PENDUGAAN KOMPOSISI KIMIA BIJI NYAMPLUNG (Calophyllum inophyllum L.) SECARA NON-DESTRUKTIF DENGAN METODE NEAR INFRARED (NIR)
SKRIPSI
SALSABIL THALIB F14070115
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011
Prediction of Chemical Compositions of Calophyllum inophyllum L. Seeds by Near Infrared (NIR) Method Salsabil Thalib* and I Wayan Budiastra** Department of Mechanical and Biosystem Engineering, Faculty of Agricultural Technology Bogor Agricultural University, IPB Dramaga Campus, PO BOX 220, Bogor, West Java, Indonesia Phone +6287 888 682 800, e-mail:
[email protected]
ABSTRACT The objective of this study was to apply NIR method to predict chemical composition of Calophyllum inophyllum L. seeds accurately (moisture, fat, acid number, free fatty acid contents). The reflectance of seeds at the wavelength ranges from 1000 to 2500 nm (4000-10000 cm-1 at intervals of 4 cm-1) were measured by NIRFlex Solids Petri Apparatus. Calibration method which used in this study are principal component regression (PCR) and partial least squares (PLS). Data treatment on the reflectance and absorbance spectrum are used that is: smooth average 3 points, second derivative Savitzky-Golay 9 points, normalization 0-1, combination both of smooth average 3 points and second derivative Savitzky-Golay 9 points, and combination of all data treatment. A number of 70 Calophyllum inophyllum L. seeds were used as samples. Samples were divided into two parts: ± 45 samples (2/3 of total samples) for developing calibration equation and ± 25 samples (1/3 of total samples) for performing validation. NIR data analysis shows that PLS method with NIR reflectance data and the combination both of smooth average 3 points and second derivative Savitzky-Golay 9 points is the best method of calibration and data treatment to predicting moisture contents of Calophyllum inophyllum L. seeds was also prediction with standard error of prediction (SEP) of 0.45% and coefficient of variability (CV) of 0.81%. Prediction of fat contents of Calophyllum inophyllum L. seeds best obtained with the PLS method, the reflectance data, and the combination both of smooth average 3 points and second derivative Savitzky-Golay 9 points was also prediction with standard error of prediction (SEP) of 0.37% and coefficient of variability (CV) of 0.62%. Prediction of acid number contents of Calophyllum inophyllum L. seeds best obtained with the PLS method, the absorbance data, and the second derivative Savitzky-Golay 9 points data treatment was also prediction with standard error of prediction (SEP) of 0.04% and coefficient of variability (CV) of 0.09%. And prediction of free fatty acid contents of Calophyllum inophyllum L. seeds best obtained with the PLS method, the reflectance data, and the combination was all data treatments was also prediction with standard error of prediction (SEP) of 0.04% and coefficient of variability (CV) of 0.18%.
Keywords : NIR, PCR, PLS, Calophyllum inophyllum L. seeds, moisture, fat, acid number, free fatty acid contents.
*author **co author
SALSABIL THALIB. F14070115. PENDUGAAN KOMPOSISI KIMIA BIJI NYAMPLUNG (Calophyllum inophyllum L.) SECARA NON-DESTRUKTIF DENGAN METODE NEAR INFRARED (NIR). Dibawah bimbingan I Wayan Budiastra. 2011.
RINGKASAN
Bahan bakar minyak (dari bahan bakar fosil) merupakan sumber energi yang dikonsumsi paling besar dibandingkan sumber energi lain. Oleh karena itu, krisis bahan bakar fosil yang dialami dunia saat ini memberikan dampak yang cukup besar di berbagai negara, terutama Indonesia. Peningkatan laju konsumsi BBM yang tidak sejalan dengan produksi minyak bumi di dalam negeri yang semakin menurun, sehingga perlu diambil langkah-langkah untuk mendapatkan sumber energi alternatif sebagai pensubstitusi bahan bakar fosil. Indonesia mempunyai sumber energi terbarukan yang melimpah, tetapi belum dimanfaatkan secara optimal dibandingkan dengan penggunaan bahan bakar fosil. Salah satu sumber energi terbarukan yaitu minyak nabati dari biji nyamplung yang dapat diolah menjadi biodiesel. Pada umumnya untuk mengetahui komposisi kimia bahan dilakukan dengan cara analisis kimiawi laboratorium dengan metode konvensional, namun hal tersebut cukup rumit, memerlukan waktu analisis yang cukup lama, mahal, dan membutuhkan tenaga ahli intensif disamping membutuhkan ruangan yang luas sebagai laboratorium. Kendala dalam metode konvensional tersebut dapat diatasi dengan metode near infrared (NIR) yang bersifat non-destruktif dan akurat. Metode NIR dapat menganalisis komposisi kimia dari bahan pangan, produk hortikultura, dan pakan ternak dalam waktu yang cepat, teliti, lebih sederhana, tidak membutuhkan bahan-bahan kimia, dan ekonomis. Tujuan umum dari penelitian ini adalah untuk menduga komposisi kimia (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) biji nyamplung dengan metode NIR. NIR merupakan bagian dari spektrum gelombang elektromagnetik dengan panjang gelombang antara 700 – 2500 nm (Dryden, 2003). Selain itu, daerah infra merah dekat memiliki energi yang relatif rendah dan stabil dalam interaksi terhadap molekul-molekul (CH, OH, CN, dan NH) hanya akan menimbulkan getaran (vibrasi) ikatan inter-atomic (Osborne et al., 1993). Radiasi NIR yang dipantulkan dari biji nyamplung dapat digunakan untuk menduga komposisi kimia seperti kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas dan data yang diperoleh dimasukkan dalam metode kalibrasi. Hasil pengukuran NIR ini menghasilkan data reflektan (R) dan data absorban (log (1/R)). Bahan yang digunakan dalam penelitian ini adalah biji nyamplung (Calophyllum inophyllum L.) yang diperoleh dari Koperasi Jarak Lestari, Cilacap, Jawa Tengah. Biji nyamplung yang diperoleh berupa buah nyamplung matang pohon dengan karakteristik buah berwarna kuning kecoklatan yang sudah dikeringkan sampai kadar air kurang lebih 10% kemudian diambil bijinya saja. Alat yang digunakan dalam penelitian ini antara lain NIRFlex Solids Petri Tipe N-500 Merk BUCHI dan seperangkat komputer yang telah diinstal dengan software bawaan, seperti: NIRWare Operator, NIRWare Management Console, dan NIRCal 5. Pengukuran kadar air biji nyamplung referensi dilakukan uji kimiawi dengan metode thermogravitimetri berdasarkan SNI 01-37512006. Pengukuran kadar lemak, bilangan asam, dan kadar asam lemak bebas biji nyamplung referensi dilakukan berdasarkan AOAC 1995. Jumlah sampel penelitian ini adalah 70 sampel biji nyamplung. Sebanyak 2/3 dari jumlah sampel digunakan untuk tahap kalibrasi. Sedangkan tahap validasi menggunakan 1/3 dari jumlah sampel. Metode kalibrasi yang digunakan adalah principal component regression (PCR) dan partial least squares (PLS). Perlakuan data (data treatment) pada kurva spektrum reflektan dan absorban NIR pendugaan komposisi kimia biji nyamplung, antara lain: penghalusan rataan setiap
3 titik, derivatif kedua Savitzky-Golay setiap 9 titik, normalisasi data spektra kedalam rentang 0-1, kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzky-Golay setiap 9 titik, dan kombinasi dari ketiga perlakuan data tersebut.Kisaran panjang gelombang untuk pendugaan kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas biji nyamplung antara 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) untuk kadar air terlihat pada puncak spektra dengan panjang gelombang 1450 nm (6895 cm-1) dan 1940 nm (5154 cm-1). Kadar lemak dan bilangan asam pada kisaran panjang gelombang 1634 – 1766 nm (6120 – 5662 cm-1) dan 2250 – 2350 nm (4444 – 4255 cm-1). Dan kandungan FFA dapat terlihat pada kisaran panjang gelombang 2200 – 2300 nm (4545 – 4348 cm-1). Metode kalibrasi dan perlakuan data dapat dikatakan terbaik apabila diperoleh nilai standar error (SEP) dan koefisien keragaman (CV) pada tahap validasi lebih rendah daripada tahap kalibrasi dan juga berada dibawah selang ideal yang diijinkan. Hasil analisis data NIR menunjukkan metode PLS dengan data reflektan dan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzky-Golay setiap 9 titik merupakan metode kalibrasi terbaik untuk pendugaan kadar air biji nyamplung dengan nilai standar error validasi (SEP) sebesar 0.45% dan koefisien keragaman (CV) sebesar 0.81%. Pendugaan kadar lemak biji nyamplung metode kalibrasi yang terbaik adalah dengan metode PLS, data reflektan, dan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua SavitzkyGolay setiap 9 titik dengan nilai standar error validasi (SEP) sebesar 0.37% dan koefisien keragaman (CV) sebesar 0.62%. Pendugaan bilangan asam biji nyamplung metode kalibrasi yang terbaik adalah dengan metode PLS, data absorban, dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik dengan nilai standar error validasi (SEP) sebesar 0.04% dan koefisien keragaman (CV) sebesar 0.09%. Dan untuk pendugaan kadar asam lemak bebas biji nyamplung metode kalibrasi yang terbaik adalah metode PLS, data reflektan, dan perlakuan data kombinasi dari ketiga perlakuan data dengan nilai standar error validasi (SEP) sebesar 0.04% dan koefisien keragaman (CV) sebesar 0.18%. Agar nilai duga yang dihasilkan lebih menggambarkan nilai parameter mutu yang sesungguhnya, maka sebaiknya dilakukan penelitian lebih lanjut dengan memperhitungkan nilai error yang terjadi selama proses analisis laboratorium secara destruktif.
