LAPORAN PRAKTIKUM

ANALISIS DAN EVALUASI PRODUK AGROINDUSTRI

“UJI PENDUGAAN DAN NON DESTRUKTIF”

Disusun Oleh :
Nama : Faradillah Raynita Yusuf
NIM : 185100301111056
Kelompok : 28
Asisten : Clarisa Mayangsari

LABORATORIUM TEKNOLOGI AGROKIMIA

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIJAYA
MALANG
2020
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Biji merupakan bagian penting tanaman yang dihasilkan dalam proses
generatif tanaman. Hampir semua tanaman berbunga akan menghasilkan biji. Biji
ini dihasilkan dari proses pembuahan kepala putik oleh benang sari yang
terdapat pada bunga. Proses awal pembuahan ini terjadi saat benang sari
melepaskan pollen ke kepala putik yang kemudian pollen ini pecah dan diserap
oleh kepala putik. Pollen ini mengandung inti generatif (sperma) yang nantinya
akan disalurkan melalui pollen tube menuju ke ovarium. Sperma akan membelah
dan berkembang di dalam ovarium sampai waktunya bunga akan membentuk biji
dan berubah menjadi bakal buah.Tanaman biji-bijian hanya mampu membentuk
biji dan bunga tidak berubah menjadi bakal buah tetapi bunga tersebut akan layu
seperti pada proses pembentukan biji pada kacang tanah. Biji yang berkualitas
baik adalah biji yang sudah matang secara fisiologis. Biasanya hal ini ditandai
dengan ciri fisik yang dapat dilihat seperti tanaman menjadi kuning pada
tanaman padi atau kulit pembungkus biji menguning seperti pada kedelai. Dalam
sudut pandang petani, biji bisa jadi salah satu bagian tanaman yang sangat
berharga karena nantinya dapat ditanam kembali menjadi tanaman baru
Dielektrik adalah suatu bahan yang memiliki daya hantar arus yang
sangat kecil atau bahkan hampir tidak ada. Bahan dielektrik dapat berwujud
padat, cair dan gas. Tidak seperti konduktor, pada bahan dielektrik tidak terdapat
elektron-elektron konduksi yang bebas bergerak di seluruh bahan oleh pengaruh
medan listrik. Medan listrik tidak akan menghasilkan pergerakan muatan dalam
bahan dielektrik. Sifat inilah yang menyebabkan bahan dielektrik itu merupakan
isolator yang baik. Dalam bahan dielektrik, semua elektron-elektron terikat
dengan kuat pada intinya sehingga terbentuk suatu struktur regangan (lattices)
benda padat, atau dalam hal cairan atau gas, bagian-bagian positif dan
negatifnya terikat bersama-sama sehingga tiap aliran massa tidak merupakan
perpindahan dari muatan. Karena itu, jika suatu dielektrik diberi muatan listrik,
muatan ini akan tinggal terlokalisir di daerah di mana muatan tadi ditempatkan.
Masing-masing jenis dielektrik memiliki fungsi dan fungsi yang paling penting dari
suatu isolasi adalah: untuk mengisolasi antara penghantar dengan pengahantar
yang lain. Misalnya antara konduktor fasa dengan konduktor fasa, atau
konduktor fasa dengan tanah ; menahan gaya mekanis akibat adanya arus pada
konduktor yang diisolasi ; mampu menahan tekanan yang diakibatkan panas dan
reaksi kimia.

1.2 Tujuan
Pada praktikum uji instrumen memiliki beberapa tujuan. Dapat melakukan
perhitungan dielektrik pada biji – bijian. Dapat mempelajari penentuan kadar air
dengan metode ANN pada biji – bijian. Dapat menentukan kualitas berdasarkan
bentuk biji – bijian menggunakan images procesing dan mengukur akurasi
instrumen dalam perhitungan kadar air biji – bijian.
 BAB II
TINJAUAN PUSTAKA

2.1 Kadar Air

Rapeseed is used to product bio-diesel. Rapeseed needs to be dried to
minimize damage for subsequent operations. In order to optimize the drying and
storage processes of rapeseed, it is necessary to know the EMC. The
relationship between equilibrium moisture content (EMC) and equilibrium relative
humidity (ERH) of grain is an important in the field of drying and storage. The
desorption isotherm determines the lowest attainable moisture content of grain at
a particular drying temperature and relative humidity. The EMC and the ERH are
of primary important factors in order to fully describe the drying process, the
effect of water activity on safe storage, and the intrinsic drying kinetics (Duc and
Keum, 2016).
Rapeseed digunakan untuk produk bio-diesel. Rapeseed perlu
dikeringkan untuk meminimalkan kerusakan untuk operasi berikutnya. Untuk
mengoptimalkan proses pengeringan dan penyimpanan rapeseed, perlu untuk
mengetahui EMC. Hubungan antara kandungan kelembaban keseimbangan
(EMC) dan keseimbangan kelembaban relatif (ERH) biji-bijian penting di bidang
pengeringan dan penyimpanan. Isotherm desorpsi menentukan kadar air biji-
bijian pada suhu pengeringan tertentu dan kelembaban relatif. EMC dan ERH
adalah dari faktor-faktor penting utama untuk sepenuhnya menggambarkan
proses pengeringan, efek aktivitas air pada penyimpanan yang aman, dan kinetik
pengeringan intrinsik (Duc dan Keum, 2016).
Moisture content is one of the most fundamental and important
characteristic of biological material. The moisture content of food grains and other
agricultural products plays an important role in maintaining the desirable quality
of product. Changes in moisture content of agricultural material occur during their
harvesting, processing and marketing. The change in moisture content during
successive post-harvest stages is dependent upon the initial moisture content of
product and atmospheric conditions. The information of moisture content is
necessary because it tells us whether the product is suitable for safe storage or
for any other processing job (Bhople et al, 2017).
Kadar air adalah salah satu karakteristik biologis yang paling mendasar
dan penting bahan. Kadar air biji-bijian makanan dan produk pertanian lainnya
memainkan peran penting dalam menjaga kualitas produk yang diinginkan.
Perubahan kadar air bahan pertanian terjadi selama panen, pengolahan, dan
pemasaran mereka. Perubahan dalam kadar air selama tahap pasca panen
berturut-turut tergantung pada kelembaban awal produk dan kondisi atmosfer.
Informasi kadar air karena memberi tahu kami apakah produk tersebut cocok
untuk penyimpanan yang aman atau untuk pekerjaan pemrosesan (Bhople et al,
2017).

