TINJAUAN PUSTAKA Senyawa Aktif pada Temulawak Menurut Sinambela (1985), komposisi rimpang temulawak dapat dibagi menjadi dua fraksi utama yaitu zat warna kurkuminoid dan minyak atsiri. Warna kekuningan temulawak disebabkan adanya kurkuminoid. Kandungan utama kurkuminoid terdiri dari senyawa kurkumin, desmetoksikurkumin dan bisdesmetoksikurkumin. Rimpang temulawak segar, selain terdiri dari senyawa kurkuminoid dan minyak atsiri juga mengandung lemak, protein, selulosa, pati, dan mineral. Kadar masing-masing zat tersebut tergantung pada umur rimpang yang dipanen serta juga dipengaruhi oleh letak dan ketinggian tempat temulawak berada. Menurut Darwis et al. (1991), temulawak mempunyai berbagai macam khasiat, yaitu sebagai: antibakteri dan dapat merangsang dinding kantong empedu untuk mengeluarkan cairan empedu supaya pencernaan lebih sempurna. Selain itu temulawak digunakan juga sebagai pengobatan gangguan pada hati atau penyakit kuning, memperlancar aliran air empedu, obat demam, obat diare, gangguan perut karena dingin dan radang dalam perut atau kulit. Khasiat temulawak tersebut telah dibuktikan melalui teknik ilmu pengetahuan modern baik oleh ilmuwan dalam maupun luar negeri. Spektroskopi FTIR (Fourier Transform Infrared) FTIR merupakan salah satu teknik spektroskopi inframerah. Instrumentasi spektrum inframerah dibagi kedalam tiga jenis radiasi yaitu inframerah dekat (bilangan gelombang 12800-4000 cm-1), inframerah pertengahan (bilangan gelombang 4000 - 200 cm-1), dan inframerah jauh (bilangan gelombang 200-10 cm-1) (Nur & Adijuawana 1989). FTIR termasuk dalam kategori radiasi inframerah pertengahan. Spektrum inframerah senyawa tumbuhan dapat diukur dengan spektrofotometri inframerah yang merekam secara otomatis dalam bentuk larutan (dalam kloroform, karbontetraklorida, 1-5%), bentuk gerusan dalam minyak nujol, atau bentuk padat yang dicampur dengan kalium bromida. Daerah pada spektrum 6 inframerah di atas 1200 cm-1 menunjukkan pita spektrum atau puncak yang disebabkan oleh getaran ikatan kimia atau gugus fungsi dalam molekul yang ditelaah (Harbone, JB 1996). Hampir setiap senyawa yang memiliki ikatan kovalen akan menyerap berbagai frekuensi radiasi elektromagnetik dalam daerah spektrum inframerah. Setiap tipe ikatan yang berbeda mempunyai sifat frekuensi vibrasi yang berbeda. Karena tipe ikatan yang sama dalam dua senyawa yang berbeda terletak dalam lingkungan yang sedikit berbeda, maka tidak akan ada dua molekul yang berbeda strukturnya akan mempunyai bentuk serapan inframerah atau spektrum inframerah yang tepat sama. Jika I0 adalah intensitas IR yang masuk kedalam contoh dan I adalah intensitas IR yang diteruskan (transmitted) oleh contoh, maka : Absorban (A) = Log (I0 / I) dan transmitan (T) = 100 (I/I0). Sehingga hubungan absorban dengan transmitan adalah : A = - log ( T/100). Kegunaan penting dari spektrum inframerah adalah untuk mendeteksi tentang gugus fungsi dari suatu molekul. Dari struktur kurkuminoid yang khas, maka spektrum inframerah yang dihasilkan dengan FTIR juga khas. Menurut Socrates (1994), daerah identifikasi spektra inframerah (IR) untuk kurkuminoid adalah seperti yang terlihat pada Tabel 1 berikut: Tabel 1 Daerah identifikasi spektra IR kurkumin Bilangan No Jenis Vibrasi 1 Ikatan hidrogen OH 3600-3300 m-s 2 C-H alkana 3000-2850 s 3 C=O keton 1820-1660 vs 1660-1450 s 4 Gelombang cm-1 Aromatic–C=C- rentangan Intensitas 5 R – O-Ar 1300-1000 m 6 Sidik jari 900-700 s Keterangan: (s) kuat; (m) medium; (vs) sangat kuat Karena kekuatan serapan proporsional terhadap konsentrasi, maka FTIR dapat digunakan untuk analisis kuantitatif yang menghubungkan konsentrasi dengan absorban atau persen transmitan. Untuk menduga konsentrasi suatu 7 senyawa tertentu dalam contoh, diperlukan pengukuran nilai-nilai absorban dari contoh pada berbagai bilangan gelombang. High Performance Liquid Chromatography (HPLC) Kromatografi adalah suatu metode pemisahan komponen-komponen suatu campuran, komponen-komponen tersebut