Kata kunci: NIR, biji nyamplung (Calophyllum inophyllum L.), kadar air, kadar lemak, bilangan asam, kadar asam lemak bebas, PCR, PLS, reflektan, dan absorban.
PENDUGAAN KOMPOSISI KIMIA BIJI NYAMPLUNG (Calophyllum inophyllum L.) SECARA NON-DESTRUKTIF DENGAN METODE NEAR INFRARED (NIR)
SKRIPSI sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Mayor Teknik Pertanian Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian Institut Pertanian Bogor
Oleh SALSABIL THALIB F14070115
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011
Judul Skripsi
: Pendugaan Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) secara Non-Destruktif dengan Metode Near Infrared (NIR)
Nama
: Salsabil Thalib
NIM
: F14070115
Bogor, Agustus 2011
Menyetujui, Dosen Pembimbing Akademik
Dr. Ir. I Wayan Budiastra, M. Agr. NIP. 19611019 198601 1 002
Mengetahui : Ketua Departemen Teknik Mesin dan Biosistem,
Dr. Ir. Desrial, M. Eng. NIP. 19661201 199103 1 004
Tanggal Lulus :
KATA PENGANTAR Segala puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena berkat bimbingan dan penyertaan-Nya jualah sehingga skripsi ini berhasil diselesaikan. Judul skripsi yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2011 ini adalah “Pendugaan Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) secara Non-Destruktif dengan Metode Near Infrared (NIR)”. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian (S.TP) pada Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Skripsi ini merupakan suatu penelitian menggunakan metode near infrared (NIR) dalam menduga komposisi kimia pada biji nyamplung (Calophyllum inophyllum L.) dengan metode kalibrasi multivariatif. Topik penelitian ini dipilih karena saat ini banyak diperlukan metode-metode pendugaan komposisi kimia secara non-destruktif dengan tingkat kecepatan, keakuratan, dan konsistensi yang tinggi, serta didasarkan bahwa di Indonesia saat ini masih banyak menggunakan metode-metode pendugaan komposisi kimia secara destruktif (metode konvensional) dalam menentukan komposisi kimia biji nyamplung. Pada kesempatan ini penulis mengucapkan terima kasih kepada : 1. Bapak Dr. Ir. I Wayan Budiastra, M.Agr. selaku dosen pembimbing yang telah membimbing dan memberikan saran, kritik, arahan, serta perhatian kepada penulis mulai dari penyusunan proposal usulan penelitian, pelaksanaan penelitian hingga penulisan skripsi. 2. Bapak Dr. Ir. I Dewa Made Subrata, M.Agr. selaku dosen penguji yang telah memberikan saran, kritik, serta arahan kepada penulis dalam melakukan penulisan skripsi. 3. Ibu Dr. Ir. Emmy Darmawati, M.Si. selaku dosen penguji yang telah memberikan saran, kritik, serta arahan kepada penulis dalam melakukan penulisan skripsi. 4. Bapak Sulyaden (Teknisi Lab. TPPHP) yang telah banyak memberikan bantuan dan saran kepada penulis selama penelitian. 5. Ayahanda Ali Thalib, Ibunda Lutfiah Abbad, serta adik-adikku tercinta Mujahid Thalib, Saleh Thalib, dan Haura Thalib, atas segala doa, motivasi, dan kasih sayangnya sehingga penulis dapat menyelesaikan skripsi ini. 6. Teman-teman Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem angkatan 2007 (TEP 44), khususnya : Syahid dan Nikita yang telah membantu dan memberikan saran kepada penulis selama penelitian dan penulisan skripsi. Penulis menyadari dalam penulisan skripsi ini masih terdapat kekurangan dan masih jauh dari kesempurnaan, dikarenakan keterbatasan kemampuan dan pengetahuan penulis. Oleh karena itu, penulis sangat mengharapkan saran dan kritik yang bersifat membangun dari semua pihak untuk penyempurnaan dan perbaikan skripsi ini. Penulis berharap skripsi ini dapat bermanfaat bagi kita semua. Bogor, Agustus 2011 Salsabil Thalib
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Pendugaan Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) secara Non-Destruktif dengan Metode Near Infrared (NIR) adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, Agustus 2011 Yang membuat pernyataan
Salsabil Thalib F14070115
© Hak cipta milik Salsabil Thalib, tahun 2011 Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan sebagainya
BIODATA PENULIS Penulis dilahirkan di Bogor pada tanggal 14 Maret 1989 merupakan putra pertama dari empat bersaudara, dari Ayah Ali Thalib dan Ibu Lutfiah Abbad. Penulis menyelesaikan pendidikan dasar di SDN Empang 1 Bogor pada tahun 2001, pendidikan menengah pertama di SLTPN 7 Bogor pada tahun 2004, dan juga pendidikan menengah atas di SMAN 4 Bogor pada tahun 2007. Pada tahun 2007 penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima di Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem. Selama mengikuti perkuliahan, penulis aktif dalam organisasi kemahasiswaan, diantaranya menjadi anggota Himpunan Mahasiswa Teknik Pertanian (HIMATETA) Staff TeCo dan anggota Paduan Suara Agriaswara ketua divisi kesejahteraan konser pelantikan tahun 2008. Penulis juga memiliki beberapa prestasi selama masa perkuliahan, antara lain: memperoleh beasiswa dari DIKTI (2009-2011) serta menjadi mahasiswa berprestasi dengan peningkatan IPK tertinggi Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian IPB Tahun Ajaran 2009-2010. Selain mengikuti perkuliahan dan aktif dalam organisasi, penulis menjadi asisten praktikum M.K. Praktikum Terpadu Mekanika dan Bahan Teknik (T.A. 2009/2010). Pada bulan Juni sampai Agustus 2010, penulis telah melaksanakan praktek lapangan atau program magang (Internship) di PT. Nestle Indonesia, Pabrik Cikupa dengan judul “Mempelajari Aspek Keteknikan Pertanian pada Proses Produksi Permen Fox’s di PT. Nestle Indonesia, Pabrik Cikupa”.