2.2 Sifat Listrik

CNT yarn, assembled by axially aligned CNTs, can be obtained by
indirect dry spinning from aligned CNT arrays or CNT film, and direct dry spinning
from CNT aerogel using a chemical vapor deposition (CVD) reaction. CNT yarn
exhibits good mechanical properties and good electrical conductivity. Direct
aerogel spinning has proven to be an efficient way for mass producing high
quality CNT yarns. However, aerogel-spun CNT yarns exhibit a wide range of
variation in diameters, strengths and conductivities. Further, due to the interfacial
slippage among bundles or CNTs, CNT yarn shows electrical and mechanical
property deficiencies (Liu et al, 2016).
Benang CNT, dirakit oleh CNT yang selaras secara aksial, dapat
diperoleh dengan pemintalan kering tidak langsung dari Array CNT atau film CNT
dan kering langsung berputar dari CNT aerogel menggunakan uap kimia reaksi
deposisi (CVD). Pameran benang CNT sifat mekanik yang baik dan listrik yang
baik konduktivitas. Pemintalan aerogel langsung telah terbukti menjadi cara yang
efisien untuk memproduksi massal berkualitas tinggi Benang CNT. Namun,
benang CNT aerogel-spun menunjukkan berbagai variasi diameter, kekuatan
dan konduktivitas. Lebih lanjut, karena selip antarfacial di antara bundel atau
CNTs, CNT benang menunjukkan properti listrik dan mekanik kekurangan(Liu et
al, 2016).
Listrik ialah suatu serangkaian fenomena fisika yang berhubungan aliran
muatan listrik positif dengan negatif. Ilmu yang mempelajari listrik terdiri dari dua
bagian, yakni listrik statis dan listrik dinamis. Listrik statis ialah ilmu tentang
muatan listrik yang diam, gaya antarmuatan, medan di sekitar muatan dan
potensial yang menimbulkan oleh muatan. Sedangkan listrik dinamis ialah ilmu
tentang muatan listrik yang bergerak, gaya yang ditimbulkan oleh medan listrik
dan potensial listrik (Kusumadewi, 2014).

2.2.1 Kapasitansi
Kapasitansi adalah efek listrik yang menentang perubahan tegangan.
Kpasitansi antara melakukan permukaan dipisahkan oleh isolator. Kapasitansi
menyimpan energi listrik ketika elektron tertarik ke permukaan di dekatnya tetapi
terpisah. Tegangan nilai kapasitansi berubah akan tetap konstan kecuali jumlah
muatan yang tersimpan berubah (Kusumadewi, 2014).
Kapasitansi dapat diartikan dengan rasio muatan total pada salah satu
konduktor terhadap beda potensial antara kedua konduktor. Kapasitansi juga
bisa didefinisikan sebagai kemampuan dari suatu kapasitor untuk dapat
menampung muatan elektron. Kapasitansi sendiri biasa disimbolkan dengan
huruf C dengan satuan farad (F). Untuk menenetukan nilai Q digunakan integral
permukaan untuk seluruh permukaan konduktor positif dan untuk menghitung V
yaitu dengan memindahkan sebuah muatan satuan positif dari permukaan
konduktor negatif ke permukaan konduktor positif (Pandjaitan, 2017).

2.2.2 Resistansi
Resistansi (resistance) atau lebih tepatnya disebut dengan Resistansi
Listrik (Electrical Resistance) adalah kemampuan suatu bahan benda untuk
menghambat atau mencegah aliran arus listrik. Seperti yang kita ketahui bahwa
arus listrik adalah banyaknya muatan listrik yang mengalir dalam suatu rangkaian
listrik dalam tiap satuan waktu. Karena adanya pergerakan elektron-elektron
pada konduktor. Maka Resistansi Listrik yang biasanya dalam bahasa Indonesia
disebut dengan Hambatan Listrik ini juga diartikan sebagai penghambat aliran
elektron dalam konduktor tersebut (Makridakis, 2016).
Resistor adalah komponen dasar elektronika yang selalu digunakan
dalam setiap rangkaian elektronika. Karena bisa juga berfungsi sebagai pengatur
atau untuk membatasi jumlah arus yang mengalir dalam suatu rangkaian.
Dengan resistor, arus listrik dapat didistribusikan sesuai dengan kebutuhan.
Sesuai dengan namanya resistor bersifat resistif dan umumnya terbuat dari
bahan karbon. Satuan resistansi dari suatu resistor disebut Ohm atau
dilambangkan dengan simbol Ω (Omega) (Pangestu, 2018).

2.2.3 Induktansi
Induktansi merupakan sifat sebuah rangkaian listrik atau komponen yang
menyebabkan timbulnya ggl di dalam rangkaian. Sebagai akibat perubahan arus
yang melewati rangkaian (self inductance). Akibat perubahan arus yang melewati
rangkaian tetangga yang dihubungkan secara magnetis (induktansi bersama
atau mutual inductance). Pada kedua keadaan tersebut, perubahan arus berarti
ada perubahan medan magnetik, yang kemudian menghasilkan ggl
(Kusumadewi, 2014).
Apabila sebuah kumparan dialiri arus, di dalam kumparan tersebut akan
timbul medan magnetik. Selanjutnya, apabila arus yang mengalir besarnya
berubahubah terhadap waktu akan menghasilkan fluks magnetik yang berubah
terhadap waktu. Perubahan fluks magnetik ini dapat menginduksi rangkaian itu
sendiri, sehingga di dalamnya timbul ggl induksi. Ggl induksi yang diakibatkan
oleh perubahan fluks magnetik sendiri dinamakan ggl induksi diri (Makridakis,
2016).

