BAB I

PENDAHULUAN
1.1 Latar Belakang
Biji merupakan suatu struktur kompleks, yang terdiri dari embrio atau lembaga,
kulit bijidan persediaan makanan cadangan. Dalam biji banyak tumbuhan, makanan
disimpan didalam lembaga biji itu sendiri, pada tumbuhan lain, makanan disimpan
dalam jaringan disekililingnya. Cerita lengkap mengenai biji harus menerangkan
perubahan-perubahan yangterjadi dalam stamen dan pistil, proses penyerbukan,
perkembangan embrio, pembentukankulit biji dan perkembangan penyediaan
cadangan makanan yang digunakan oleh tumbuhan muda ketika biji berkecambah.
Biji masak terdiri dari tiga bagian yaitu embrio dan endosperm yang dihasilkan
dari pembuahan ganda serta kulit biji yang dibentuk oleh dinding bakal biji, termsuk
kedua integumentnya. 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.
Setiap bahan biologis memiliki sifat kelistrikan yang dipengaruhi oleh
metabolisme yang terjadi dalam bahan biologis tersebut. Sifat kelistrikan ini biasa
disebut sebagai Biolistrik. Secara umum produk-produk hasil pertanian bersifat
perishable (mudah rusak). Penyebab kerusakan ini bisa berasal dari eksternal yaitu
makhluk hidup seperti hama atau serangga[2] atau dari cuaca misalnya suhu,
kelembaban, dan kerusakan yang disebabkan dari bahan itu sendiri (internal)
misalnya komposisi kimia, kadar air dari bahan tersebut. Untuk mengukur kualitas
produk-produk hasil pertanian umumnya dilakukan secara kimiawi atau pengujian
laboratorium yang bersifat destruktif. Karakteristik biolistrik bahan pangan, banyak
digunakan sebagai acuan menilai kualitas dan kemurnian bahan secara cepat, non
destruktif dan lebih efisien. Metode dielektrik adalah metode yang berlandaskan
pada penggunaan plat kapasitor sejajar dengan objek biologis yang diletakkan di
tengah. Pengukuran karakteristik biolistrik dengan menggunakan metode dielektrik
dianggap lebih efisien dan lebih cepat. Jaringan syaraf tiruan (artificial neural
network) atau disingkat dengan JST adalah sistem komputasi dimana arsitektur dan
operasi diilhami dari pengetahuan tentang sel biologi dalam otak manusia. Jaringan
syaraf merupakan salah satu satu representasi buatan dari otak manusia yang
mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan
disini digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan
program komputer yang mampu menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran
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
Water content is the total amount of water contained in a material and is
expressed as a percentage of wet weight. Water content is measured to determine
the water content that causes microbial biological reactions. In this calculation it
relates to the ratio of water vapor pressure to pure vapor pressure. Microbial growth
is greatly influenced by water content. To minimize microbial growth, the appropriate
water content is below 10% and 0.6 - 0.65 (Zambrano et al., 2019).
Kadar air merupakan jumlah total air yang terkandung dalam suatu bahan
dan dinyatakan dalam persentase berat basah. Kadar air diukur untuk mengetahui
kandungan air yang menyebabkan reaksi biologis mikroba. Secara perhitungan hal
ini berkaitan dengan rasio tekanan uap air terhadap tekanan uap murni.
Pertumbuhan mikroba sangat dipengaruhi oleh kadar air. Untuk meminimalisir
pertumbuhan mikroba, kadar air yang sesuai yaitu di bawah 10% dan 0,6 – 0,65
(Zambrano et al., 2019).
Processed products must have undergone several process stages which
have different material characteristics at each stage. Water content is one of the
characteristics that must be considered because it is related to the degradation
reaction. In addition, water content also affects the presence of microbes in a
product. By knowing the moisture content in a product or material, it can be
determined the appropriate harvest, drying, processing and storage time (Carneiro et
al., 2018).
Produk yang diolah pastinya mengalami beberapa tahapan proses yang
memiliki karakteristik bahan yang berbeda di setiap tahapan. Kadar air menjadi
salah satu karakteristik yang harus diperhatikan karena berkaitan dengan reaksi
degradasi. Selain itu kadar air juga berpengaruh terhadap keberadaan mikroba
dalam suatu produk. Dengan mengetahui kadar air pada suatu produk atau bahan,
dapat ditentukan waktu panen, pengeringan, pengolahan, serta penyimpanan yang
sesuai (Carneiro et al., 2018).