DAFTAR ISI Halaman KATA PENGANTAR ...................................................................................................... i DAFTAR ISI ..................................................................................................................... iv DAFTAR TABEL ............................................................................................................. vi DAFTAR GAMBAR ........................................................................................................ viii DAFTAR LAMPIRAN ..................................................................................................... xi I. PENDAHULUAN ................................................................................................ 1 A. LATAR BELAKANG ................................................................................... 1 B. TUJUAN ........................................................................................................ 3 C. MANFAAT PENELITIAN ............................................................................ 3 II. TINJAUAN PUSTAKA ........................................................................................ 4 A. METODE NEAR INFRARED (NIR).............................................................. 4 1. Tanaman Nyamplung (Calophyllum inophyllum L.) ............................... 4 2. Minyak Nyamplung ................................................................................. 7 3. Teori Metode Near Infrared (NIR) .......................................................... 8 4. Aplikasi Metode Near Infrared (NIR) ..................................................... 9 B. KALIBRASI DAN VALIDASI ..................................................................... 11 C. METODE KALIBRASI MULTIVARIATIF ................................................. 12 1. Metode Principal Component Regression (PCR) .................................... 13 2. Metode Partial Least Squares (PLS) ....................................................... 13 III. METODOLOGI PENELITIAN ........................................................................... 15 A. TEMPAT DAN WAKTU ............................................................................ 15 B. BAHAN DAN ALAT .................................................................................. 15 C. METODE PENELITIAN ............................................................................ 15 1. Persiapan Sampel Penelitian .................................................................... 15 2. Persiapan Instrumen NIR ......................................................................... 16 3. Pengukuran Reflektan Spektrum NIR ..................................................... 17 4. Pengukuran Absorban Spektrum NIR ..................................................... 19 5. Pengukuran Komposisi Kimia Biji Nyamplung Secara Destruktif .......... 19 a. Penentuan Kadar Air (SNI 01-3751-2006) ......................................... 19 b. Penentuan Bilangan Asam dan Asam Lemak Bebas (AOAC 1995) .. 19 c. Penentuan Kadar Lemak (AOAC 1995) ............................................. 20 4. Analisis Data Penelitian ........................................................................... 20 a. Kalibrasi ............................................................................................. 21 b. Validasi............................................................................................... 22 c. Data Treatment ................................................................................... 23 IV. HASIL DAN PEMBAHASAN ........................................................................... 24 A. REFLEKTAN NIR BIJI NYAMPLUNG (Calophyllum inophyllum L.) ..... 24 B. ABSORBAN NIR BIJI NYAMPLUNG (Calophyllum inophyllum L.) ...... 27 C. ANALISIS DATA KIMIAWI LABORATORIUM DENGAN METODE KONVENSIONAL PADA KOMPOSISI KIMIA BIJI NYAMPLUNG (Calophyllum inophyllum L.) ....................................................................... 31 D. ANALISIS DATA NEAR INFRARED BIJI NYAMPLUNG (Calophyllum inophyllum L.) .............................................................................................. 32
1. Metode Principal Component Regression (PCR) .................................... 33 a. Data Reflektan Biji Nyamplung ......................................................... 34 b. Data Absorban Biji Nyamplung ......................................................... 41 2. Metode Partial Least Squares (PLS) ....................................................... 47 a. Data Reflektan Biji Nyamplung ......................................................... 48 b. Data Absorban Biji Nyamplung ......................................................... 55 V. KESIMPULAN DAN SARAN ............................................................................. 67 A. KESIMPULAN............................................................................................ 67 B. SARAN ........................................................................................................ 67 DAFTAR PUSTAKA ................................................................................................. 68 LAMPIRAN ................................................................................................................ 71
DAFTAR TABEL Halaman Tabel 1. Tabel 2. Tabel 3. Tabel 4. Tabel 5. Tabel 6.
Tabel 7.
Tabel 8.
Tabel 9.
Tabel 10.
Tabel 11.
Tabel 12.
Tabel 13.
Tabel 14.
Tabel 15.
Tabel 16.
Tabel 17.
Konsumsi minyak solar sektor transportasi tahun 1995-2010 ............................ 1 Sifat fisiko kimia biodiesel nyamplung dibandingkan dengan standar SNI 04-7182-2006 ..................................................................................................... 6 Sifat fisiko kimia tempurung biji nyamplung ..................................................... 7 Komposisi asam lemak minyak nyamplung ....................................................... 8 Data statistik 70 sampel biji nyamplung hasil analisis kimiawi laboratorium ....................................................................................................... 31 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR).............................................................................. 34 Hasil Analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR).............................................................................. 36 Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR).............................................................................. 38 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) .............................................................. 39 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR).............................................................................. 41 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR).............................................................................. 43 Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR).............................................................................. 45 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) .............................................................. 46 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS)............................................................................................. 49 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS)............................................................................................. 50 Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS)............................................................................................. 52 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) ................................................................................. 54
Tabel 18.
Tabel 19.
Tabel 20.
Tabel 21.
Tabel 22.
Tabel 23.
Tabel 24.
Tabel 25.
Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS)............................................................................................. 56 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS)............................................................................................. 57 Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS)............................................................................................. 59 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) ................................................................................. 61 Perbandingan hasil kalibrasi dan validasi kadar air dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ...................................................................................................... 62 Perbandingan hasil kalibrasi dan validasi kadar lemak dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ......................................................................................... 62 Perbandingan hasil kalibrasi dan validasi bilangan asam dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ......................................................................................... 63 Perbandingan hasil kalibrasi dan validasi kadar asam lemak bebas dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ......................................................................................... 63
DAFTAR GAMBAR Halaman Gambar 1. Gambar 2. Gambar 3. Gambar 4. Gambar 5. Gambar 6. Gambar 7. Gambar 8.
Gambar 9.
Gambar 10. Gambar 11.
Gambar 12. Gambar 13. Gambar 14.
Gambar 15.
Gambar 16. Gambar 17.
Gambar 18.
Pohon, kayu, bunga, buah, daun, dan biji nyamplung..................................... 5 Sampel biji nyamplung ................................................................................... 16 Bagian-bagian NIRFlex petri solid ................................................................. 16 NIR Spectroscopy Solids Petri ........................................................................ 17 Diagram alir pelaksanaan penelitian pendugaan komposisi kimia biji nyamplung dengan metode NIR ..................................................................... 18 Kurva spektrum reflektan (R) NIR pada 70 sampel biji nyamplung ............... 24 Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points)........................... 25 Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative SavitzkyGolay 9 points)................................................................................................ 26 Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points)................................................................ 26 Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1 ................................................ 27 Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi 0-1 ............................................... 27 Kurva spektrum absorban (log (1/R)) NIR pada 70 sampel biji nyamplung... 28 Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points)........................... 29 Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative SavitzkyGolay 9 points)................................................................................................ 29 Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) ................................................................................ 30 Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1 ......................................... 30 Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi 0-1 ............................................... 31 Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 47 sampel dan validasi 23 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data ................................................................................................. 35
Gambar 19.
Gambar 20.
Gambar 21.
Gambar 22.
Gambar 23.
Gambar 24.
Gambar 25.
Gambar 26.
Gambar 27.
Gambar 28.
Gambar 29.
Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 48 sampel dan validasi 22 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data ................................................................................................. 37 Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1 ......................................... 38 Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data ....................................................... 40 Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1 ................. 42 Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik ............................................................... 44 Grafik perbandingan bilangan asam dugaan data absorban NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data ...................................................................................... 45 Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan perlakuan data penghalusan rataan setiap 3 titik ...................................... 47 Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PLS dan perlakuan data penghalusan rataan setiap 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik .......................................................................................... 49 Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan kombinasi dari ketiga perlakuan data ............................................................................... 51 Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik ......................................... 53 Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan kombinasi dari ketiga perlakuan data .............................................................. 54
Gambar 30.
Gambar 31.
Gambar 32.
Gambar 33.
Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 47 sampel dan validasi 23 sampel dengan metode PLS dan perlakuan data normalisasi data spektra kedalam rentang 0-1 ................................................ 56 Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 43 sampel dan validasi 27 sampel dengan metode PLS dan kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsky-Golay setiap 9 titik ......................................................................... 58 Grafik perbandingan bilangan asam dugaan data absorban NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PLS dan perlakuan data derivativf kedua Savitzsky-Golay setiap 9 titik ....................................... 60 Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik.......... 61
DAFTAR LAMPIRAN Halaman Lampiran 1. Lampiran 2.
Lampiran 3. Lampiran 4. Lampiran 5.