2.3 Artifical Neural Network

Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan merupakan
sebuah teknik atau pendekatan pengolahan informasi yang terinspirasi oleh cara
kerja sistem saraf biologis. Khususnya pada sel otak manusia dalam memproses
informasi. Elemen kunci dari teknik ini adalah struktur sistem pengolahan
informasi yang bersifat unik dan beragam untuk tiap aplikasi. Neural Network
terdiri dari sejumlah besar elemen pemrosesan informasi yang saling terhubung
dan bekerja bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang
pada umumnya dalah masalah klasifikasi ataupun prediksi (Jong, 2015).
Cara kerja Neural Network dapat dianalogikan sebagaimana halnya
manusia belajar dengan mengunakan contoh atau yang disebut sebagai
supervised learning. Sebuah Neural Network dikonfigurasi untuk aplikasi tertentu.
Seperti pengenalan pola atau klasifikasi data, dan kemudian disempurnakan
melalui proses pembelajaran. Proses belajar yang terjadi dalam sistem biologis
melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, dalam halnya
pada Neural Network penyesuaian koneksi sinaptik antar neuron dilakukan
dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input,
neuron maupun output (Kusumadewi, 2014).
2.3.1 Faktor yang Mempengaruhi Kinerja Artificial Neural Network
Neural Network memproses informasi berdasarkan cara kerja otak
manusia. Dalam hal ini Neural Network terdiri dari sejumlah besar elemen
pemrosesan yang saling terhubung dan bekerja secara paralel untuk
memecahkan suatu masalah tertentu. Di sisi lain, komputer konvensional
menggunakan pendekatan kognitif untuk memecahkan masalah; dimana cara
pemecahan masalah haruslah sudah diketahui sebelumnya untuk kemudian
dibuat menjadi beberapa instruksi kecil yang terstruktur. Instruksi ini kemudian
dikonversi menjadi program komputer dan kemudian ke dalam kode mesin yang
dapat dijalankan oleh komputer (Jong, 2015).
Neural Network dengan kemampuannya dapat digunakan untuk
memperoleh pengetahuan dari data yang rumit atau tidak tepat. Serta juga dapat
digunakan untuk mengekstrak pola dan mendeteksi tren yang terlalu kompleks
untuk diperhatikan baik oleh manusia atau teknik komputer lainnya. Sebuah
Neural Network yang telah terlatih dapat dianggap sebagai “ahli” dalam kategori
pemrosesan informasi yang telah diberikan untuk dianalisa. Ahli ini kemudian
dapat digunakan untuk menyediakan proyeksi terkait kemungkinan kondisi di
masa mendatang (Makridakis, 2016).

2.3.2 Jenis Fungsi Aktivasi dalam Artificial Neural Network

Keuntungan lainnya dari penggunaan Neural Network terdapat beberapa.
Pembelajaran adaptif: Kemampuan untuk belajar dalam melakukan tugas-tugas
berdasarkan data yang diberikan. Self-Organization: Sebuah Neural Network
dapat membangun representasi dari informasi yang diterimanya selama proses
pembelajaran secara mandiri. Operasi Real-Time: Penghitungan Neural Network
dapat dilakukan secara paralel, sehingga proses komputasi menjadi lebih cepat
(Gasperz, 2015).
Neural Network dan algoritma komputer konvensional tidaklah saling
bersaing tetapi saling melengkapi. Beberapa tugas atau masalah lebih cocok
diselesaikan dengan pendekatan algoritmik seperti halnya operasi aritmatika, di
sisi lain ada tugas-tugas yang lebih cocok untuk jaringan saraf, misalnya prediksi
pergerakan data time-series. Bahkan, sejumlah besar tugas lainnya memerlukan
sistem yang menggunakan kombinasi dari keddua pendekatan tersebut. Dimana
biasanya komputer konvensional digunakan untuk mengawasi Neural Network
agar dapat memberikan kinerja maksimum (Jong, 2015).

2.4 Mean Squared Error (MSE)

Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan.
Serta penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang
akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan
data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan
yang bersifat formal maupun informal (Pandjaitan, 2017).
Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang
kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan
perbedaan yang besar (Pangestu, 2018).

2.5 Images Processing

Image Processing adalah suatu metode untuk mengolah gambar (Image) ke
dalam bentuk digital untuk tujuan tertentu. Pada awalnya pengolahan citra ini
berfungsi untuk memperbaiki dan meningkatkan kualitas suatu gambar. Namun
dengan perkembangan zaman dan munculnya ilmu-ilmu komputasi hal itu
memungkinkan manusia dapat mengambil suatu informasi yang ada dalam suatu
gambar. Inputnya adalah citra (gambar) dan keluaranya adalah citra yang sudah
diperbagus kualitasnya (Gasperz, 2015).
Misalnya, sebuah gambar yang kurang tajam warnanya, kabur (blurring) dan
terdapat noise (mis bintik putih). Memerlukan proses untuk memperbaiki kualitas
gambar sehingga mendapatkan informasi yang lebih baik. Merupakan kegiatan
menganalisis citra (gambar). Sehingga menghasilkan sebuah informasi baik
untuk menetapkan keputasan (biasanya menggunakan ilmu kecerdasan buatan
atau AI untuk pengenalan pola menggunakan syaraf tiruan, logika fuzzi, dan lain-
lain) (Jong, 2015).

