Loka Riset Mekanisasi Pengolahan Hasil Perikanan

LRMPHP sebagai UPT Badan Riset dan SDM KP melaksanakan riset mekanisasi pengolahan hasil perikanan berdasarkan Peraturan Menteri Kelautan dan Perikanan Nomor 10/2017

Tugas Pokok dan Fungsi

Melakukan tugas penelitian dan pengembangan strategis bidang mekanisasi proses hasil perikanan di bidang uji coba dan peningkatan skala teknologi pengolahan, serta rancang bangun alat dan mesin untuk peningkatan efisiensi penanganan dan pengolahan hasil perikanan

Produk Hasil Rancang Bangun LRMPHP

Lebih dari 25 peralatan hasil rancang bangun LRMPHP telah dihasilkan selama kurun waktu 2012-2017

Kerjasama Riset

Bahu membahu untuk kemajuan IPTEK dengan berlandaskan 3 pilar misi KKP: kedaulatan (sovereignty), keberlanjutan (sustainability), dan kesejahteraan (prosperity)

Sumber Daya Manusia

LRMPHP saat ini didukung oleh tenaga peneliti sebanyak 12 orang dengan latar pendidikan teknologi pangan dan engineering, 5 orang teknisi litkayasa, dan beberapa staf administrasi

Kanal Pengelolaan Informasi LRMPHP

Diagram pengelolaan kanal informasi LRMPHP

Kamis, 03 Agustus 2017

Pembinaan Pegawai LRMPHP oleh Tim Biro SDMA KKP

Dalam rangka pembinaan kepegawaian, pada tanggal 3 Agustus 2017 tim dari Biro SDM Aparatur mengunjungi Loka Riset Mekanisasi Pengolahan Hasil Perikanan (Bapak M. Iqbal, Kasubag jabatan Fungsional III; dan Pak Wahyu). Acara ini diikuti oleh peneliti, calon peneliti, asisten peneliti, teknisi dan staf Tata Usaha LRMPHP.





Dalam kesempatan ini, Bapak Iqbal dan tim menyampaikan mengenai
- Peraturan Pemerintah Nomor 11/2017,
- pemberlakuan mengenai impassing jabatan fungsional sebagaimana diatur dalam Peraturan Menteri PAN dan RB Nomor 26/2016 (juga diatur oleh peraturan dari kementerian/lembaga yang menaungi/membina Jabatan Fungsional tertentu)
- pelaksanaan edaran MenKP tentang tunjangan kinerja untuk pejabat fungsional yang melaksanakan tugas belajar

Acara ini diakhiri dengan sesi diskusi/tanya jawab.

Senin, 31 Juli 2017

Perwakilan LRMPHP Mengikuti Pendampingan Penyusunan Dokumen Paten

Dua peneliti dari Loka Riset Mekanisasi Pengolahan Hasil Perikanan mengikuti pendampingan penyusunan dokumen paten lingkup KKP di Instansi Litbang Pengendalian Penyakit Ikan – Depok, pada tanggal 31 Juli - 2 Agustus. Judul invensi paten yang akan diajukan adalah Konverter Kit Minyak Goreng/Jelantah untuk Bahan Bakar Mesin Diesel Pada Kapal.



Beberapa poin penting yang harus diperhatikan dalam penyusunan dokumen paten diantaranya sebagai berikut :
1. Pendaftaran paten seharusnya dilakukan sebelum KTI dipublikasikan, paling lama 6 bulan setelah dipublikasikan harus mendaftarkan paten.
2. Paten sederhana boleh proses atau produk. Yang sebelumnya proses dan produk menjadi 1 paten.
3. Pendaftaran paten bisa batal akibat ditarik inventor, batal demi hukum, banding pihak tertentu dan gagal pemeriksaan.
4. Paten yang gagal akan tetap menjadi dokumen referensi penyusunan paten terkait.