2.2 Sifat Listrik

Sifat listrik merupakan kemampuan suatu bahan yang berkaitan dengan
konduktivitas dan resitivitas listrik serta konstanta dielektrik. Hal tersebut didapatkan
dengan memberikan medan listrik pada bahan. Konstanta dielektrik bergantung
pada sistem serta bahan yang digunakan. Sistem sendiri mengacu pada nilai
kapasitor dari dua pelat sejajar yang dipisahkan oleh bahan dielektrik. Bahan
dielektrik yang ditempatkan diantara pelat ini akan diukur sifar dielektriknya
(Mukarromah et al., 2018).
 Dielectric is a type of material that conducts electricity poorly. Some
agricultural products can conduct electricity with certain abilities which explain their
electrical properties. This affects the distribution of the electromagnetic field and
currents in the region so that the characteristics of the material in the electric field
are known. The electric field also determines how quickly a material will heat the
dielectric heater with microwaves so that it can be correlated with its dielectric
properties (Nelson, 2010).
Dielektrik adalah gologan bahan yang menghantarkan listrik dengan kurang
baik. Beberapa produk pertanian dapat menghantarkan listrik dengan kemampuan
tertentu yang menjelaskan sifat kelistrikannya. Hal ini mempengaruhi distribusi
medan elektromagnetik dan arus pada wilayah tersebut sehingga diketahui
karakteristik bahan pada medan listrik. Medan listrik juga menentukan seberapa
cepat suatu bahan akan mengalami panas pada pemanas dielektrik dengan
gelombang mikro sehingga dapat berkorelasi dengan sifat dielektriknya (Nelson,
2010).

2.2.1 Kapasitansi
Kapasitansi merupakan kemampuan suatu bahan untuk menampung listrik
dengan muatan tertentu. Kapasitansi dipengaruhi oleh luas penampang, jarak serta
Aε 0
bahan dielektrikum. Nilai kapasitansi dapat dihitung dengan 𝐶 = 𝑘 dimana A
d
adalah luas penampang, ε0 adalah permitivitas ruang hampa (8,85 x 10 -12 F/m), dan
d adalah jarak antar plat. Hal ini berguna untuk mengetahui apakah suatu bahan
dapat menyimpan muatan listrik dalam jumlah tertentu (Rimafatin et al., 2019).
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 Resistensi
Resisivitas adalah kebalikan dari konduktivitas, yakni kemampuan suatu
bahan untuk menahan arus listrik. Resistansi (R) adalah kemampuan bahan listrik
menghambat arus listrik. Resistivitas adalah nilai resistansi bahan listrik pada
satuan panjang dan luas penampang (A). Setiap bahan mempunyai nilai resistensi
yang berbeda-beda (Sutopo et al., 2020).
Hambatan atau resistansi berguna mengatur besarnya kuat arus listrik yang
mengalir melalui suatu rangkaian listrik. Nilai hambatan suatu penghantar tidak
bergantung pada beda potensialnya. Beda potensial dapat mengubah kuat arus
yang melalui penghantar. Jika penghantar yang dilalui sangat panjang, kuat arusnya
akan berkurang. Hambatan jenis kawat berbeda-beda tergantung dari bahannya
(Ronilaya, 2018).

2.2.3 Induktansi
Induktansi merupakan sifat listrik yang dapat menimbulkan gaya gerak dalam
rangkaian. Hal ini diakibatkan oleh perubahan arus yang melewati rangkaian.
Induktansi dapat ditimbulkan juga dari perubahan arus yang melewati rangkaian
berbeda yang terhubung oleh daya magnetis. Satuan dari induktansi yaitu Henry
atau disingkat H (Sutopo et al., 2020).
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 (Ronilaya, 2018).

2.3 Artificial Neural Network

Artificial Neural Network adalah metode Artificial Intelligence untuk meniru
sistem jaringan suatu organisme khususnya manusia. Hal ini dilakukan dengan
pembentukan node yang saling berhubungan satu dengan yang lainnya.
Penghubungan node tersebut dilakukan melalui link yang biasa disebut weight.
Artificial Neural Network terdistribusi secara paralel dan terdiri dari beberapa unut
pemrosesan sederhana (Windarto et al., 2020).
Artificial Neural Network atau jaringan syaraf tiruan merupakan sistem
komputasi yang memberikan pemahaman berdasarkan pengetahuan sel biologi
dalam otak manusia. Pada sistem ini jaringan otak manusia dimanipulasikan ke
dalam sistem komputasi untuk melakukan proses perhitungan tertentu. Dengan ANN
dapat dilakukan peramalan terhadap permintaan suatu produk. ANN juga harus diuji
dengan pengujian MSE dan MAPE (Mufaidah et al., 2017).