2.6 Aplikasi Artificial Neural Network dalam Agroindustri

Dalam bidang teknik terdapat peningkatan aplikasi pemodelan ANN
beberapa tahun terakhir. ANN digunakan untuk menyelesaikan beberapa
permasalahan dasar, maupun permasalahan khusus. Komputasi konvensional
telah dapat menyelesaikan permasalahan jika data untuk desain, interpretasi,
dan perhitungan cukup memadai. Saat ini ANN menjadi alternatif penyelesain
permasalahan bidang perminyakan dan geotermal seiring dengan kemajuan dari
pengenalan pola, klasifikasi data, deteksi non-linier, dan proses pemodelan
teknologi. Analisis pola, pemrosesan sinyal, aplikasi kontrol, korelasi prediksi dan
optimasi merupakan beberapa aplikasi ANN dalam bidang perminyakan dan
geotermal (Pandjaitan, 2017).
Pada Artificial Neural Network (ANN), strukturnya terdiri dari input layer,
hidden layer dan output layer. Suatu informasi (α) akan diterima input layer
menggunakan bobot kedatangan (w) tertentu. Setelah itu akan dilakukan
penjumlahan bobot pada hidden layer. Kemudian hasil dari penjumlahan tersebut
akan dibandingkan dengan nilai ambang (threshold). Jika nilai melewati ambang
batas, maka akan diteruskan ke output layer, sedangkan jika nilai tidak melewati
ambang batas, maka tidak akan diteruskan ke output layer (Gasperz, 2015).
 BAB III
METODOLOGI

3.1 Alat dan Bahan

Pada praktikum uji instrumen menggunakan beberapa alat dan bahan.
Alat yang digunakan meliputi paralel plate, LCR meter, moisture analyzer, cawan
petri, timbangan analistik. Oven sebagai pemanas. Serta laptop dan kamera 2
MP.
Selain alat terdapat bahan yang digunakan. Bahan yang digunakan
sebagai berikut. Terdapat air, kertas label, kain saring. Serta biji – bijian (kacang
tanah atau kacang merah) sebagai objek yang diamati.

3.2 Diagram Alir

3.2.1 Diagram Alir Penentuan Kadar Air

Kacang merah

Direndam selama 0 jam, 2 jam, 4 jam, 6 jam

Ditimbang cawan kosong sebagai A gram

Dimasukkan biji ke dalam cawan

Dihitung berat cawan + sampel sebelum dioven

sebagai B gram

Dioven pada 105°C selama 24 jam

Ditimbang cawan petri + sampel sebagai C

gram

Dihitung nilai kadar air

Hasil
3.2.2 Diagram Alir Pengukuran Sifat Listrik

Kacang merah

Dimasukkan kedalam paraller plate

Dihubungkan parallel plate dengan LCR meter

dan komputer

Dihitung nilai induktansi, kapasitansi, resistensi

dengan frekuensi 100Hz, 10000Hz

Hasil
3.2.3 Diagram Alir Prediksi Kadar Air Menggunakan Artificial Neural
Network

Nilai sifat listrik

Di input dalam Microsoft excel

Ditentukan variabel, jumlah input dan output,

learning parameter dan hidden layer

Diatur jumlah data pengujian

Dipilih pengaturan training/validasi

Dilakukan pembentukan model menggunakan

N Npred

Dipilih nilai MSE terkecil

Ditentukan nilai prediksi

Hasil
3.4 Diagram Alir Pengujian Mutu dengan Images Processing

Kacang merah (0 jam, 2 jam, 4 jam, 8 jam)

Diletakkan diatas kain hitam

Difoto menggunakan kamera 2 MP

Diinput kedalam aplikasi MatLab

Dilakukan pemisahan warna/ thres holding

Diubah kedalam bentuk citra biner (greyscale)

Diubah kedalam bentuk HSV

Dianalisis sesuai parameter

Hasil
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Kadar Air Kacang Merah dengan Metode Oven

4.1.1 Analisis Prosedur
Prosedur pengujian kadar air kacang merah yaitu yang pertama
menyiapkan sampel kacang merhah. Setelah itu sampel direndah selama 0 jam,
2 jam, 4 jam, dan 6 jam. Kemudian ditimbang berat cawan kosong sebagai A
gram. Setelah sampel atau biji direndam, sampel dimasukkan ke dalam cawan
yang telah ditimbang kemudian ditimbang kembali berat cawan + sampel
sebelum dioven dan dianggap sebagai B gram. Setelah itu sampel dioven
selama 24 jam pada suhu 105°C, kemudian didinginkan. Setelah itu ditimbang
kembali cawan beserta sampel sebagai C gram dan dihitung kadar airnya.
(𝑏−𝑎)−(𝑐−𝑎)
Rumus untuk perhitungan kadar air basis kering = (𝑐−𝑎)
× 100%.
(𝑏−𝑎)−(𝑐−𝑎)
Kemudian untuk rumus kadar air basis basah = (𝑏−𝑎)
× 100%. Untuk a yaitu
berat cawan kosong, b yaitu berat cawan + sampel sebelum di oven, dan c yaitu
berat cawan + sampel setelah dioven. Dari perhitungan rumus diketahui hasil uji
kadar air untuk tiap jamnya, yaitu pada 0 jam, didapatkan basis kering 2,11% dan
basis basah 2,06%. Pada 2 jam didapatkan basis kering 38,29% dan basis
basah 27,69%. Pada 4 jam, didapatkan basis kereing 72,83% dan basis basah
42,14%. Pada 6 jam didapatkan basis kering 73,65% dan basis basah 42,41%.