Data hasil kimia analisis laboratorium biji nyamplung ................................. 72 Contoh output program NIRCal 5 (Software bawaan dari NIRFlex Tipe N-500 Merk BUCHI) pada pendugaan kadar lemak biji nyamplung dengan data reflektan dengan metode partial least square (PLS)................. 74 Tampilan Software NIRFlex N-500 Merk BUCHI ....................................... 81 Algoritma penghalusan rataan setiap 3 titik (Hanke and Wichern, 2005)….82 Algoritma derivatif kedua Savitzky-Golay setiap 9 titik (Hanke and Wichern, 2005)……………………………………………………………82
I. PENDAHULUAN A. Latar Belakang Bahan bakar minyak (dari bahan bakar fosil) merupakan sumber energi yang dikonsumsi paling besar dibandingkan sumber energi lain. Oleh karena itu, krisis bahan bakar fosil yang dialami dunia saat ini memberikan dampak yang cukup besar di berbagai negara, terutama Indonesia. Secara nasional, konsumsi bahan bakar minyak (BBM) mengalami peningkatan. Selama tahun 2004 mencapai 26.9 milyar liter, tahun 2010 diperkirakan mencapai 34.7 milyar liter (Soerawidjaja et al., 2005). Data konsumsi minyak solar di Indonesia disajikan pada Tabel 1. Tabel 1. Konsumsi minyak solar sektor transportasi tahun 1995-2010 Tahun 1995
Transportasi (milyar liter) 6.91
Total (milyar liter) 15.84
Porsi (%) 43.62
2000
9.69
21.39
45.29
2005
13.12
27.05
48.5
2010
18.14
34.71
52.27
Sumber: Soerawidjaja et al., (2005) Peningkatan laju konsumsi BBM tidak sejalan dengan produksi minyak bumi di dalam negeri yang semakin menurun, sehingga perlu diambil langkah-langkah untuk mendapatkan sumber energi alternatif. Indonesia mempunyai sumber energi terbarukan yang melimpah, tetapi belum dimanfaatkan secara optimal dibandingkan dengan penggunaan bahan bakar fosil. Kontribusi energi terbarukan terhadap total penggunaan energi masih dibawah 1% (Sumiarso, 2001). Kebijakan-kebijakan pemerintah dalam bentuk Instruksi Presiden no. 10 tahun 2005 mengenai penghematan penggunaan energi, Instruksi Presiden no. 1 tahun 2006 mengenai penyediaan dan pemanfaatan bahan bakar nabati (biofuel) serta Peraturan Presiden no. 5 tahun 2006 mengenai kebijakan energi nasional, menyatakan tahun 2025 ditargetkan untuk mengoptimalkan bahan bakar nabati mencapai 5% (Perpres, 2006). Minyak tumbuhan (nabati) sebagai sumber energi alternatif dapat diolah menjadi biodiesel. Biodiesel merupakan senyawa metil ester hasil reaksi transesterifikasi trigliserida yang berasal dari minyak nabati atau lemak hewan. Kelebihan biodiesel sebagai bahan bakar alternatif pengganti solar diantaranya angka setana tinggi, ramah lingkungan karena mengandung sedikit gas SOx, daya lumas yang baik, emisi gas buang sedikit, dan karakter pembakaran yang relatif bersih. Pengolahan biodiesel dari bahan baku terbarukan (renewable) telah banyak dilakukan di berbagai negara diantaranya negara-negara Eropa menggunakan rapeseed, Amerika Serikat menggunakan kedelai dan minyak kelapa (coconut oil), Filipina dan Malaysia menggunakan CPO (Crude Palm Oil). Sedangkan Indonesia menggunakan CPO dan minyak jarak (Jatropha) (Mittelbach, 2001). Tanaman nyamplung (Calophyllum inophyllum L.) merupakan salah satu bahan baku alternatif biodiesel yang mempunyai potensi cukup besar. Kandungan minyak relatif tinggi yaitu antara 40-73%, dibandingkan sawit 46-54%, jarak pagar 40-60%, saga hutan 14-28%, kesumba 30-40%, dan kelor 39-40%. Satu liter minyak nyamplung dapat dihasilkan dari 2.5 kg biji, sedangkan jarak membutuhkan 4 kg untuk menghasilkan satu liter minyak (Murniasih, 2009). Kualitas minyak yang dihasilkan dari biji nyamplung ditentukan oleh sifat fisik dan kimia. Sifat fisik minyak dari biji nyamplung adalah berwarna coklat kehijauan, kental, dan
1
beraroma menyengat seperti karamel. Sedangkan sifat kimia yang menentukan kualitas minyak biji nyamplung adalah kadar air, kadar abu, kadar ekstraktif, kadar holoselulosa, kadar alpha selulosa, kadar pentosan, dan kadar lignin (Wibowo, 2010). Keuntungan dari minyak nabati biji nyamplung diantaranya ramah lingkungan; tidak mencemari air, udara, maupun tanah karena mudah terurai secara biologi; dan bahan bakunya dapat diperbaharui. Metode-metode konvensional untuk menentukan komposisi kimia, seperti kadar air, kadar abu, bilangan asam dan asam lemak bebas, dan kadar lemak pada bahan pertanian seperti biji nyamplung membutuhkan biaya yang mahal, tenaga laboratorium yang ahli, dan waktu yang cukup lama untuk menganalisis. Penentuan kadar air menggunakan metode thermogravitimetri yang berdasarkan SNI 01-3751-2006, membutuhkan proses pengeringan dalam oven pada suhu 130oC selama 1 – 2 jam (DSN, 2006). Penentuan bilangan asam dan asam lemak bebas, dan kadar lemak berdasarkan AOAC 1995. Pada saat ini sejumlah metode atau teknologi instrumentasi telah dikembangkan untuk menentukan komposisi kimia suatu bahan dengan proses cepat, tepat, akurat, dan tidak merusak. Salah satu metode tersebut adalah pengukuran dengan near infrared (NIR) yang ditembakkan ke bahan. Metode NIR dapat menganalisis dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana tidak menggunakan bahan kimia, dapat menganalisis contoh dengan tidak merusak (non-destruktif), dapat melakukan analisa sampel hingga kedalaman 2-5 milimeter, dapat mendeteksi berbagai komponen dengan satu data spektra, dan tidak memerlukan banyak perlakuan terhadap sampel. Metode NIR pertama diawali oleh Norris dan Hart (1962) yang mengukur kadar air yang terkandung pada biji-bijian dan bibit tanaman dengan menggunakan transmittance spectroscopy. Rochimawati (2004) telah mengaplikasikan metode NIR untuk menduga mutu tepung jagung secara cepat dan stimulan. Parameter pendugaan mutu tepung jagung tersebut yaitu kadar air, karbohidrat, protein, dan lemak. Hubungan antara data reflektan dan absorban NIR dengan kadar air, karbohidrat, protein, dan lemak pada penelitian tersebut dipelajari dengan metode kalibrasi menggunakan stepwise multiple linear regression (SMLR). Persamaan regresi tahap kalibrasi tersebut digunakan untuk menduga kadar air, karbohidrat, protein, dan lemak tepung jagung. Metode kalibrasi yang sama juga telah diterapkan untuk pendugaan kandungan energi bruto tepung ikan untuk bahan pakan ternak (Quddus, 2006). Dengan menggunakan regresi kalibrasi dengan metode SMLR untuk melakukan pendugaan maka menghasilkan spektrum NIR yang mengandung data dalam jumlah besar, dimana hanya beberapa bagian saja yang akan digunakan dalam pembuatan persamaan regresi sehingga terdapat kemungkinan sebagian data yang penting tidak masuk dalam persamaan tersebut. Metode kalibrasi yang lainnya yang dapat mengekstrak informasi kimia dari data yang dihasilkan dan memperkirakan serangkaian variabel tidak bebas dari variabel bebas yang jumlahnya sangat banyak, namun tidak membuang dan mengurangi data informasi yang berukuran besar dan berguna yang diperoleh dari instrumen pada suatu percobaan adalah metode kalibrasi multivariatif. Metode kalibrasi multivariatif yang akan digunakan yaitu principal component regression (PCR) dan partial least squares (PLS). Efektivitas metode kalibrasi tersebut telah diteliti oleh Lammertyn et al., (1998) untuk menduga sifat-sifat fisik apel, serta Schmilovitch et al., (2000) yang membandingkan tiga metode kalibrasi yaitu PCR, PLS, dan SMLR serta menduga parameter periode penyimpanan, ketegaran (kekerasan), kandungan gula, dan keasaman buah. Pada penelitian tersebut terbukti bahwa metode PCR dan PLS dapat menghasilkan model regresi kalibrasi yang baik daripada metode SMLR.
2
Informasi tentang penerapan metode near infrared (NIR) untuk menduga komposisi kimia (kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak) biji nyamplung dengan menggunakan metode kalibrasi multivariatif yaitu principal component regression (PCR) dan partial least squares (PLS) belum ada.
B. Tujuan Penelitian Tujuan umum penelitian ini adalah menduga komposisi kimia (kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak) biji nyamplung secara non-destruktif dengan metode near infrared (NIR). Sedangkan tujuan khusus dalam penelitian ini adalah sebagai berikut : 1) Mengkaji spektrum reflektan dan absorban biji nyamplung dalam hubungannya dengan sifatsifat komposisi kimia biji nyamplung. 2) Menentukan perlakuan data (data treatment) yang terbaik untuk pendugaan komposisi kimia biji nyamplung. 3) Melakukan tahap kalibrasi dan validasi sifat reflektan, absorban, dan komposisi kimia biji nyamplung dengan metode kalibrasi multivariatif yaitu principal component regression (PCR) dan partial least squares (PLS). 4) Menentukan metode kalibrasi yang terbaik untuk pendugaan komposisi kimia biji nyamplung.
C. Manfaat Penelitian Manfaat dari penelitian ini diharapkan dapat melakukan pendugaan komposisi kimia biji nyamplung secara cepat, tepat, ramah lingkungan, dan tidak merusak (non-destruktif) untuk mendukung pengembangan teknologi bahan bakar nabati sebagai pengganti maupun pensubstitusi bahan bakar fosil. Seiring dengan semakin hari persediannya semakin berkurang sedangkan kebutuhan akan sumber energi semakin hari semakin meningkat dengan peningkatan jumlah penduduk dan peradaban manusia.
