MSE training 8.9150E-04, R training 0.99897, MSE validasi 9.8666E-04, dan R validasi 9.8666E-04 dengan waktu 1 detik dan 9 iterasi

85

5.2 Saran Pengukuran sifat biolistrik dan pemodelan Jaringan Saraf

Tiruan mampu memberikan prediksi yang baik terhadap kadar alkohol, pH, dan brix pada pemodelan minuman sari buah jeruk yang dicampur vodka. Pada penelitian selanjutnya disarankan untuk menggunakan jenis alkohol serta minuman sari buah atau bahan yang berbeda dengan rentang persentase yang lebih kecil. Hal tersebut untuk mengetahui teknik pengukuran dielektrik dalam mendeteksi campuran seminimal mungkin dalam bahan.

86

DAFTAR PUSTAKA

Adiprabowo, D. S., Rizal, I & Iwan, S. 2012. Pendeteksi Kadar Alkohol Jenis Etanol pada Cairan dengan Menggunakan Mikrokontroler ATMega8535. Jurnal TeknoSains.

[BSN] Badan Standarisasi Nasional. 1995. SNI 01-3719-1995 : Minuman Sari Buah. Badan Standarisasi Nasional. Jakarta.

Badrul, A. 2011. Penerapan Algoritma Jaringan Syaraf Tiruan Backpropagation dalam Memprediksi Tingkat Suku Bunga Bank. Jurnal SAINTIKOM 10(2): 111-123.

Budiharto, W & Derwin S. 2014. Artificial Intelligence Konsep dan Penerapannya. Penerbit ANDI. Yogyakarta.

Castro-Giraldez, M., Rojas-Lopez, R & Delgado-Macuil. 2012. Analysis of Adulteration in Honey with Standard Sugar Solution and Syrups Using Attenuated Total Reflectance-Fourrier Transform Infra Red Spectroscopy and Multivariate Methods. CyTA-Journal Foods. Volume 10(2) : 119-122.

Das, A. E. 2016. Detection Adulteration Sugar and Water in Fruit Juice with Artificial Neuron Network. Springer-Verlag. London.

Demuth, H. & Mark B. 2002. Neural Network Toolbox For Use with Matlab. MathWorks. USA.

Dixit, P. M & Uday,S. D. 2008. Modelling of Metal Forming and Machining Processes. Springer-Verlag. London.

Edminister, J.A.& Mahmood, N. 2003. Rangkaian Listrik Edisi Keempat. Erlangga. Jakarta.

87

Effendi, R., Slamet S., Wilson S. S.&Soemarto. 2007. Medan Elektromagnetika Terapan. Erlangga, Jakarta.

Fausset, L. 1994. Fundamental of Neural Network, Architecture, Algorithms, and Applications. Prentice Hall. New York.

Foley, R. 2007. Vodka 1000 : The Ultimate Collection of Vodka Cocktails, Recipes, Facts, and Resources. Sourcebooks Inc. United States of America.

George, G. R. 2016. The Screwdriver-Dirty Martini 2. Book Boutiques. United States of America.

Giancoli, D.C. 2001. Fisika Jilid 2 Edisi Kelima.Erlangga. Jakarta.

Goyal, S & Gyandera, K.G. 2011. Cascade and Feedforward Backpropagation Artificial Neural Network Models For Prediction of Sensory Quality of Instant Coffee Flavoured Sterilized Drink. Journal on Artificial Intelligence, Machine Learning and Pattern Recognition. Volume2(6).

Harmen, A. H., Tambunan, E., Hartulistiyoso, D. M & Subrata.

2001. Rancang Bangun Alat dan Pengukuran Nilai Dielektrik pada Kisaran Frekuensi Radio. Jurnal Penelitian. Volume 5(2).

Hartono, A. F. 2012. Implementasi Jaringan Syaraf Tiruan Backpropagation sebagai Sistem Pengenalan Citra Daging sebagai Upaya Mengenali Daging Sapi Palsu di Pasar Tradisional Kota Semarang. Skripsi. FMIPA Universitas Negeri Semarang. Semarang.

88

Hayt, W. H. 2005. Elektromagnetika Teknologi. Erlangga. Jakarta.

Hayt, W. H. dan John, A.B. 2006. Elektromagnetika Edisi Ketujuh. Erlangga, Jakarta.

Hellmich, M. 2010. Mini Bar : Vodka : A Little Book of Big Drinks Mini Bar. Chronicle Books. New York.

Hermawan, A. 2006. Jaringan Saraf Tiruan: Teori dan AplikasI Edisi I. Andi Offset. Yogyakarta.

Hidayat, M.R. 2013. Kajian Karakteristik Biolistrik Kulit Ikan Lele (Clarias batrachus) dengan Metode Dielektrik Frekuensi Rendah. Skripsi. Universitas Brawijaya. Malang.

Ishak. 2009. Penuntun Praktikum Aplikasi Perubahan Kimia Pangan. TAPress. Makassar.