4.1.2 Analisis Hasil

Pada perendaman 0 jam dengan rumus perhitungan dari basis basah =
(𝑏−𝑎)−(𝑐−𝑎) (120,1−110,4)−(119,9−110,4)
(𝑏−𝑎)
× 100% = (120,1−110,4)
× 100% = 2,06%. Dengan a adalah
berat cawan kosong, b adalah berat cawan + sampel sebelum di oven, dan c
adalah berat cawan + sampel setelah dioven. Rumus perhitungan dari basis
(𝑏−𝑎)−(𝑐−𝑎) (120,1−110,4)−(119,9−110,4)
kering = (𝑐−𝑎)
× 100% = (119,9−110,4)
× 100% = 2,11% .
Sehingga didapat hasil dari basis basah yaitu 2,06% dan basis kering yaitu
2,11%
Pada perendaman 2 jam dengan rumus perhitungan dari basis basah =
(𝑏−𝑎)−(𝑐−𝑎) (143,7−113)−(135,2−113)
(𝑏−𝑎)
× 100% = (443,7−113)
× 100% = 27,69% . Dengan a adalah
berat cawan kosong, b adalah berat cawan + sampel sebelum di oven, dan c
adalah berat cawan + sampel setelah dioven. Rumus perhitungan dari basis
(𝑏−𝑎)−(𝑐−𝑎) (143,7−113)−(135,2−113)
kering = × 100% = × 100% = 38,29%. Sehingga
(𝑐−𝑎) (135,2−113)
didapat hasil dari basis basah yaitu 27,69% dan basis kering yaitu 38,29%
Pada perendaman 4 jam dengan rumus perhitungan dari basis basah =
(𝑏−𝑎)−(𝑐−𝑎) (139,4−107,6)−(126−107,6)
(𝑏−𝑎)
× 100% = (139,4−107,6)
× 100% = 42,14%. Dengan a adalah
berat cawan kosong, b adalah berat cawan + sampel sebelum di oven, dan c
adalah berat cawan + sampel setelah dioven. Rumus perhitungan dari basis
(𝑏−𝑎)−(𝑐−𝑎) (139,4−107,6)−(126−107,6)
kering = (𝑐−𝑎)
× 100% = (126−107,6)
× 100% = 72,83% .
Sehingga didapat hasil dari basis basah yaitu 42,14% dan basis kering yaitu
72,83%.
Pada perendaman 6 jam dengan rumus perhitungan dari basis basah =
(𝑏−𝑎)−(𝑐−𝑎) (127,6−101,9)−(116,7−101,9)
(𝑏−𝑎)
× 100% = (127,6−101,9)
× 100% = 42,41% . Dengan a
adalah berat cawan kosong, b adalah berat cawan + sampel sebelum di oven,
dan c adalah berat cawan + sampel setelah dioven. Rumus perhitungan dari
(𝑏−𝑎)−(𝑐−𝑎) (127,6−101,9)−(116,7−101,9)
basis kering = (𝑐−𝑎)
× 100% = (116,7−101,9)
× 100% = 73,65% .
Sehingga didapat hasil dari basis basah yaitu 42,41% dan basis kering yaitu
73,65%

80
PENGARUH PERLAKUAN TERHADAP KADAR AIR
60 BASIS KERING DAN BASIS BASAH KACANG
MERAH
40

20

0
0 1 2 3 4 5 6 7

KADAR AIR BASIS KERING KADAR AIR BASIS BASAH

Hasil dari grafik prediksi di atas, kadar air basis kering dan basis basah
sampel kacang merah menunjukkan kenaikan. Kenaikan ada pada 0 jam hingga
4 jam, kemudian setelah 4 jam kadar air mulai stasioner hingga 6 jam. Lama
perendaman mempengaruhi besar persentase kadar air sampel kacang merah.
Semakin lama perendaman dari kacang merah, maka kadar air semakin
bertambah. Pada titik tertentu kacang merah akan mengalami penghambatan
dalam menyerap air, sehingga kadar air tidak bertambah atau dapat tidak
bertambah (Setyaningsih et al, 2011).
Menurut SNI, standar mutu kadar air kacang merah berkisar antara 6%
hingga 20%. Hasil yang didapat dengan sandar mutu SNI kurang sesuai. Hal ini
dikarenakan perbedaan tempat penanaman kacang merah, perbedaan cara
penanganan bahan, dan suhu saat proses pengujian. Kadar air tepung kacang
merah adalah sebesar 14,4%, sehingga dapat hasil praktikum kurang sesuai
dengan literatur (Winarno, 2017).

4.2 Pengukuran Sifat Listrik Menggunakan LCR Meter

Sifat listrik atau sifat dielektrik dapat diartikan sebagai gradien tegangan
maksimal yang dapat diatahan oleh suatu bahan tanpa merusak sifat isolatifnya.
Salah satu alat yang dapat digunakan untuk pengujian kadar air tanpa merusak
bahan yaitu dengan menggunakan LCR Meter. LCR Meter memanfaatkan sifat
kapasitansi, induktansi, dan resisitensi bahan. Induktansi atau I adalah sifat
bahan yang menyebabkan munculnya potensial listrik. Kapasitansi atau C adalah
banyaknya muatan listrik yang disimpan atau dipisahkan untuk potensial listrik
yang ada. Lalu resistensi atau R adalah perbandingan antara tegangan listrik
suatu komponen elektronik dengan arus listrik yang melewatinya. Prosedur
penggunaan LCR Meter pada sampel kacang merah diawali dengan menyiapkan
sampel kacang merah. Kemudian sampel kacang merah dimasukkan ke dalam
parallel plate. Selanjutnya parallel plate dihubungkan dengan LCR meter serta
komputer. Setelah terhubung, dihitung nilai induktansi, kapasitansi, resistensi dari
kacang merah dengan frekuensi 100, 1000, dan 10000Hz.
Output yang dihasilkan dari penggunaan LCR Meter pada sampel kacang
merah adalah data hasil kadar air berbentuk microsoft excel dengan berbagai
frekuensi yang berbeda sesuai yang diinginkan. Pengukuran dilakukan pada 2
frekuensi yang berbeda yaitu rendah dan tinggi. Syarat penggunaan LCR meter
yaitu windows maks windows 8 dan sudah menginstal aplikasi NET Framework.
Namun pada pengukuran LCR meter ini terdapat kendala tidak dapat mengatur
frekuensi meskipun telah menggunakan prosedur yang ada. Jadi bisa dikatakan
bahwa pada praktikum kali ini terdapat kendala di alat.