3
II. TINJAUAN PUSTAKA A. Metode Near Infrared (NIR) 1. Tanaman Nyamplung (Calophyllum inophyllum L.) Tanaman nyamplung dapat ditemukan di Madagaskar, Afrika Timur, Asia Selatan dan Tenggara, Kepulauan Pasifik, Hindia Barat, dan Amerika Selatan. Tumbuhan ini memiliki nama yang berbeda di setiap daerah, seperti bintangor di Malaysia, hitaullo di Maluku, nyamplung di Jawa, bintangur di Sumatera, poon di India, dan di Inggris dikenal dengan nama alexandrian laurel, tamanu, pannay tree, serta sweet scented calophyllum (Dweek dan Meadows, 2002 dalam Murniasih, 2009). Taksonomi tanaman nyamplung menurut Heyne (1987) adalah sebagai berikut : Divisi Sub divisi Kelas Bangsa Suku Marga Jenis Nama umum
: Spermatophyta : Angiospermae : Dicotyledone : Guttiferales : Guttiferae : Calophyllum : Calophyllum inophyllum L. : Nyamplung
Tanaman nyamplung mudah dibudidayakan, tumbuh baik pada ketinggian 0-800 meter dpl seperti di hutan, pengunungan dan rawa-rawa, curah hujan antara 1000-5000 mm per tahun, pH tanah 4.0-7.4, tumbuh pada tanah tandus, daerah pantai yang kering dan berpasir atau digenangi air laut. Tinggi tanaman dapat mencapai 30 meter dengan diameter 0.8 meter, daun mengkilap, batang berwarna abu-abu hingga putih, warna kayu bervariasi tergantung spesies. Tanaman nyamplung berbuah sepanjang tahun terutama pada bulan Februari-Maret dan Agustus-September di Indonesia dan di Hawaii April-Juni dan Oktober-Desember. Tanaman nyampung memiliki daya tahan yang tinggi terhadap lingkungan, ditemukan dalam jumlah populasi yang besar, dengan kisaran umur yang lama (1-50 tahun), dan memiliki biji yang banyak (Friday and Okano, 2006). Luas areal tegakan tanaman nyamplung mencapai 255.35 ribu ha yang tersebar dari Sumatera sampai Papua (Balitbang Kehutanan, 2008). Daerah penyebaran nyamplung diantaranya adalah Sumatera Barat, Riau, Jambi, Sumatera Selatan, Lampung, Jawa, Kalimantan Barat, Kalimantan Tengah, Sulawesi, Maluku, dan NTT. Hutan nyamplung dikelola secara profesional oleh Perum Perhutani Unit I KPH Kedu Selatan Jawa Tengah dengan luas mencapai 196 ha. Nyamplung juga dikembangkan oleh masyarakat Cilacap khususnya di sekitar Kecamatan Patimuan dan daerah Gunung Selok Kecamatan Kroya/Adipala. Mereka memanfaatkan kayu nyamplung untuk pembuatan perahu nelayan. Sejak tahun 2007, Dinas Kehutanan Perkebunan Kabupaten Cilacap telah menanam 135 ha di lahan TNI Angkatan Darat sepanjang Pantai Laut Selatan, tahun 2008 direncanakan menanam seluas 300 ha.
4
Sumber: Pusat Penelitian dan Pengembangan Hasil Hutan (2008) Gambar 1. Pohon, kayu, bunga, buah, daun, dan biji nyamplung. Pohon nyamplung dimanfaatkan untuk menahan abrasi dan ancaman tsunami, kayunya yang kuat dan tahan air digunakan sebagai bahan baku pembuatan perahu, bahan konstruksi bangunan, serta minyaknya digunakan sebagai bahan penerangan. Getah daun nyamplung mengandung senyawa costatolide A yang efektif menekan pertumbuhan virus HIV (Murniasih, 2009). Buah nyamplung berwarna hijau, berbentuk bulat, kulit buah tipis dan akan mengelupas ketika mulai mengering. Inti biji yang mengandung minyak berbentuk bulat mancung berwarna kuning, dilindungi tempurung keras mirip tempurung kelapa. Biji nyamplung dapat digunakan sebagai obat kudis, penerangan, dan penumbuhan rambut (Heyne, 1987). Sifat fisiko kimia biodiesel biji nyamplung dibandingkan dengan SNI 04-7182-2006 disajikan pada Tabel 2.
5
Tabel 2. Sifat fisiko kimia biodiesel nyamplung dibandingkan dengan standar SNI 047182-2006
Produksi biji nyamplung per tahun mencapai 20 ton/ha. Biji nyamplung mempunyai kandungan minyak tinggi yaitu 55% pada inti segar dan 70.5% pada inti biji kering (Heyne, 1987). Menurut Dweek dan Meadows (2002) yaitu 75%, serta menurut Soerawidjaja (2001) sekitar 40-73%. Menurut Friday and Okano (2006), satu pohon nyamplung dapat menghasilkan 100 kg buah/tahun dan rendemen minyak sebanyak 5 kg. Jika jarak tanam 3 x 3.5 m 2 setiap pohon menghasilkan 30 kg biji atau 5.1 kg minyak maka dalam 1 ha diprediksi menghasilkan 26 973 kg biji atau 4 585 kg minyak biji nyamplung. Sedangkan produktivitas tanaman jarak berkisar antara 3.5 - 4.5 kg biji/pohon/tahun. Produksi akan stabil setelah tanaman berumur lebih dari 1 tahun. Dengan tingkat populasi tanaman antara 2500 - 3300 pohon/ha, maka tingkat produktivitas antara 8 - 15 ton biji/ha. Jika rendemen minyak sebesar 35 % maka setiap ha lahan dapat diperoleh 2.5 - 4 ton minyak/ha/tahun. Kemudian dilihat dari segi ekonomisnya, harga biji nyamplung Rp 700/kg, sementara itu harga biji jarak antara Rp 3.000 - Rp 4.000/kg. Sehingga biji nyamplung sangat memiliki prospek yang sangat baik untuk dikembangkan sebagai bahan bakar nabati pensubstitusi bahan bakar fosil. Tumbuhan nyamplung (Callophyllum inophyllum L.), di Bali dikenal dengan nama punga atau camplong digunakan oleh masyarakat sebagai obat tradisonal serta mempunyai potensi komersial (Forestry Department, 2007). Sebagai obat tradisional kulit batangnya
6
secara eksternal dapat digunakan untuk mengobati pembengkakan kelenjar sedangkan secara internal dapat digunakan untuk memperlancar buang air kecil (diuretic). Ekstrak daun digunakan sebagai pencuci radang mata dan di Kamboja ekstrak daun nyamplung digunakan dalam pernafasan untuk mengobati vertigo dan migrain. Getahnya yang beracun sering digunakan oleh orang Samoan untuk melumuri anak panah sebagai panah beracun serta dapat digunakan untuk mengobati pembengkakan dan penyakit tumor (Tempesta and Michael, 1993). Minyak biji yang bersifat racun (toksik) cukup kuat (Kriswiyanti dan Narayani, 2000) dapat digunakan untuk memulihkan rambut rontok (Veronika, 2003), sebagai antiparasit (Tempesta and Michael, 1993), dan dapat digunakan sebagai bahan bakar minyak lampu dengan kandungan minyak 70-73% berat biji kering (Anonimousa, 2006). Bagian bunga tumbuhan ini berbau harum sehingga sering dipergunakan sebagai pengharum lemari pakaian. Di daerah Jawa Tengah bagian benang sari yang berwarna kuning dipergunakan sebagai jamu bagi wanita habis melahirkan. Bagian biji mengandung zat seperti damar yang beracun dan diketahui mengandung senyawa inofilum A-E, kalofiloid, asam kalofinat, dan polimer proantosianidin (Tempesta and Michael, 1993), golongan kumarin yaitu senyawa brasimarin A-C sebagai cancer chemopreventive agents (Chihiro et al., 2003), karotenoid, lakton, minyak atsiri, minyak/lemak, sitosterol, takahama, tanin, dan tokoferol. Daunnya diketahui mengandung saponin, dan triterpenoid (Kriswiyanti dan Narayani, 2000). Hasil uji toksisitas pendahuluan dari daging biji dan kulit biji nyamplung terhadap larva udang Artemia salina L., menunjukkan bahwa bagian kulit biji lebih toksik (LC50 = 39.31 ppm) dibandingkan dengan bagian daging biji (LC50 = 154,8 ppm). Sifat fisiko kimia tempurung biji nyamplung disajikan pada Tabel 3. Tabel 3. Sifat fisiko kimia tempurung biji nyamplung Parameter
Konsentrasi (%)
Kadar Air
9.97
Kadar Abu
0.61
Kadar Ekstraktif
2.59
Kadar Holoselulosa Kadar Alphaselulosa Kadar Pentosan Kadar Lignin
87.64 48.66 24.82 36.69
Sumber: Wibowo (2009)
2. Minyak Nyamplung Produksi minyak nyamplung secara sederhana dilakukan oleh petani di Kebumen untuk pelapisan genting, bahan bantu pembuatan batik, dan pelapis jenazah. Sedangkan di Jawa Barat, TNI AD memanfaatkan minyak nyamplung untuk bahan bakar kapal laut. Minyak nyamplung mempunyai kandungan asam lemak tidak jenuh yang cukup tinggi seperti asam oleat serta komponen-komponen tak tersabunkan diantaranya alkohol lemak, sterol, xanton, turunan kuomarin, kalofilat, isokalofilat, isoptalat, kapelierat, asam pseudobrasilat, dan penyusun triterpenoat sebanyak 0.5 – 2.0 % yang dapat dimanfaatkan sebagai obat. Menurut Debaut et al., (2005) asam lemak penyusun minyak nyamplung dapat dilihat pada Tabel 4.