Penerapan Model Neural Network Pattern Recognition untuk Prediksi Kesegaran Ikan Tuna

Penentuan kesegaran ikan menjadi langkah penting dalam pengkonsumsian ikan. Perubahan mayor yang dijadikan patokan kesegaran ikan adalah warna, bau dan tekstur. Mata ikan akan berubah semakin cekung dan keruh pada ikan yang busuk selanjutnya mengeluarkan bau dan tekstur daging menjadi lunak (SNI). Perubahan fisik secara visual pada kebusukan ikan mampu diterjemahkan menjadi deretan angka dengan bantuan pengolahan citra digital. Penerapan pengolahan citra untuk menentukan kesegaran ikan dan bahan makanan lain telah dilakukan oleh beberapa peneliti. Dutta et al (2016) melaporkan bahwa penentuan tingkat kesegaran ikan dapat dilakukan menggunakan pengolahan citra insang ikan. Menesatti et al (2010) menyebutkan bahwa citra digital ikan berbasis kamera hyperspektral bisa menjadi dasar penentu kesegaran ikan. Kelemahan dua penelitian tersebut adalah bersifat destruktif karena perlu pemotongan operculum ikan untuk memperoleh citra insang yang baik dan diperlukan kamera hyperspektral yang harganya cukup mahal. Oleh karena itu, penelitian terkait penerapan model neural network pattern regognition yang bersifat nondestruktif dengan menggunakan kamera biasa masih perlu dikembangkan.

Neural Network atau Jaringan Syaraf Tiruan (JST) merupakan sebuah metode pengenalan pola, prediksi, klasifikasi dan pendekatan fungsi yang meniru arsitektur kerja otak. JST memiliki tiga lapisan yaitu lapisan input, lapisan tersembunyi dan lapisan output. Salah satu algoritma pada JST adalah backpropagation yang mempunyai kemampuan untuk melakukan dua tahap perhitungan yaitu perhitungan maju dan turun. Perhitungan maju untuk menghitung eror antara output dan target, sedangkan perhitungan mundur sebagai penghitungan balik eror untuk memperbaiki bobot pada semua neuron yang ada. Penerapan JST dengan algoritma backpropagation dalam pengambilan keputusan telah dilaporkan beberapa peneliti. Kusmaryanto, S (2014) menggunakan JST Backpropagation untuk pengenalan wajah. Dewi et al (2009) mampu menerapkan JST untuk memprediksi kelulusan mahasiswa. Lebih jauh lagi di bidang perikanan, Dowlati et al (2009) menggunakan metode regresi dan neural network untuk memprediksi tingkat kesegaran ikan bawal.

Tahapan dalam sebuah JST pattern recognition adalah akuisisi data, preprocessing, ekstraksi ciri dan pengenalan data (Putra, D. 2010). JST dikembangkan dari data citra Red Green Blue (RGB)  yang diukur menggunakan computer vision system. Sebuah citra dalam model Red Green Blue (RGB) memiliki tiga komponen warna utama yaitu merah, hijau dan biru dengan rentang nilai setiap komponen utama antara 0-225. Warna selain komponen utama adalah hasil percampuran komponen warna utama dengan nilai tertentu. Penggunaan  komponen RGB dalam bentuk data statistik yang digunakan sebagai input pada jaringan pengambil keputusan telah dilaporkan. Hariyanto (2009) menggunakan metode pengubahan komponen RGB pada gelang resistor untuk mengetahui nilai resistansinya. Lebih lanjut dibidang perikanan Issac et al (2017) mampu menggunakan data masukan nilai RGB citra insang sebagai penentu tingkat kesegaran ikan.

Berdasarkan beberapa literatur di atas, penerapan JST pattern recognition di bidang perikanan masih belum digunakan secara luas, padahal metode image processing dengan JST sebagai pengambil keputusan yang akurat. Oleh karena itu, LRMPHP telah melakukan penelitian untuk mengetahui kemampuan JST dalam memprediksi kesegaran ikan tuna (Thunnus sp.). Hasil penelitian tersebut telah dipublikasikan dalam Seminar Nasional Tahunan XIV Hasil Penelitian Perikanan dan Kelautan (Semnaskan-UGM) 22 Juli di Yogyakarta.