4.3 Prediksi Kadar Air dengan Metode ANN

4.3.1 Analisis Input

Dari nilai input di atas, untuk frekuensi sangat rendah dan rendah didapat
dari data yang ada di excel pada tiap rangkaian L, C, dan R. Data hasil
pengukuran ada sebanyak 100 data. Data 1-50 tergolong rendah dan tinggi. Data
51-100 tergolong rendah dan sangat tinggi. Jadi nilai LCR didapat dari rata-rata
antar data masing-masing.

Dari hasil di atas, nilai yang didapat pada running NN Prediction bagian
sheet user inputterdiri dari beberapa macam. Pada Network architecture option
ada 8 input yaitu: number of inputs adalah 3 ; number of hidden layers adalah 1 ;
learning parameter adalah 0,5 ; momentum adalah 0 ; number of output adalah 1
; hidden layer size 1 adalah 2 ; hidden layer size 2 adalah 2 ; dan initial Wt range
adalah 0,5. Pada Training option ada 4 input yaitu: total rows adalah 16 ; no. of
training cycles adalah 100 ; dan training mode adalah sequential. Pada option
yang digunakan pada training/validation set ;option 1 adalah randomly select
10% of data as validation set ; dan option 2 adalah use last 5 rows of the data as
validation set. ANN tidak dapat mempresentasikan kadar air sampel karena
nilainya tidak didapatkan dari hasil praktikum. Fungsi input layer untuk menerima
input sesuai dengan banyaknya variabel. Sedangkan hidden layer berfungsi
menerima layer dari input layer yang telah dikalikan dengan nilai bobot. Lalu
fungsi dari output layer yaitu untuk mendapatkan nilai output.
Input untuk frekuensi sangat rendah 0 jam ; besar L adalah -6,89E+00 ; C
adalah -9,71E-09 ; R adalah -5,68E+03 ; dan outputnya adalah 2,1%. Input untuk
frekuensi rendah 0 jam ; besar L adalah -1,11E+01 ; C adalah 5,07E-11 ; R
adalah -9,64E+04 ; dan outputnya adalah 1,9%. Input untuk frekuensi tinggi 0
jam ; besar L adalah -5,59E-02 ; C adalah 6,03E-11 ; R adalah 6,03E-11 ; dan
outputnya adalah 2%. Input untuk frekuensi sangat tinggi 0 jam ; besar L adalah
7,85E-02 ; C adalah 1,04E-11 ; R adalah 1,04E-11 ; dan outputnya adalah 1,8%.
Input untuk frekuensi sangat rendah 2 jam ; besar L adalah -1,11E+00 ;
C adalah 1,62E-09 ; R adalah -9,68E+03 ; dan outputnya adalah 117%. Input
untuk frekuensi rendah 2 jam ; besar L adalah -2,85E-01 ; C adalah 3,33E-11 ; R
adalah 1,34E+04 ; dan outputnya adalah 116,8%. Input untuk frekuensi tinggi 2
jam ; besar L adalah 1,73E+00 ; C adalah 7,49E-11 ; R adalah 9,42E+03 ; dan
outputnya adalah 117,2%. Input untuk frekuensi sangat tinggi 2 jam ; besar L
adalah -7,39E-02 ; C adalah 1,10E-11 ; R adalah 5,90E+04 ; dan outputnya
adalah 116,9%.
Input untuk frekuensi sangat rendah 4 jam ; besar L adalah -1,8E+00 ; C
adalah -3,10E-11 ; R adalah -1,25E+04 ; dan outputnya adalah 151%. Input
untuk frekuensi rendah 4 jam ; besar L adalah 2,07E+00 ; C adalah -2,32E-11 ; R
adalah 3,72E+05 ; dan outputnya adalah 151,3%. Input untuk frekuensi tinggi 4
jam ; besar L adalah 4,01E-01 ; C adalah 6,55E-13 ; R adalah 2,84E+04 ; dan
outputnya adalah 150,9%. Input untuk frekuensi sangat tinggi 4 jam ; besar L
adalah -2,67E-02 ; C adalah 1,29E-11 ; R adalah 7,15E+03 ; dan outputnya
adalah 150,8%.
Input untuk frekuensi sangat rendah 6 jam ; besar L adalah -1,72E+00 ; C
adalah -3,58E-09 ; R adalah 1,89E+04 ; dan outputnya adalah 155,9%. Input
untuk frekuensi rendah 6 jam ; besar L adalah 4,16E+00 ; C adalah -1,46E-11 ; R
adalah 1,01E+05 ; dan outputnya adalah 156%. Input untuk frekuensi tinggi 6
jam ; besar L adalah 1,85E-01 ; C adalah -6,06E-11 ; R adalah -7,09E+05 ; dan
outputnya adalah 155,7%. Input untuk frekuensi sangat tinggi 6 jam ; besar L
adalah 4,56E-02 ; C adalah 8,48E-13 ; R adalah -6,93E+05 ; dan outputnya
adalah 156,11%.
4.3.2 Analisis Hasil
4.3.2.1 Output
 Hasil grafik validation set di grafik MSE validation adalah meningkat. Hasil
paling rendah pada MSE validation yaitu pada iterasi 1 dengan persentase
39,79%. Sedangkan untuk MSE training, hasil paling rendah yaitu pada iterasi
100 dengan persentase 1371,77%. Hasil ini menunjukkan bahwa nilai training
memiliki nilai kesalahan terkecil pada iterasi terakhir, dan nilai validation memiliki
rata-rata terkecil pada iterasi pertama. Sehingga, semakin rendah nilai output
prediksinya, maka semakin kecil rata-ratanya yang diperoleh.

4.3.2.2 Profile
 Hasil dari grafik profile plot (grafik predicted kadar air) di atas,
menunjukkan hasil semakin meningkat. Terdapat 10 data pada grafik yang
diperloeh dari pemilihan option 1, yaitu randomly select 10% dari data validation
set. Nilai fixed value L adalah -0,895 ; C adalah 0,000 ; dan R adalah -
57376,859. Nilai min L adalah -11,14 ; C adalah 0,00 ; dan R adalah -709406,44.
Nilai max L adalah 4,16 ; C adalah 0,00 ; dan R adalah 371889,75.