7
Tabel 4. Komposisi asam lemak minyak nyamplung Asam Lemak Asam Palmitoleat (C16:1)
Komposisi (%) 0.5 - 1.0
Asam Palmitat (C16)
15.0 – 17.0
Asam Oleat (C18:1)
30.0 – 50.0
Asam Linoleat (C18:1)
25.0 – 40.0
Asam Stearat (C18:0)
8.0 – 16.0
Asam Arachidat (C20)
0.5 – 1.0
Asam Gadoleat (C19:1)
0.5 – 1.0
Sumber: Debaut et al., (2005)
3. Teori Metode Near Infrared (NIR) Metode infra merah dekat atau sering disebut dengan nama near infrared (NIR) merupakan salah satu teknik yang menggunakan wilayah panjang gelombang infra merah pada spektrum elektromagnetik antara 700 sampai 2500 nm (Dryden, 2003). Hal yang terpenting dari teori NIR reflektan dan absorban elektromagnetik ini adalah menganalisis komponen, deteksi kualitas, dan pemasakan (Mohsenin, 1984). Kisaran panjang gelombang NIR telah lama dipelajari dan digunakan sebagai metode analitik. Cahaya tampak diterima oleh mata sesuai dengan besarnya pantulan, seperti halnya warna dihasilkan dari cahaya yang dipantulkan dari suatu objek. Setiap bahan memiliki spektrum gabungan pantulan NIR yang unik dan beragam yang dihasilkan dari efek penyebaran, penyerapan, dan pantulan cahaya oleh bahan. Semua bahan organik terdiri dari atom, karbon, oksigen, hydrogen, nitrogen, phosphor, sulfur dengan sejumlah kecil elemen lain. Atom-atom ini berkombinasi melalui ikatan kovalen atau elektrokovalen membentuk molekul. Karena sifat ikatannya, gaya elektrostatik ada dalam atom dan molekul tersebut. Sehingga molekul bergerak secara konstan, ini dikenal sebagai keadaan stabil. Molekul bervibrasi pada frekuensi yang berkaitan dengan panjang gelombang dalam daerah infra merah dari spektrum elektromagnetik. Setelah dipancarkan maka radiasi ini akan diserap oleh semua bahan organik dan informasi utama yang dapat diekstrak adalah stretching dan bending ikatan kimia C-H (seperti bahan organik turunan minyak bumi), O-H (seperti kadar air, karbohidrat, dan lemak), C-N, dan N-H (seperti protein dan asam amino) yang merupakan ikatan dasar dari semua ikatan kimia bahan-bahan organik. Informasi tersebut dapat dilihat dari pantulan NIR yang dihasilkan dalam bentuk spektrum pantulan. Radiasi infra merah tidak mempunyai energi yang cukup untuk mengeksitasi elektron pada senyawa tetapi dapat menyebabkan senyawa organik mengalami rotasi dan getaran (vibrasi) ikatan inter-atomic (Osborne et al., 1993). Vibrasi stretching adalah pergerakan atom yang teratur sepanjang ikatan antara dua atom sehingga jarak antara atom dapat bertambah atau berkurang. Sedangkan vibrasi bending adalah pergerakan atom yang menyebabkan perubahan sudut ikatan antar dua atau pergerakan dari sekelompok atom terhadap atom lainnya. Cahaya infra merah dekat yang mengenai bahan memiliki energi yang kecil dan hanya menembus sekitar satu millimeter permukaan bahan, tergantung dari komposisi bahan tersebut. Jika cahaya mengalami penyebaran, spektrum tersebut tetap mengandung informasi contoh penyerapan permukaan bahan tetapi terjadi distorsi pada puncak gelombang (Dryden, 2003).
8
Variasi pada ukuran dan suhu partikel sampel mempengaruhi penyebaran radiasi infra merah pada saat melewati sampel. Partikel berukuran besar tidak dapat menyebarkan radiasi infra merah sebanyak partikel kecil. Makin banyak radiasi yang diserap dapat memberikan nilai absorban yang tinggi dan efeknya besar pada panjang gelombang yang diserap lebih kuat (Dryden, 2003). Dalam penyerapannya, metode NIR memiliki beberapa kelebihan, antara lain dapat menurunkan biaya tenaga kerja penganalisis komposisi, penggunaan preparat contoh yang sederhana, waktu pendugaan komposisi kimia yang singkat, analisis yang tidak merusak contoh (non-destructive), tidak menggunakan bahan-bahan kimia (analisis yang bebas limbah), dan dapat menganalisis komposisi dengan kecepatan dan ketepatan tinggi (Williams, 1987). Keunggulan dari gelombang infra merah dekat menurut Osborne et al. (1993) dalam analisis bahan makanan adalah merupakan gabungan antara tingkat ketepatan, kecepatan, dan kemudahan dalam melakukan percobaan (prosedur tidak rumit).
4. Aplikasi Metode Near Infrared (NIR) Metode near infrared (NIR) telah banyak diperkenalkan dan digunakan di beberapa negara maju pada benua seperti Eropa, Amerika Utara, Asia, Australia, dan New Zealand baik dalam bidang industri maupun dalam bidang pertanian. Sedangkan di Indonesia sendiri, metode ini belum banyak digunakan terutama dalam bidang pertanian. Penerapan metode NIR telah lama berkembang terutama untuk keperluan bahan pangan, pertanian, kedokteran, farmasi, dan industri kimia. Untuk bahan pangan dan hasil pertanian seperti kedelai, jagung, beras, daging, ikan, dan hortikultura metode NIR dapat digunakan untuk penentuan komposisi kimia seperti kadar air, lemak, asam, gula, protein, dan berbagai senyawa lainnya. Selain itu metode NIR digunakan dalam industri susu murni dan menentukan kandungan protein yang terdapat dalam tepung susu skim. Berdasarkan sifat absorban dan reflektan dari energi radiasi yang dipancarkan, maka metode NIR dapat digunakan untuk menduga komposisi kimia suatu bahan. Aplikasi metode NIR dalam industri produk pangan dan pertanian telah banyak dilakukan. Diawali oleh Norris dan Hart (1962) yang menemukan bahwa kadar air yang terkandung pada biji-bijian dan bibit tanaman dapat diukur pada panjang gelombang sebesar 1940 nm. Pengaplikasian secara komersil metode NIR pertama diperkenalkan oleh Williams (1973) yang menganalisis gandum dan biji-biji berkadar minyak. Miller (1990) menggunakan turunan pertama pada pantulan spektrum untuk mendeteksi adanya jamur hitam, jamur abu-abu, dan kerusakan lain seperti suncald. Hasilnya menunjukkan bahwa indeks mutu tomat dapat berdasarkan pada nilai turunan pantulan dengan jangkauan panjang gelombang antara 590 – 710 nm, sehingga nilai ini dapat digunakan untuk memisahkan antara tomat yang baik dari jamur hitam, jamur abu-abu, dan suncald. Metode NIR juga dapat digunakan untuk memperkirakan konsentrasi gula dan asam pada buah-buahan, seperti mangga yang dilakukan oleh Budiastra et al. (1995). Mereka mengklasifikasikan mangga ke dalam tiga jenis rasa, yaitu rasa manis, manis asam, dan asam yang diukur dengan teknologi NIR pada 200 contoh mangga dengan kisaran panjang gelombang 1400 – 1975 nm. Metode stepwise dari regresi berganda (SMLR) digunakan untuk memiliki panjang gelombang optimal untuk menduga konsentrasi sukrosa dan asam malat. Panjang gelombang terpilih untuk memprediksi sukrosa dengan NIR adalah 1533 nm, 1605
9
nm, 1821 nm, sedangkan untuk asam malat adalah 1621 nm, 1813 nm, 1821 nm, 1933 nm, 1941 nm, 1965 nm, dan 1968 nm. Sugiana (1995) dengan menggunakan NIR Spectrophotometer untuk mendeteksi kememaran buah apel varietas Rome Beauty dengan panjang gelombang 900 – 1400 nm. Hasil yang diperoleh adalah panjang gelombang NIR yang tepat untuk mendeteksi kememaran buah apel varietas Rome Beauty adalah 930 nm, 940 nm, 950 nm, 960 nm, 1110 nm, dan 1390 nm. Disimpulkan juga bahwa kekerasan buah apel tidak terlalu berpengaruh terhadap pantulan spektrum yang dihasilkan, sehingga hasil pantulan spektrum yang diperoleh dari setiap apel dikatakan mempunyai sifat sama. Victor (1996) dengan menggunakan sistem NIR melakukan pengelompokkan buah apel varietas Manalagi berdasarkan kememaran dengan panjang gelombang 900 – 2000 nm. Disimpulkan bahwa kedalaman dan diameter memar buah apel tidak dipengaruhi oleh lama penyimpanan, tetapi dipengaruhi oleh ketinggian perlakuan memar yang diberikan serta panjang gelombang 1400 – 2000 nm tidak dapat digunakan untuk membedakan secara nyata adanya kememaran pada buah apel Manalagi. Chang et al. (1998) melakukan penelitian untuk menduga total padatan terlarut jus jeruk, apel, pepaya, pear, dan pisang. Dari berbagai jus buah tersebut dikembangkan algoritma umum untuk penentuan total padatan terlarut beberapa jus buah. Rosita (2001) menerapkan metode NIR untuk memprediksi mutu buah duku. Dari penelitian tersebut disimpulkan bahwa NIR dapat memprediksi kadar gula dan kekerasan buah duku dengan baik. Disimpulkan pula bahwa data absorbansi NIR memberikan nilai korelasi yang lebih tinggi (0.91), standar error lebih rendah (0.87), dan koefisien keragaman yang akurat (5.39). Fontaine et al. (2002) menerapkan NIR dalam menduga kandungan asam amino kedelai. Didapat bahwa 85 – 98 % variasi asam amino mampu dijelaskan dengan baik menggunakan NIR. Mereka juga telah menggunakan metode tersebut untuk memprediksi kandungan asam amino esensial beberapa bahan pakan yakni kedelai, rapeseed meal, tepung biji bunga matahari, polong, tepung ikan, tepung daging, dan tepung produk samping pemotongan ayam. Munawar (2002) menerapkan metode NIR untuk menduga kadar gula dan kekerasan buah belimbing. Dari hasil penelitian disimpulkan bahwa data absorban NIR dapat menduga kadar gula dan kekerasan buah belimbing