akan terdistribusi diantara dua fase. Salah satu fase dibuat diam dan dinamakan fase diam atau fase stasioner, fase lainnya disebut fase gerak atau fase mobil yang bergerak diantara celah-celah atau pada permukaan fase stasioner. Pergerakan fase mobil ini mengakibatkan pergerakan diferensial dari komponen-komponen contoh (Nur dan Adijuwana 1989). Fase diam pada kromatografi dapat berupa cair atau padatan sedangkan fase gerak dapat berupa cair atau gas. Berdasarkan jenis fasenya kromatografi dapat digolongkan menjadi empat jenis yaitu: cair-padatan, gas-padatan, cair-cair, dan gas-cair. Analisis Komponen Utama (AKU) Analisis Komponen Utama (AKU) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi data secara linier sehingga terbentuk sistem koordinat baru dengan keragaman maksimum. AKU dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. AKU juga sering digunakan untuk menghindari masalah multikolinearitas antar peubah bebas dalam model regresi berganda. Dalam AKU peubah-peubah yang masih saling berkorelasi ditransformasi menjadi satu set peubah baru yang tidak berkorelasi lagi, peubahpeubah baru itu disebut sebagai Komponen Utama (KU) (Johnson & Wichren 1982). Pada AKU data akan direduksi kedalam beberapa komponen utama. Pereduksian dilakukan dengan cara memproyeksikan data asli ke dalam ruang komponen utama yang berdimensi rendah. Misalkan adalah suatu vektor acak berdimensi p dengan matriks kovarian S. Jika λ1, λ2, …, λp adalah akar ciri dari S dengan λ1 ≥ λ2 8 ≥ …≥ λp ≥ 0, dan ai adalah vektor ciri dari S yang berhubungan dengan λi, i=1,2,…,p. Maka Komponen Utama ke-i dinyatakan sebagai : dimana Dipilih sedemikian hingga varians dari maksimum. dengan dan Berdasarkan proporsi dari total keragaman populasi, akan diambil k komponen utama pertama untuk mengganti p variabel asal. Algoritma Genetika (AG) AG merupakan metode adaptif yang biasa digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi (Suyanto 2005). Algoritma ini didasarkan pada proses genetik yang ada dalam makhluk hidup; yaitu perkembangan generasi dalam sebuah populasi yang alami, secara lambat laun mengikuti proses seleksi alam atau “siapa yang kuat, dia yang bertahan (survive)”. Dengan meniru teori evolusi ini, AG dapat digunakan untuk mencari permasalahan-permasalahan dalam dunia nyata. Algoritma ini bekerja dengan sebuah populasi yang terdiri dari individu-individu, masing-masing individu mempresentasikan sebuah solusi yang mungkin bagi persoalan yang ada. Dalam kaitan ini individu dilambangkan dengan sebuah nilai fitness yang akan digunakan untuk mencari solusi terbaik dari persoalan yang ada. AG pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York. Sebagaimana halnya proses evolusi di alam, suatu algoritma genetika terdiri dari tiga operasi yaitu: operasi Evolusi yang melibatkan proses selection (seleksi) didalamnya, operasi crossover (persilangan), dan operasi mutation (mutasi). Struktur umum dari suatu algoritma genetika dapat didefenisikan dengan langkah-langkah sebagai berikut : 9 Mendefinisikan individu, dimana individu menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. Individu bisa dikatakan sama dengan kromosom, yang merupakan kumpulan gen. Gen ini bias bersifat biner. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu atau baik-tidaknya solusi yang didapatkan. Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam algoritma genetika. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi. Membangkitkan populasi awal secara random Membentuk generasi baru dengan menggunakan operasi selection (seleksi), cross-over (perkawinan silang) dan mutation (mutasi) gen hingga kriteria berhenti terpenuhi. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi operasi seleksi, perkawinan silang dan mutasi. Kriteria berhenti pada proses AG yang sering digunakan antara lain : Berhenti pada generasi tertentu Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. Berhenti bila dalam n generasi berikutnya tidak diperoleh nilai fitness yang lebih tinggi. Dalam populasi terdapat individu-individu yang dinamakan kromosom. Kromosom ini secara lambat laun mengalami iterasi ’Perkembangbiakan’ dalam sebuah generasi. Tabel 2 merupakan contoh suatu populasi awal sebanyak 4 individu dengan masing-masing kromosom individu terdiri dari 6 bit. Tabel 2 Populasi awal dengan kromosom 6 bit No Populasi Awal 1 011001 2 100100 3 101010 4 010101 10 Agar menghasilkan generasi dengan kualitas yang lebih baik, maka perlu dilakukan crossover (kawin silang). Pertama-tama father dan mother dipilih secara acak. Selanjutnya tentukan posisi untuk crossover dalam kromosom. Semua bit yang berada di sebelah kiri posisi crossover dari kromosom father dan semua bit sebelah kanan posisi crossover dari kromosom mother ditransfer sedemikian rupa sehingga dihasilkan keturunan baru. Sepasang parent akan menghasilkan 2 keturunan baru. Tabel 3 Contoh proses crossover Sebelum Sesudah crossover crossover X1 011|001 011|100 X2 100|100 100|001 Jaringan Syaraf Tiruan (JST) JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis dalam otak. Istilah JST digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran, cara kerja jaringan syaraf tiruan meniru cara kerja otak manusia (Siang 2009). Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemrosesan pada JST yang saling terhubung dan beroperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel syaraf (neuron). JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, kedalam JST dimasukkan pola-pola (input dan output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima. Di dalam JST, input akan diproses oleh neuron-neuron JST dengan bobot tertentu. Secara umum cara kerjanya adalah dengan memproses sinyal yang diterima kemudian didistribusikan melewati jaringan dan disimpan sebagai bobot disetiap neuron. Selama proses 11 pelatihan, dilakukan proses penyesuaian bobot dan batas nilai-nilai diperoleh output yang diinginkan. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa : Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron) Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. Neuron Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan (Siang 2009). Neuron terdiri dari 3 elemen pembentuk : 1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobot/kekuatan yang berbeda-beda. Jumlah, struktur dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan (dan juga model jaringan yang terbentuk). 2. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya 3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak. Komponen JST Input, merupakan data masukan, data awal sebelum diproses. Setiap input diproses ke satu atribut tunggal. Output, merupakan data keluaran, berisis solusi untuk permasalahan dari input. Bobot, menunjukkan nilai matematik dari input data atau banyaknya koneksi yang memindahkan data dari satu lapisan ke lapisan lainnya. 12 Fungsi Penjumlahan, menghitung jumlah dari semua elemen input yang dimasukkan pada setiap pemrosesan elemennya, merupakan perkalian setiap nilai input dan bobotnya. Fungsi Transfer/Fungsi Aktivasi. Fungsi Penjumlahan menghitung tingkat aktivasi dari neuron. Berdasarakan tingkatan ini, neuron bisa menghasilkan suatu output dan bisa juga tidak. Hubungan antara tingkat aktivasi internal dan output dapat berupa linear atau non linear. Hubungan tersebut dinamakan Fungsi Transfer. Berdasarkan algoritma pembelajarannya, JST dikelompokkan menjadi 2 macam pelatihan yang dikenal yaitu : Terawasi (supervised) , dalam hal ini terdapat sejumlah pasangan data (masukan – target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut merupakan pemberi informasi dan melatih hingga diperoleh bentuk yang terbaik. Pada kategori ini penentuan bobot masing-masing neuron berdasarkan keluaran yang diawasi agar nilainya sedekat mungkin dengan target yang ditentukan. Tak terawasi (unsupervised). Pada kategori ini, penentuan bobot masing-masing neuron berdasarkan karakteritik masukan. Arsitektur Jaringan JST dirancang dengan mengunakan