Rangkaian penelitian dimulai dengan pengambilan data citra mata ikan menggunakan kamera logitech 8 megapiksel di dalam kotak khusus berukuran x 55 x 12 cm yang telah dilengkapi dengan lampu LED pada empat titik. Citra mata ikan yang diperoleh selanjutnya melewati dua tahapan pengolahan citra menggunakan software matlab 2014a, yaitu preprocessing dan ekstraksi rata rata nilai RGB citra mata ikan. Berikut diagram proses penelitian (Gambar 1.) dan alur preprocessing citra mata ikan (Gambar 2.).
Gambar 1. Diagram proses penelitian

Gambar 2. Alur preprocessing citra mata ikan
    Hasil preprocessing citra mata ikan terlihat pada Tabel 1.

Berdasarkan olah data yang dilakukan maka diperolah nilai akurasi, sensitivitas dan spesivitas pengujian masing-masing sebesar 86, 95 dan 71 %. Nilai AUC yang diperoleh sebesar 0,834, sehingga dapat dsimpulkan bahwa metode klasifikasi kesegaran ikan berdasarkan nilai rata rata RGB citra mata ikan tergolong baik.

Kamis, 27 Juli 2017

Perbandingan Pembacaan Sensor Gas (MQ-3 dan MQ-9) pada Proses Pembusukan Ikan Tuna (Thunnus sp)

Status kesegaran ikan berkaitan erat dengan keamanan makanan bagi konsumen dan cita rasa ikan. Metode uji kesegaran ikan yang sering digunakan saat ini adalah uji organoleptik yang didasarkan pada bau ikan, tekstur daging ikan dan kondisi visual ikan. Validitas uji ini bergantung pada  panelis terlatih yang berpengalaman sehingga hal ini dapat menjadi kendala terkait ketersediaan panelis terlatih. Selain uji organoleptik, uji kimiawi dan bakteri lazim digunakan dilaboratorium pengujian. Uji kimiawi didasarkan pada produksi senyawa gas volatil yang dihasilkan saat proses pembusukan ikan. Senyawa gas volatil tersebut diikat oleh asam borat dan pengukuran kadarnya dengan titrasi HCl. Untuk meningkatkan keakurasian pendeteksian produksi senyawa volatil dapat dilakukan dengan menggunakan kromatografi cair (HPLC) atau kromatografi gas (GC). Sampai saat ini, metode kromatografi memiliki akurasi yang paling baik namun memberikan biaya pemeriksaan yang mahal dan hanya bisa dilakukan di dalam laboratorium dengan peralatan khusus. Sementara itu, pengujian bakteri yang didasarkan pada jumlah populasi bakteri total pada ikan memerlukan waktu yang relatif lama untuk inkubasi penumbuhan total bakteri. Tingginya populasi bakteri pada ikan tersebut dianggap sebagai penanda peningkatan aktivitas bakteri pembusuk.

Metode lain yang lebih fleksibel dan praktis adalah pengukuran kesegaran ikan menggunakan alat Torry meter. Prinsip kerja alat tersebut dengan mengukur konduktivitas jaringan ikan. Konduktivias jaringan ikan didefinisikan sebagai sifat elektrokimia yang semakin meningkat seiring tingkat pembusukan ikan. Namun alat tersebut hanya bisa digunakan pada permukaan kulit ikan, tidak bisa digunakan pada fillet ikan dan ikan yang di bekukan.

Ditengah kekurangan metode pemeriksaan kesegaran ikan saat ini, aplikasi sensor gas semikonduktor sebagai pendeteksi kesegaran ikan menawarkan metode yang relatif cepat, murah dan mudah. Sensor gas semikonduktor menggunakan sebuah material (SnO2, ZnO dan TiO2) dengan konduktivitas berubah ubah menyesuaikan absorbsi gas. Aplikasi sensor gas semikonduktor untuk keperluan deteksi kesegaran ikan telah banyak dilaporkan. Ho Park, et al (2013) menggunakan deret sensor gas untuk pendeteksian senyawa trimethylamin dan amonia. Barbri et al (2009) dapat memanfaatkan deret sensor untuk menentukan kesegaran ikan sarden. Bahkan secara lebih jauh Olafsdottir, et al (2006) melaporkan menggunakan elektronic nose untuk mendefinisikan sisa metabolism spesifik sebuah bakteri pembusuk. LRMPHP juga telah mengembangkan penggunaan sensor gas untuk pemeriksaan kemunduran mutu ikan. Salah satu jenis sensor yang digunakan adalah sensor jenis MQ-136 untuk pendeteksian gas H2S pada ikan tuna. 