dengan baik. Hal ini ditunjukkan dengan
koefisien korelasi yang tinggi. Mitamala (2003) menerapkan metode NIR untuk menduga kadar air, karbohidrat, protein, dan lemak tepung jagung. Dari penelitian tersebut disimpulkan bahwa NIR dapat memprediksi kadar air, karbohidrat, protein, dan lemak tepung jagung dengan baik. Penggunaan data reflektan mampu menentukan kadar protein lebih baik dari data absorban. Data absorban dapat menduga kadar karbohidrat, lemak, dan air lebih baik dari data reflektan. Kusumaningtyas (2004) melakukan pendugaan kadar air, karbohidrat, protein, lemak, dan amilosa pada beras (Oryza sativa L.) dengan metode NIR. Panjang gelombang yang digunakan untuk menduga adalah 900 – 2000 nm. Data reflektan NIR dapat menduga kadar air, karbohidrat, dan protein lebih baik daripada data absorban. Sedangkan untuk menduga kadar lemak dan amilosa, data absorban lebih baik dibandingkan data reflektan. Marthaningtyas (2005) melakukan pendugaan total padatan terlarut dan kadar asam belimbing (Averrhoa carambola L.) dengan menggunakan metode NIR dan JST. Penggunaan
10
analisis komponen utama dalam mereduksi hasil data absorbansi dari spektrum infra merah dekat sangat efektif. Andrianyta (2006) menerapkan metode NIR dan jaringan syaraf tiruan (JST) dalam menentukan komposisi kimia jagung non-destruktif. Komposisi kimia yang ditentukan, antara lain kandungan proksimat, lemak, air, karbohidrat, methionin, tyrosin, threonin, arginin, dan leusin. Quddus (2006) melakukan penentuan kandungan energi bruto tepung ikan untuk bahan pakan ternak menggunakan metode NIR. Analisis pendugaan kandungan energi pada tepung ikan tersebut menggunakan metode kalibrasi SMLR dan PCR. Persamaan kalibrasi dengan metode SMLR menyatakan bahwa hasil prediksi nilai EM menggunakan data reflektan dan absorban mendekati hasil uji bioassay. Sedangkan persamaan kalibrasi dengan metode PCR menghasilkan 10 komponen utama dalam tepung ikan tersebut. Adrizal et al. (2007) yang melakukan pendugaan kandungan air, protein, lisin, dan metionin tepung ikan dengan jaringan syaraf tiruan berdasarkan absorban NIR. Dari hasil penelitian tersebut disimpulkan bahwa metode JST mampu menduga kandungan air, protein, lisin, dan metionin tepung ikan dengan akurasi yang lebih baik dibandingkan dengan menggunakan persamaan regresi yang didapatkan melalui metode SMLR. Susilowati (2007) pada panjang gelombang 900 – 1400 nm dapat menduga total padatan terlarut buah pepaya selama penyimpnanan dan pemeraman dengan metode NIR, tetapi panjang gelombang tersebut tidak dapat digunakan untuk mengukur kekerasan buah. Hubungan antara data absorban NIR dengan total padatan terlarut dan kekerasan pada penelitian tersebut dipelajari dengan kalibrasi menggunakan metode SMLR, PCR, dan PLS. Kelebihan penggunaan metode NIR antara lain disebabkan banyak komposisi kimia dari bahan pangan dan pertanian yang menyerap (absorption) atau memantulkan (reflectance) cahaya pada rentang panjang gelombang 0.7 – 3.0 µm. Komposisi kimia lainnya memiliki pola serapan yang khas berbeda satu dengan lainnya pada setiap panjang gelombang cahaya yang diberikan (Mohsenin, 1984). Kendala metode NIR adalah biaya investasi alat yang tinggi. Metode ini masih tergolong metode sekunder, karena memerlukan tahapan kalibrasi terutama bagi sampel uji yang belum pernah menggunakan metode ini misalnya tepung ikan, bungkil inti sawit, dedak, tepung singkong, dan sebagainya. Metode NIR sangat membantu pekerjaan analisis yang bersifat rumit dan rutin, seperti kadar air, kadar abu, pH, kadar karbohidrat, kadar protein, kadar lemak, bilangan asam, dan kadar asam lemak bebas. Metode ini sangat sesuai karena tidak lagi banyak memerlukan tahapan kalibrasi.
B. Kalibrasi dan Validasi Osborne et al. (1993) menjelaskan bahwa instrumen NIR berguna dalam menentukan komposisi kimia dengan menggunakan nilai pantulan (R) dan absorban (log (1/R)). Menentukan spektrum pantulan dan absorban NIR maka nilai hasil analisis kimiawi laboratorium diperlukan. Untuk mengetahui hubungan antara spektrum-spektrum tersebut dengan nilai referensi dari analisis kimiawi di laboratorium (metode konvensional), maka perlu menggunakan metode matematika dengan cara mengkalibrasinya. Untuk tahap kalibrasi sering digunakan untuk sampel yang memiliki karakteristik yang hampir mendeteksi sama. Dalam Kamus Besar Bahasa Indonesia (KBBI), kalibrasi adalah tanda-tanda menyatakan pembagian skala. Kalibrasi dalam teknik spektroskopi diperoleh dengan mengukur hubungan antara absorban dan reflektan dari panjang gelombang yang dihasilkan dari spectrometer dengan
11
konsentrasi larutan unsur yang akan dianalisis (Nur dan Adijuwana, 1989 dalam Rumahorbo, 2004). Kesulitan dalam mengkalibrasi menurut Osborne et al. (1993) adalah masalah informasi alam yang kompleks dalam spektrum infra merah contohnya setiap puncak spektrum hampir selalu tumpang tindih oleh satu atau lebih puncak-puncak yang lain. Berbagai macam metode kalibrasi spektrum NIR telah tersedia tetapi dapat dibagi dalam dua kategori, yaitu metode kalibrasi untuk panjang gelombang terpilih atau sering disebut metode lokal dan metode yang melibatkan seluruh spektrum atau sering disebut metode global atau juga disebut dengan metode kalibrasi spektrum penuh (full spectrum calibration methods), seperti principal component regression (PCR) dan partial least squares (PLS). Metode full spectrum banyak digunakan karena data dalam spektrum direduksi untuk mencegah masalah overfitting tanpa mengurangi dan menghilangkan satu atau beberapa informasi yang sangat berguna. Jumlah sampel yang digunakan untuk tahap kalibrasi harus lebih banyak daripada untuk keperluan tahap validasi. Validasi bertujuan menguji ketepatan pendugaan komposisi kimia regresi kalibrasi yang telah dibangun. Selain itu, dikenal pula beberapa perlakuan data sebelum spektrum dianalisis seperti smoothing, normalisasi, derivatif pertama dan kedua, standard normal variate (SNV) dan detrending (DT) (Osborne et al., 1993). Setiap perlakuan data mempunyai fungsi yang berbedabeda terhadap data spektrum. Pada penelitian ini perlakuan data yang akan diberikan adalah smoothing, derivatif kedua Savitzky-Golay, kombinasi kedua perlakuan data tersebut, dan normalisasi. Prosedur derivatif kedua yang paling umum digunakan yaitu prosedur Savitzky-Golay yang dikelaskan oleh Norris dan William (1990). Data spektrum sering diubah menjadi bentuk smoothing dan derivatif, secara umum untuk memperbaiki bentuk dan model regresi kalibrasi. Smoothing berfungsi untuk memilih penghalusan fungsi dengan teliti tanpa menghilangkan informasi spektrum yang ada dan mengurangi guncangan (noise) dan memperkecil galat/kekeliruan yang terjadi selama pengukuran NIR dan analisis kimiawi laboratorium. Derivatif kedua Savitzky-Golay berfungsi untuk mereduksi efek basis dari adanya pertambahan dari proses absorban (shoulder effect) serta menghilangkan masalah basis kemiringan persamaan regresi. Kombinasi antara smoothing dan derivatif kedua Savitzky-Golay dapat diterapkan dan akan mendapatkan bentuk dan model regresi kalibrasi yang optimum, layak, dan dapat dipercaya (Blanco dan Villarroya, 2002 dalam Yogaswara, 2005). Normalisasi data spektra kedalam rentang 0-1 dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan. Perlakuan normalisasi diharapkan dapat mengurangi error yang terjadi selama pengambilan data spektra dan dapat memperjelas data spektra tersebut. Perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama.