suatu aturan yang bersifat menyeluruh dimana seluruh model jaringan memiliki konsep dasar yang sama. Arsitektur jaringan akan menentukan target yang akan dicapai karena tidak semua permasalahan dapat diselesaikan dengan arsitektur yang sama. Jaringan dengan lapisan tunggal, hanya memiliki satu lapisan dengan bobot terhubung, jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Jaringan dengan banyak lapisan, memiliki satu atau lebih lapisan terembunyi yang terletak diantara lapisan input dan lapisan output 13 Metode Backpropagation Merupakan salah satu metode pelatihan dalam JST. Metode ini sangat baik dalam menangani masalah pengenalan pola-pola kompleks (Siang 2009). Algoritma perhitungan JST backpropagation terdiri atas dua langkah yaitu perambatan maju dan perambatan mundur. Kedua langkah ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan. Cara kerja dari backpropagation adalah dengan menginisialisai jaringan dengan bobot yang diset dengan bilangan acak. Kemudian data pelatihan dimasukan kedalam jaringan. Data pelatihan tediri atas pasangan input dan output target. Keluaran dari jaringan berupa sebuah nilai output aktual. Selanjutnya nilai output aktual jaringan dibandingkan dengan nilai target untuk mengetahui apakah output jaringan sudah sesuai dengan output target. Error yang timbul akibat perbedaan antara nilai output dengan target tersebut kemudian dihitung dan digunakan untuk mengubah bobot-bobot yang relevan dengan jalan mempropagasikan kembali error. Setiap perubahan bobot diharapkan dapat mengurangi besar error. Siklus seperti ini dilakukan pada semua set pelatihan samapi unjuk kerja jaringan mencapai tingkat yang diinginkan atau sampai kondisi berhenti terpenuhi. Setelah proses pelatihan selesai, barulah diterapkan algoritma aplikasi. Dari respon jaringan dapat dinilai kemampuan memorisasi dan generalisasi jaringan dalam menebak output berdasarkan pada apa yang telah dipelajarinya selama ini. Nilai Input Lapisan input Lapisan Hiden Lapisan Output Nilai output Gambar 1 Arsitektur backpropagation banyak lapisan 15 Y1 Yk Ym W 1j m1 11 W k1 W 10 W W m0 W W W k0 W mp mj W kj W kp W 1p 1 Z1 V j0 V 10 V j1 X1 Vj V ji V1 i pi 1 1 V p0 Zp V Vp V 11 Zj Xi n Vp n V 1n Xn Gambar 2 Arsitektur backpropagation banyak lapisan dengan bobot Fungsi Aktivasi pada Backpropagation Dalam JST, fungsi aktivasi merupakan bagian penting dalam tahapan perhitungan keluaran suatu algoritma. Fungsi aktivasi harus memenuhi syarat : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Beberapa fungsi aktivasi yang sering dipakai adalah fungsi Sigmoid Biner dengan turunan dan fungsi Sigmoid dengan nilai interval (0,1) Bipolar dengan turunan dengan nilai interval (-1,1). Fungsi Identitas dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil, fungsinya adalah . Menurut Siang (2009), algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut: Langkah 0 : inisialisasi semua bobot dengan bilangan acak kecil Langkah 1 : Jika kondisi penghentian belum terpenuhi,lakukan langkah 29 Langkah 2 : untuk setiap pasang data pelatihan, lakukan langkah 3-8 15 Fase 1 : Propagasi maju Langkah 3 : tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya Langkah 4 : hitung semua keluaran di unit tersembunyi z j (j = 1,2,…p) Langkah 5 :hitung semua keluaran di unit yk (k = 1, 2, …, m) Fase II : Propagasi mundur Langkah 6 : hitung faktor unit keluaran berdasarkan kesalahan disetiap unit keluaran yk (k=1, 2, ..,m) . merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya (langkah 7). Hitung suku perubahan bobot bobot (yang akan dipakai nanti untuk merubah ) dengan laju percepatan . Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j= 1, 2,…, p) Faktor unit tersembunyi : . Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah ; j = 1, 2,…, p ; i = 0, 1, …,n bobot vji) Fase III : Perubahan bobot Langkah 8 : Hitung semua perubahan bobot Perubahan bobot Perubahan bobot garis garis yang yang menuju menuju ke ke unit unit keluaran : tersembunyi :