Saat ini sensor gas telah diproduksi masal dengan harga yang relatif murah, variatif dan spesifik dalam mendeteksi gas. Sensor MQ-3 merupakan sensor yang sensitif untuk mendeteksi gas alkohol sedangkan sensor MQ-9 merupakan sensor yang memiliki kemampuan untuk mendeteksi gas CO pada sumber daya rendah dan mendeteksi gas metana pada sumber daya tinggi. Sensor gas hanya mampu membaca data analog berupa gas, sehingga masih diperlukan mikrokontroler sebagai pengubah sinyal analog dari sensor ke data digital berupa deretan angka. Sensor MQ-3 atau MQ-9 dapat dengan mudah ditemui di toko elektronik robotika, hal ini dapat menjadikan sensor MQ-3 atau MQ-9 sebagai alternatif yang cepat, mudah dan murah untuk pendeteksian kebusukan ikan.

Atas dasar itu maka LRMPHP telah melakukan penelitian tentang perbandingan pembacaan sensor gas (MQ-3 dan MQ-9) pada proses pembusukan ikan tuna seperti dipublikasikan dalam SIMNASKP IV UNHAS 19-20 Mei 2017 di Makasar. Penelitian untuk mengetahui respon terbaik dua sensor tersebut terhadap perubahan bau ikan tuna sehingga diperoleh sensor gas yang paling baik untuk mendeteksi pembusukan ikan tuna.

Rangkaian pembacaan sensor gas MQ-3 dan MQ-9 terhadap kebususkan ikan pada penelitian tersebut dapat dilihat pada Gambar 1.

 Gambar 1. Rangkaian pembacaan sensor gas MQ-3 dan Mq 9 terhadap kebusukan ikan
Hasil pembacaan sensor MQ-3 dan MQ-9 terhadap sampel ikan  tuna masing-masing dapat  dilihat pada Gambar 2 dan 3 berikut:

Gambar 2. Grafik regresi pembacaan sensor MQ 3 terhadap waktu

Gambar 3. Grafik regresi pembacaan sensor MQ-9 terhadap waktu
Berdasarkan hasil uji regresi sensor gas terhadap waktu pengamatan, terdapat korelasi yang kuat antara pembacaan sensor MQ-3 dan MQ-9 terhadap pembusukan ikan. Nilai R2 sebesar 0,945 volt untuk sensor MQ-9, lebih tinggi dibandingkan nilai R2 untuk sensor MQ-3 sebesar 0,847 volt, hal ini menunjukkan waktu lebih berpengaruh terhadap pembacaan sensor MQ-9 dari pada sensor MQ-3.  

Sumber : Prosiding SIMNASKP IV UNHAS 2017

Rabu, 26 Juli 2017

Aplikasi Sensor MQ-136 Pada Pembacaan Penurunan Kesegaran Ikan Tuna (Thunnus Sp)

Indonesia memiliki laut yang sangat  luas dengan kekayaan ikan tuna yang melimpah. Ikan tuna (Thunnus sp.) merupakan salah satu komoditas perikanan yang potensial di Indonesia. Upaya untuk meningkatkan mutu ikan tuna perlu dilakukan secara intensif agar dapat bersaing di pasar internasional. Sejalan dengan hal itu maka perlu dilakukan pengawasan mutu yang ketat pada pada produk tersebut. Pengawasan mutu ikan biasanya dapat dilakukan melalui pengujian baik secara organoleptik, mikrobiologi maupun kimiawi, tetapi cara ini kurang efektif karena membutuhkan waktu yang lama. Sementara itu, dalam perkembangannya digunakan metode lain dalam pengujian kesegaran ikan yaitu menggunakan sensor.