Juansah, J. 2011. Pendekatan Model Zhang dan Hayden dalam Kajian Listrik Buah Jeruk Garut. Jurnal Biofisika. 7(1):28-39.

Juansah, J. 2012. Kajian Kapasitansi Listrik Buah Jeruk Garut dan Sifat Fisiko Kimianya. Institut Pertanian Bogor. Bogor.

Juansah, J. 2013. Kajian Spektroskopi Impedansi Listrik untuk Evaluasi Kualitas Buah Jeruk Keprok Garut secara Nondestruktif. Disertasi. Institut Pertanian Bogor. Bogor.

Julianti, R. 2010. Ekstrak Sari Buah dan Jelly Drink. Penebar Swadaya. Jakarta.

89

Kamajaya. 2008. Cerdas Belajar Fisika. Grafindo Media Pratama. Bandung.

Karsoliya, S. 2012. Approximating Number of Hidden Layer Neurons in Multiple Hidden Layer BPNN Architecture. International Journal Of Engineering Trends and Technology 31(6): 714-717.

Kenneth & Jane, P. 2008. Sistem Informasi Manajemen. Salemba Empat. Jakarta.

Kerr, W. P. 2013. Viva Vodka : Colorful Cocktails with a Kick. Chronicle Books. New York.

Kurnia, A. C. 2016. Pemodelan Jaringan Saraf Tiruan Backpropagation Sifat Biolistrik untuk Prediksi Tingkat Kemurnian Madu. Skripsi. Universitas Brawijaya. Malang.

Kusumadewi, S. 2003. Artificial Intelligent. Graha Ilmu. Yogyakarta.

Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan

Menggunakan Matlab dan Excel Link. Graha Ilmu. Yogyakarta.

Kusumadewi, S & Hartati, S. 2010. Neuro Fuzzy : Integrasi

Sistem Fuzzy & Jaringan Syaraf Edisi 2. Graha Ilmu. Yogyakarta.

Kusumaningrum, A. 2013. Studi Pengukuran Konstanta Dielektrik Minyak Goreng Curah dengan Menggunakan Metode Dielektrik. Skripsi. Fakultas MIPA. Universitas Brawijaya.

Lai, C., Chang-Wei, H & Wen-Ching, K. 2014. Detection Limit of Molasses Spirits Mixed in Rice Spirits Using the

90

SNIF-NMR Method. Journal of Food and Drugs Analysis. Volume 22: 197-201.

Lea, A. G & John, P. 2003. Fermented Beverage Production.

Springer Science & Business Media. New York.

Li, X., Chen, F., Sun, D., dan Tao, M. 2015. Predicting Menopausal Symptoms With Artificial Neural Network. Expert Systems With Applications 42: 8698-8706.

Lusiando, P., Adita S.,& Andreas S. 2012. Pengukuran Kadar Air pada Lada Putih dengan Metode Kapasitor Plat Sejajar. Universitas Kristen Satya Wacana. Salatiga.

Malahayati, S. 2010. Rahasia Sukses Bisnis Rasulullah. Jogja

Great. Yogyakarta.

Martinsen, O. G & Sverre, C. 2008. Bioimpedance and Bioelectricity Basics Second Edition. Academic Press Elsevier. London.

Montano, J. R., Enrique, J. C. C., Miriam, B. C., Guillermon, R.

R & Jose, M. H. 2013. Determination of Alcohols in Essential Oils by Liquid Chromatography with Ultraviolet Detection After Chromogenic Derivatization. Journal of Chromatography. Volume 1296 : 157-163.

Muwakhidin, I. A. 2014. Peramalan Indek Saham Syariah

Indonesia (ISSI) Menggunakan Model BackpropagationNeural Network dan Radial Basis Function Neural Network. Skripsi. Universitas Negeri Yogyakarta. Yogyakarta.

91

Nelson, S. O. 2008. Dielectric Properties of Agricultural Products and Some Applications. RES. AGR. ENG., 2008, 54(2) : 104-112.

Nelson, S. O & Trabelsi, S. 2012. Factors Influencing the Dielectric Properties of Agricultural and Food Products.Journal of Microwave Power and Electromagnetic Energy. Volume 46(2) : 93-107.

Nugraha, A. P. 2008. Medium Pengisi dalam Pengalengan Buah. Penebar Swadaya. Jakarta.

Nuwaiir. 2009. Kajian Impedansi dan Kapasitansi Listrik Pada Membran Telur Ayam Ras. Skripsi. Institut Pertanian Bogor. Bogor.

Nuzula, F. 2015. Studi Pengaruh Campuran Lemak Babi terhadap Kapasitansi dan Konstanta Dielektrik Lemak Sapi dengan Metode Dielektrik. Skripsi. Universitas Brawijaya. Malang.

Ozkan, C. 2003. The comparison of Activatin Function for Multispectra Landsat TM Image Classification. Photogrammetic Engineering & Remote Sensing. Vol. 69(11):1225-1234.