4.4 Hasil Pengujian Mutu Menggunakan Images Procesing

Prosedur pengujian menggunakan images procesing yang pertama
disiapkan sampel kacang merah yang terdiri dari 4 macam, yaitu 0 jam, 2 jam, 4
jam, dan 6 jam. Kemudian sampel diletakkan di atas kain hitam dan difoto
dengan kamera 2 MP. Setelah difoto, hasilnya diinput ke dalam aplikasi MatLab
dan dilakukan pemisahan warna atau thresholding. Hasil pemisahan warna
diubah ke dalam citra biner atau greyscale, kemudian diubah lagi dalam bentuk
HSV. Selanjutnya hasil dianalisis sesuai dengan parameter yang digunakan dan
didapat hasil.
Dari data hasil praktikum, didapat hasil pengujian mutu dengan parameter
area, warna, kebulatan, dan tekstur permukaan. Pada parameter area, nilai
terbaik adalah pada perlakuan 6 jam. Pada parameter warna, nilai terbaik
adalah pada perlakuan 0 jam. Pada parameter kebulatan, nilai terbaik adalah
pada perlakuan 6 jam. Pada parameter tekstur permukaan, nilai terbaik adalah
pada perlakuan 0 jam. Nilai terbaik sendiri adalah nilai standar deviasi terkecil
dari setiap perlakuan.
Contoh aplikasi images processing dalam bidang agroindustri yaitu
penggunaan images processing untuk mengetahui tingkat kesegaran bahan
olahan pangan. Pemilihan bahan baku kedelai untuk pengolahan susu kedelai
dibutuhkan kedelai dengan beberapa parameter yang memnuhi syarat atau uji
kelayakan. Sehingga pada pemilihan bahan baku digunakan images processing.
Metode yang digunakan dalam penelitian ini adalah metode explanatory research
(Sudarmadji et al, 2014).
 BAB V
PENUTUP

5.1 Kesimpulan
Pada praktikum uji instrumen memiliki beberapa tujuan. Dapat melakukan
perhitungan dielektrik pada biji – bijian. Dapat mempelajari penentuan kadar air
dengan metode ANN pada biji – bijian. Dapat menentukan kualitas berdasarkan
bentuk biji – bijian menggunakan images procesing dan mengukur akurasi
instrumen dalam perhitungan kadar air biji – bijian. Pada praktikum uji instrumen
menggunakan beberapa alat dan bahan. Alat yang digunakan meliputi paralel
plate, LCR meter, moisture analyzer, cawan petri, timbangan analistik. Oven
sebagai pemanas. Serta laptop dan kamera 2 MP. Selain alat terdapat bahan
yang digunakan. Bahan yang digunakan sebagai berikut. Terdapat air, kertas
label, kain saring. Serta biji – bijian (kacang tanah atau kacang merah) sebagai
objek yang diamati. Rumus untuk perhitungan kadar air basis kering =
(𝑏−𝑎)−(𝑐−𝑎) (𝑏−𝑎)−(𝑐−𝑎)
(𝑐−𝑎)
× 100%. Kemudian untuk rumus kadar air basis basah = (𝑏−𝑎)
×
100%. Untuk a yaitu berat cawan kosong, b yaitu berat cawan + sampel sebelum
di oven, dan c yaitu berat cawan + sampel setelah dioven. Dari perhitungan
rumus diketahui hasil uji kadar air untuk tiap jamnya, yaitu pada 0 jam,
didapatkan basis kering 2,11% dan basis basah 2,06%. Pada 2 jam didapatkan
basis kering 38,29% dan basis basah 27,69%. Pada 4 jam, didapatkan basis
kereing 72,83% dan basis basah 42,14%. Pada 6 jam didapatkan basis kering
73,65% dan basis basah 42,41%. Hasil grafik validation set di grafik MSE
validation adalah meningkat. Hasil paling rendah pada MSE validation yaitu pada
iterasi 1 dengan persentase 39,79%. Sedangkan untuk MSE training, hasil paling
rendah yaitu pada iterasi 100 dengan persentase 1371,77%. Hasil ini
menunjukkan bahwa nilai training memiliki nilai kesalahan terkecil pada iterasi
terakhir, dan nilai validation memiliki rata-rata terkecil pada iterasi pertama.
Sehingga, semakin rendah nilai output prediksinya, maka semakin kecil rata-
ratanya yang diperoleh. Hasil dari grafik profile plot (grafik predicted kadar air) di
atas, menunjukkan hasil semakin meningkat. Terdapat 10 data pada grafik yang
diperloeh dari pemilihan option 1, yaitu randomly select 10% dari data validation
set. Nilai fixed value L adalah -0,895 ; C adalah 0,000 ; dan R adalah -
57376,859. Nilai min L adalah -11,14 ; C adalah 0,00 ; dan R adalah -709406,44.
Nilai max L adalah 4,16 ; C adalah 0,00 ; dan R adalah 371889,75.

5.2 Saran
Pada praktikum uji instrumen sudah berjalan baik. Praktikan dapat
mempelajari perhitungan atau running aplikasi dengan baik. Karena tidak dapat
mencoba secara langsung, sehingga dapat mempelajari mandiri dengan baik.
Juga untuk hasil yang didapat harus dikelola secara teliti.
 DAFTAR PUSTAKA