2.3.2 Faktor yang Mempengaruhi Kinerja Artificial Neural Network

Setiap model ANN memiliki layer input yang berperan sebagai media
informasi berupa data-data yang berkenaan dengan output yang diinginkan. Input
layer ini terdiri dari beberapa neuron yang merepresentasikan variabel-variabel
ataupun parameter-parameter yang diperlukan untuk menyelesaikan suatu
permasalahan. Input layer akan meneruskan data-data ini kepada neuron selanjut-
nya pada layer hidden ataupun layer output melalui satu set bobot. Bobot ini adalah
penghubung dari setiap neuron kepada neuron lainnya pada layer selan- jutnya yang
akan membantu menyesuaikan struktur ANN pada pola data yang diberikan dengan
cara learning (Windarto et al., 2020).
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 (Wadi, 2020).

2.3.2 Jenis Fungsi Aktivasi dalam Artificial Neural Network

Dalam ANN digunakan metode seperti Perceptron, Bakpropagation, Self
Organizing Mapping, Delta, Associative Memory, Learning Vector, dan Quantization.
Terdapat beberapa fungsi aktivasi dalam ANN untuk membatasi keluaran Y agar
sesuai dengan batasan sinyal output. Fungsi aktivasi linear dapat digunakan untuk
output yang bertipe deskrit. Fungsi aktivasi step digunakan pada output bipolar
dengan menggunakan nilai gabungan dari semua vektor oleh adder (Wadi, 2020).
Terdapat beberapa fungsi aktivasi dalam penggunaan ANN. Fungsi aktivasi
linear adalah fungsi yang menghasilkan output yang sama dengan hasil kombinasi
linear. Fungsi step terdapat dua jenis yaitu step biner (hard limit) dan bipolar.
Terdapat juga fungsi aktivasi Sigmoid yang digunakan untuk output yang bersifat
nonlinear. Yang terakhir yaitu fungsi aktivasi Hyperbolic Tangent Sigmoid, Rectified
Linear Unit, dan Gaussian (Windarto et al., 2020).

2.4 Mean Square Error (MSE)

Mean Square Error (MSE) digunakan untuk mengetahui error yang
digunakan dalam regresi nonparametrik. MSE selalu melekat dengan komponen
bias dan error. Kriteria MSE dicari yang paling kecil karena lebih akurat. MSE
merupakan kuadrat dari rata-rata kesalahan dibagi dengan banyaknya observasi
(Kurniasih et al., 2013).
MSE digunakan untuk mengetahui tingkat keakuratan hasil peramalan.
Parameter ini akan menunjukkan nilai yang lebih kecil apabila hasil keakuratan
ramalan tinggi. Sebaliknya, apabila nilai MSE semakin besar maka peramalan
masih kurang akurat. Hal ini sangat berguna pada peramalan karena dapat
menentukan keputusan yang diambil (Gofur dan Widianti, 2013).

2.5 Image Processing

Image Processing merupakan proses sinyal dengan input berupa gambar
untuk ditransformasikan ke gambar lain dengan metode tertentu. Image
processing dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi
akibat transmisi dan selama akuisisi sinyal. Dengan teknik ini dapat meningkatkan
kualitas penampakan gambar agar lebih mudah diinterpretasi oleh sistem
penglihatan manusia. Image processing dapat dilakukan baik dengan manipulasi
dan juga penganalisisan terhadap gambar (Putra, 2010).
 Pengolahan citra atau image processing merupakan salah satu cara untuk
memperbaiki kualitas gambar agar lebih mudah diinterpretasi. Input dari proses ini
adalah gambar yang kurang jelas dan menghasilkan output berupa gambar yang
lebih jelas. Gambar merupakan sekumpulan warna yang terlihat serta memiliki pola
atau dapat pula berwujud abstrak. Hal tersebut menyebabkan suatu citra atau
gambar dapat diproses secara digital (Sari et al., 2017).