Park, S., Jong-Chan, K., Hyun, S. L., Seung-Weon, J & You-Shin, S. 2016. Determination of Five Alcohol Compounds in Fermented Korean Foods via Simple Liquid Extraction with Dimethyl-sulfoxide Followed by Gas Chromatography-Mass Spectrometry for Halal Food Certification. Journal Food Science and Technology. Volume 74 : 563-570.

Puspaningrum,D. 2006. Pengantar Jaringan Syaraf Tiruan. Andi Offset.Yogyakarta.

92

Puspasari, S dan Sucipta, A. 2012. Analisis Implementasi Algoritma Propagasi Balik pada Aplikasi Identifikasi Wajah Secara Waktu Nyata. Prosiding Seminar Ilmiah Nasianal Komputer dan Sistem Intelejen (KOMMIT 2012): Vol. 7. Universitas Gunadarma.

Putri, R. 2007. Kajian Sifat Listrik Buah Manggis (Garcinia mangostana L.) Pada Tingkat Kematangan Berbeda. Skripsi. Institut Pertanian Bogor, Bogor.

Rashvand, M., Mahmoud, O., Hossein, M&Mahmoud, S. F. 2016. Adulteration Detection in Olive Oil using Dielectric Technique and Data Mining. Journal of Sensing and Bio-Sensing. Volume 1(1): 33-36.

Saleh, E. R. 2013. Prediksi Masa Kadaluarsa Wafer dengan Artificial Neural Network Berdasarkan Parameter Nilai Kapasitansi. Jurnal Agritech: Vol 33(4).

Satuhu. 2004. Penanganan dan Pengolahan Pangan. Penebar Swadaya. Jakarta.

Setiawan, W. 2008. Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan Algoritma Backpropagation. Konferensi Nasional Sistem dan Informatika 2008.

Shaleh, Q. 2007. Asbabun Nuzul. Diponegoro. Bandung.

Siang, J.J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Penerbit ANDI. Yogyakarta.

Siang, J.J. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Penerbit ANDI. Yogyakarta.

93

Sihombing, D. T. H. 2005. Ilmu Ternak Lebah Madu. Universitas Gajah Mada Press. Yogyakarta.

Silalahi, F.R.L. 2003. Pengukuran Difusitas Termal dan Sifat Dielektrik pada Kisaran Gelombang Radio dari Produk Lada dan Andaliman. Tesis. Institut Pertanian Bogor. Bogor.

Solechah, L. 2015. Kajian Spektroskopi Impedansi Listrik

pada Udang Galah (Macrobracium Rosenbergii) Berformalin. Skripsi. Institut Pertanian Bogor. Bogor.

Sulastri, E.J. 2006. Kajian Sifat Listrik Membran dan Fisik

Daging Ayam Broiler Giling Selama Proses Penyimpanan dan Pemanasan. Skripsi. Institut Pertanian Bogor. Bogor.

Sutojo, T., Mulyanto, E., dan Suhartono, V. 2011. Kecerdasan Buatan. Penerbit ANDI. Yogyakarta.

Sutrisno. 1983. Fisika Dasar : Gelombang dan Optik, Elektronika, Listrik dan Magnet. Penerbit ITB. Bandung.

Tipler, P. A. 1991. Fisika untuk Sains dan Teknik Jilid 2.

Erlangga. Jakarta. Tipler, P.A. 1996. Fisika Untuk Sains dan Teknik Jilid 2 Edisi

Ketiga. Erlangga. Jakarta.

Torrecilla, J.S., Otero, L., dan Sanz, P.D. 2007. Optimization of an Artificial Neural Network for Thermal/Pressure Food Processing: Evaluation of Training Algorithms. Journal of Computers and Electronics in Agriculture (56): 101-110.

94

Walton, S. 2009. Vodka Classified : A Vodka Lover’s Companion. Pavilion Books. New York.

Wenyan, W., Holger, R. M., Graeme, C.D., Robert, M. 2012. Exploring The Impact of Data Splitting Methods on Artificial Neural Network Models. International Conference of Hydroinformatics. Hamburg.

Wijayaningtyas, S. 2016. Model Pendugaan Nilai Pol dan Brix Nira Tebu untuk Prediksi Rendemen Sementara dengan Sifat Biolistrik dan Jaringan Saraf Tiruan. Skripsi. Universitas Brawijaya Malang.

Wijayasekara, D. Milos M., Piyush S., Vivek U. Optimal Artificial Neural Network Architecture Selection for Performance Prediction of Compact Heat Exchanger with the EBaLM-OTR Technique. Nuclear Engineering and Design. 241:2549-2557.

Winarno. 2004. Kimia Pangan dan Gizi. PT. Gramedia Pustaka Utama. Jakarta.

Woollard, B. 2003. Elektronika Praktis. PT. Anem Kosong Anem. Jakarta.

Wynn, D. 2009. The Wine, Beer, and Spirits Handbook : A Guide to Styles and Service. John Wiley & Sons. New Jersey.

Young, H. dan Freedman, R.A. 2003. Fisika Universitas Jilid 2 Edisi Kesepuluh. Erlangga. Jakarta.