Pada dua tahun terakhir ini LRMPHP telah melakukan beberapa penelitian aplikasi berbagai sensor untuk menentukan kesegaran ikan. Penggunaan sensor saat ini dapat dilakukan menggunakan sensor elektronik atau yang lebih dikenal dengan e-nose. Sensor menerima rangsangan dan meresponnya dengan perubahan sinyal listrik. Alat e-nose lebih efektif karena tidak terlalu membutuhkan waktu lama, lebih efisien, ekonomis dan bersifat nondestruktif. Salah satu pendeteksian melalui sensor adalah pendeteksian gas H2S (hydrogen sulfide). Gas H2S  merupakan salah satu gas penyebab bau busuk pada produk perikanan. Keberadaan gas H2S tersebut dapat digunakan sebagai penanda penurunan kualitas ikan, sehingga perubahan bau pada ikan dianggap menjadi metode potensial untuk menilai kesegaran ikan.

Salah satu jenis sensor yang dapat digunakan untuk pendeteksian gas H2S adalah sensor jenis MQ-136 dengan SnO2 (timah oksida) sebagai elemen sensornya. Sensor MQ-136 dikenal cukup sensitive dan akurat. Sebagai elemen sensornya, semikonduktor SnO2 digunakan sebagai material yang sensitif sebagai penerima respon rangsangan gas H2S. Konduktivitas SnO2 akan meningkat ketika konsentrasi gas H2S tinggi. Oleh karena itu, keberadaan H2S pada ikan dapat dideteksi menggunakan sensor MQ-136 dan diharapkan dapat membantu peningkatan mutu ikan tuna Indonesia

Untuk mengetahui penggunaan sensor MQ-136 dalam mendeteksi gas H2S pada ikan maka LRMPHP telah melakukan penelitian terkait aplikasi sensor MQ-136 pada pembacaan penurunan kesegaran ikan tuna (Thunnus Sp). Penelitian dilakukan menggunakan ikan tuna dengan dua ukuran yang berbeda yaitu ikan tuna A dengan berat 570 gram dan panjang 33 cm dan ikan tuna B dengan berat 1.200 gram dan panjang 44 cm. Ikan selanjutnya disimpan dalam wadah tertutup yang memiliki saluran atas sebagai saluran keluar gas. Pengamatan dilakukan setiap jam hingga jam ke-8 dan diakhiri pada pengamatan jam ke-24. Sensor yang digunakan selama pengamatan adalah MQ-136 (Gambar 1.), yang dirakit pada Arduino UNO (Gambar 2.) sebagai alat penghubung pada laptop (Gambar 3.) dan alat pengolah hasil pembacaan sensor.
Gambar 1. Sensor Gas MQ-136

Gambar 2. Arduino UNO

Gambar 3. Laptop
Hasil pembacaan sensor MQ-136 pada ikan A dan ikan B (Tabel 1.), menunjukkan ada peningkatan respon sensor pada setiap pembacaan. Peningkatan ini diduga karena perubahan kandungan udara yang berada dalam kotak tempat ikan. Bertambahnya waktu penyimpanan ikan menyebabkan proses pembusukan menjadi lebih banyak, sehingga kandungan H2S mengalami peningkatan. Penambahan nilai H2S menyebabkan respon terhadap material SnO2 pada sensor MQ-136 menjadi lebih besar. Penambahan gas H2S pada ikan A dan ikan B memiliki perbedaan oleh karena itu dilakukan analisa lebih lanjut.
Tabel 1. Hasil pembacaan  MQ-136 pada ikan A dan ikan B
Waktu
Ikan A (V)
Ikan B (V)
0
2,6
2,59
1
2,81
3,13
2
2,78
3,07
3
2,75
3,01
4
2,79
2,95
5
2,84
2,96
6
2,85
2,99
7
2,8
2,93
8
3,29
2,99
24
4,2
4,42

Berdasarkan data yang dipeoleh maka dapat disimpulkan bahwa pola grafik perubahan pembacaan sensor MQ 136 selama pengamatan lebih memiliki tingkat eror yang kecil pada ikan A (R2 = 0,926) dibandingkan ikan B (R2 = 0,830). Hal ini dapat diartikan  sensor MQ136 lebih  akurat untuk ikan A (570 gram) dengan model persamaannya  dibandingkan dengan ikan B (1.200 gram) pada proses pembacaan keberadaan gas H2S.
Sumber : Prosiding SIMNASKP IV UNHAS 2017