2.6 Aplikasi Artificial Neural Network dalam Agroindustri

Salah satu penerapan ANN dalam agroindustri yaitu pada peramalan jumlah
permintaan udang beku pada suatu perusahaan. Hal ini dilakukan dengan
menggunakan metode backpropagation yang sesuai dalam pola-pola kompleks.
Didapatkan nilai MSE sebesar 0,01 dan MAPE 3,35. Selain itu didapatkan hasil
peramalan jumlah permintaan pada beberapa periode 2017 dengan beberapa
alternatif. Tingkat keakuratan ramalannya juga tinggi (Mufaidah et al., 2017).
Aplikasi lainnya yaitu pada peramalan penjualan produk coklat di Kabupaten
Blitar. Sebelumnya hanya dilakukan peramalan berdasarkan data historis dari tahun
sebelumnya dan dirasa kurang akurat. Penggunaan ANN pada peramalan ini
memberikan hasil yang lebih valid dan akurat daripada metode regresi linier.
Peramalan dimodelkan dalam sistem komputasi dengan output error yang kecil serta
akurasi yang tinggi (Aprilianto et al., 2018).
 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

DAFTAR PUSTAKA
Aprilianto HC, Sri K, Imam S. 2018. Penerapan Jaringan Syaraf Tiruan Untuk
Peramalan Penjualan dalam Mendukung Pengembangan Agroindustri
Coklat di Kabupaten Blitar. Habitat 29(3): 129-137
Carneiro JDS, Roberta MN, Marcio AM, Denia MDS, Evaldo MP. 2018. The Oven-
Drying Method For Determination of Water Content in Brazil Nut.
Journal Biosci 34(3): 595-602
Gofur AA, Utami DW. 2013. Sistem Peramalan Untuk Pengadaan Material Unit
Injection di PT XYZ. Jurnal Ilmiah Komputer dan Informatika 2(2): 13-21
Kurniasih D, Mariani S, Sugiman. Efisiensi relatif estimator fungsi kernel
gaussian terhadap estimator polinomial dalam peramalan usd terhadap
jpy. UNNES Journal of Mathematics 2(2): 79-84
Mufaidah I, Sony S, Yuli W, Deddy WS. 2017. Peramalan Jumlah Permintaan
Udang Beku PND Menggunakan Metode Jaringan Syaraf Tiruan (JST)
Backpropagation. Jurnal Agroteknologi 11(1): 17-23
Mukaromah L, Bowo EC, Misto. Sifat Histeris pada Konstanta Dielektrik dan
Indeks Bias Minyak Zaitun dengan Variasi Suhu. Berkala Sainstek 6(1):
41-45
Nelson SO. 2010. Fundamentals of Dielectric Properties Measurements and
Agricultural Applications. Journal of Microwave Power and
Electromagnetic Energy 44(2): 98-113
Pandjaitan LW. 2017. Dasar – Dasar Komputasi Cerdas. Penerbit Andi.
Yogyakarta
Putra D. 2010. Pengolahan Citra Digital. Penerbit Andi. Yogyakarta
Rimafatin N, Bowo EC, Misto. Analisis Hubungan Suhu dan Frekuensi Terhadap
Sifat Listrik Lemak Hewani. Jurnal Fisika Flux 16(2): 78-85
Ronilaya F. 2018. Ilmu Bahan Listrik. Polinema Press. Malang
Sari DP, Sabilal R, Evelina. 2017.Identifikasi Huruf Braille Berbasis Image
Processing Secara Real Time. Jurnal Sains dan Teknologi 1: 1-9
Sutopo A, Juaksa M, Arwadi S. 2020. Ilmu Bahan Listrik. Yayasan Kita Menulis.
Medan
Wadi H. 2020. Jaringan Syaraf Tiruan Backpropagation Menggunakan Python
GUI. TR Publisher. Yogyakarta
Windarto AP, Darmeli N, Anjar WFT, Muhammad SH, Muhammad NHS, Muhammad
RL, Solikhun, Yusra F, Dicky N. 2020. Algoritma Prediksi dan
Implementasi. Yayasan Kita Menulis. Medan
Zambrano MV, Baishali D, Donald GM, Heather IM, Marianne FT. 2019.
Assessment of Moisture Content Measurement Methods of Dried Food
Products in Small-Scale Operations in Developing Countries: A
Review. Journal Trends in Food Science and Technology 88: 484-496