Bhople S, Ankit K, Prabha H. 2017. Effect of Moisture Content on Angle of

Repose for Different Cereals and Pilses. Chemical Studies 5 (5) : 2283
Duc LA, Keum DH. 2016. Equilibrium Moisture Content Isotherm Characteristics
of Rapeseed. Sustainable Agriculture Food and Energy 4 (1) : 10
Gasperz V. 2015. Production Planning and Inventory Control. Gramedia Pustaka
Utama. Jakarta
Jong JS. 2015. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
Matlab. Penerbit Andi. Yogyakarta
Kusumadewi S. 2014. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab
dan Excel Link. Graha Ilmu. Yogyakarta.
Liu W, Fujun X, Nianhua Z, Shuang W. 2016. Mechanical and Electrical
Properties of Carbon Nanotube / Polydimethylsiloxane Composite Yarn.
Engineering Fibers and Fabrics 11 (4) : 36
Makridakis SW. 2016. Metode dan Aplikasi Peramalan Edisi Kedua. Erlangga.
Jakarta
Pandjaitan LW. 2017. Dasar – Dasar Komputasi Cerdas. Penerbit Andi.
Yogyakarta
Pangestu S. 2018. Forecasting : Konsep dan Aplikasi Edisi Kedua. BPFE.
Yogyakarta
 DAFTAR PUSTAKA TAMBAHAN

Setyaningsih DA, Apriyantono A, Sari MP. 2011. Analisisi Sensori Untuk Industri
Pangan dan Agro. IPB Press. Bogor
Sudarmadji S, Haryono B, Suhardi. 2014. Prosedur Analisa Untuk Bahan
Makanan dan Minuman Pertanian. Liberty. Yogyakarta
Winarno FG. 2017. Kimia Pangan dan Gizi. Gramedia Pustaka Utama. Jakarta
 DATA HASIL PRAKTIKUM
UJI INSTRUMEN

UJI KADAR AIR

Kadar Air Kadar Air
Perlakuan A (Gram) B (Gram) C (Gram) Basis Basis
Kering Basah
Perendaman 110,4 120,1 119,9 2,11% 2,06%
0 Jam
Perendaman 113 143,7 135,2 38,29% 27,69%
2 Jam
Perendaman 107,6 139,4 126 72,83% 42,14%
4 Jam
Perendaman 101,9 127,6 116,7 73,65% 42,41%
6 Jam

(𝐛 − 𝐚) − (𝐜 − 𝐚)
𝐊𝐀𝐃𝐀𝐑 𝐀𝐈𝐑 𝐁𝐀𝐒𝐈𝐒 𝐊𝐄𝐑𝐈𝐍𝐆 = 𝐱 𝟏𝟎𝟎 %
(𝐜 − 𝐚)
(𝐛 − 𝐚) − (𝐜 − 𝐚)
𝐊𝐀𝐃𝐀𝐑 𝐀𝐈𝐑 𝐁𝐀𝐒𝐈𝐒 𝐁𝐀𝐒𝐀𝐇 = 𝐱 𝟏𝟎𝟎 %
(𝐛 − 𝐚)

Keterangan :
A: berat cawan Kosong
B: berat cawan + sampel sebelum dioven & setelah direndam (gram)
C: berat cawan + sampel setelah dioven (gram)

PERHITUNGAN KADAR AIR

Perendaman 0 jam
(𝑏−𝑎)−(𝑐−𝑎) (120,1−110,4)−(119,9−110,4)
Kadar air basis kering = (𝑐−𝑎)
× 100% = (119,9−110,4)
× 100% =
2,11%
(𝑏−𝑎)−(𝑐−𝑎) (120,1−110,4)−(119,9−110,4)
Kadar air basis basah = (𝑏−𝑎)
× 100% = (120,1−110,4)
× 100% =
2,06%.
Perendaman 2 jam
(𝑏−𝑎)−(𝑐−𝑎) (143,7−113)−(135,2−113)
Kadar air basis kering = (𝑐−𝑎)
× 100% = (135,2−113)
× 100% =
38,29%
(𝑏−𝑎)−(𝑐−𝑎) (143,7−113)−(135,2−113)
Kadar air basis basah = (𝑏−𝑎)
× 100% = (443,7−113)
× 100% =
27,69%.

Perendaman 4 jam
(𝑏−𝑎)−(𝑐−𝑎) (139,4−107,6)−(126−107,6)
Kadar air kering = (𝑐−𝑎)
× 100% = (126−107,6)
× 100% = 72,83%
(𝑏−𝑎)−(𝑐−𝑎) (139,4−107,6)−(126−107,6)
Kadar air basah = (𝑏−𝑎)
× 100% = (139,4−107,6)
× 100% = 42,14%
Perendaman 6 jam
(𝑏−𝑎)−(𝑐−𝑎) (127,6−101,9)−(116,7−101,9)
Kadar air kering = (𝑐−𝑎)
× 100% = (116,7−101,9)
× 100% =
73,65%
 (𝑏−𝑎)−(𝑐−𝑎) (127,6−101,9)−(116,7−101,9)
Kadar air basah = (𝑏−𝑎)
× 100% = (127,6−101,9)
× 100% =
42,41%

PENGUKURAN SIFAT LISTRIK

Sampel Induktansi kapasitansi Resistansi
Rendah Tinggi Rendah Tinggi Rendah Tinggi
Perendaman -111 -5,59 x 5,07 x 6,03 x -9,64 x 6,03 x
0 jam 10-2 10 -11
10-11 10 4
10-11
Perendaman -2,85 x 1,73 3,33 x 7,49 x 1,34 x 9,42 x
2 Jam 10-1 10-11 10-11 104 103
Perendaman 2,07 4,01 x -2,32 x 6,55 x 3,72 x 2,84 x
4 Jam 10-1 10 -11
10-13 10 5
104
Perendaman 4,16 1,85 x -1,46 x -6,06 x 1,01 x -7,09 x
6 Jam 10-1 10-11 10-11 105 105

PENGUJIAN MUTU DENGAN IMAGES PROCESSING

Parameter Perendaman
0 jam 2 jam 4 jam 6 jam
Area Rata- 12,81 13,97 15,46 17,04
rata
Std Dev 2,53 2,59 1,039 0,89
Warna Rata- 12,56 9,45 7,89 7,68
rata
Std Dev 0,24 1,84 2,6 2,37
Kebulatan Rata- 31,25 28,76 25,39 24,76
rata
Std Dev 17,57 14,89 13,72 12,06
Tekstur Rata- 1,76 4,004 5,4 7,52
permukaan rata
Std Dev 0,38 2,12 3,32 5,2