C. Metode Kalibrasi Multivariatif Analisis data NIR dapat dimanfaatkan dengan mempelajari hubungannya dengan sifat bahan yang diukur. Kegiatan mempelajari hubungan tersebut pada umumnya dilakukan dengan beberapa metode kalibrasi, antara lain stepwise multiple linear regression (SMLR), principal component regression (PCR), backward dan partial least squares (PLS).
12
Lammertyn et al., (1998) menganalisis data NIR Spectroscopy menggunakan metode kalibrasi multivariatif seperti principal component regression dan partial least squares dalam memprediksi sifat-sifat kimiawi seperti keasaman dan total padatan terlarut pada buah apel Jonagold. Metode kalibrasi multivariatif yang akan digunakan pada penelitian yang berjudul pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) secara non-destruktif dengan metode near infrared (NIR) adalah principal component regression (PCR) dan partial least squares (PLS).
1. Metode Principal Component Regression (PCR) Metode principal component regression merupakan suatu metode kombinasi antara analisis regresi dan analisis komponen utama (Principal Component Analysis, PCA). Prinsip analisis komponen utama adalah mencari komponen utama yang merupakan kombinasi linear dari variabel asli. Metode regresi komponen utama (PCR) ditetapkan bila dalam pembentukan model pendugaan variabel bebas yang digunakan banyak dan terdapat hubungan yang erat antar variabel bebasnya. Metode tersebut dapat digunakan untuk pendugaan kalibrasi peubah ganda dan mengatasi kolinear ganda. Menurut Miller & Miller (2000), komponen-komponen utama yang dipilih sedemikian rupa sehingga komponen utama pertama memiliki variasi yang terbesar dalam set data, sedangkan komponen utama kedua tegak lurus terhadap komponen utama pertama dan memiliki variasi terbesar berikutnya. Metode ini pertama kali diperkenalkan oleh Pearson (1901) dan secara terpisah oleh Hotelling (1933). Pemikiran dasar metode analisis ini adalah mendeskripsikan variasi sebuah set data multivariatif dengan sebuah set data baru dimana variabel-variabel baru tidak berkolerasi satu sama lain. Variabel-variabel baru adalah kombinasi linear dari variabel asal. Variabel baru diturunkan dalam arah menurun sehingga beberapa komponen pertama mengandung sebanyak mungkin variasi data asal (Pearson, 1901 dalam Marthaningtyas, 2005). Siska dan Hurburgh (1996) dalam Andrianyta (2006), menggunakan metode principal component regression (PCR) untuk mengidentifikasi variasi-variasi utama pada spektrum absorban sampel jagung. Sedangkan Quddus (2006) menentukan kandungan energi bruto tepung ikan untuk bahan pakan ternak dengan data reflektan dan absorban menggunakan metode kalibrasi multivariatif yaitu PCR.
2. Metode Partial Least Squares (PLS) Metode regresi kuadrat terkecil parsial atau sering disebut partial least squares (PLS) pertama kali dikembangkan oleh Herman Wold (1982). Model partial least squares didefinisikan dari dua persamaan linear yang disebut model struktural dan metode pengukuran (Wold, 1982 dalam Wulandari 2000). Metode PLS digunakan untuk memperkirakan serangkaian variabel tidak bebas (respon) dari variabel bebas (prediktor) yang jumlahnya sangat banyak, memiliki struktur sistematik linear atau non-linear, dengan atau tanpa data yang hilang, dan memiliki kolinearitas yang tinggi. Metode ini membentuk model dari variabel yang ada untuk merangkai respon dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks (Lindblom, 2004 dalam Saragih, 2007).
13
Metode tersebut juga mempunyai keuntungan, yaitu dapat mengoptimalkan hubungan prediktif antara 2 kelompok peubah bebas dan tidak bebas dan pemodelannya tidak mengasumsikan sebaran dari peubah bebas saja tetapi peubah tidak bebas ikut diasumsikan (Wold, 1982 dalam Wulandari 2000). Jensen et al. (2001) mengevaluasi perubahan mutu butir walnut (Junglens regia L.) dengan menerapkan metode NIR dan partial least square sebagai metode kalibrasi. Metode tersebut dapat melakukan kalibrasi NIR dengan hasil yang tepat pada panjang gelombang 400 – 2490 nm. Selain itu, NIR dapat menjelaskan kandungan heksanal kacang walnut sebesar 72%. Pada dasarnya pendekatan PLS adalah penggabungan model pendugaan sebagai pengembangan model-model kalibrasi yang melibatkan lebih dari dua peubah laten (bebas dan tidak bebas). Proses pendugaan menggunakan metode kuadrat terkecil yang diaplikasikan pada persamaan hubungan model struktural dan model pengukuran (Ratnaningsih, 2004). Metode kuadrat terkecil parsial (PLS) tidak memerlukan asumsi-asumsi yang ketat terhadap sebaran dari peubah, sisaan dan parameter, sehingga metode ini sering disebut metode lunak (Ratnaningsih, 2004). Metode tersebut diperoleh secara iteratif dan tidak memiliki formula tertutup untuk mencari ragam koefisien regresi.
14
III.
METODOLOGI PENELITIAN
A. Tempat dan Waktu Penelitian dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian IPB dan Laboratorium PAU IPB. Waktu penelitian dilaksanakan mulai bulan Maret 2011 sampai Mei 2011.
B. Bahan dan Alat Bahan yang akan digunakan adalah biji nyamplung. Dan bahan-bahan kimia yang akan digunakan untuk menganalisis komposisi kimia sampel biji nyamplung seperti pendugaan kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak dengan analisis kimiawi (metode konvensional), antara lain aquades, larutan n-heksana, alkohol 95%, indikator phenoopthalein 1%, dan larutan NaOH 0.1 N. Sedangkan alat yang akan digunakan meliputi instrumen NIRFlex Tipe N-500 Merk BUCHI yang digunakan untuk menganalisis pendugaan komposisi kimia dari biji nyamplung menggunakan NIR, komputer untuk mengolah data-data dan mengukur pendugaan komposisi kimia biji nyamplung dengan NIRFlex Solids Petri N-500 sehingga diperoleh data reflektan dan absorban baik dalam bentuk tabel maupun grafik. Software bawaan dari NIRFlex N-500 merk BUCHI yang akan digunakan dalam penelitian ini adalah NIRWare Operator, NIRWare Management Console, dan NIRCal 5. Kemudian penggunaan alat oven, tanur listrik, dan desikator, dimana digunakan dalam pengukuran kadar air biji nyamplung dengan cara pengeringan (metode thermogravitimetri) dan pengukuran bilangan asam, asam lemak bebas, dan kadar lemak berdasarkan AOAC 1995. Kemudian peralatan-peralatan lain yang akan digunakan selama penelitian, antara lain timbangan digital merk ae ADAM, cawan, cawan porselin, desikator, soklet apparatus (soklet, labu lemak 250 ml, hot plate, selang, dan kertas saring), FFA apparatus (buret, pipet, pengaduk, pinset, gelas ukur 100 ml, dan Erlenmeyer 350 ml), static stand, oven, thermometer, stopwatch, kantong plastik, dan mesin press kapasitas 10 ton.
C. Metode Penelitian Diagram alir pelaksanaan penelitian dapat dilihat pada Gambar 5. Metode yang digunakan dalam penelitian adalah sebagai berikut : 1. Persiapan Sampel Penelitian Sampel yang akan digunakan dalam penelitian ini adalah biji nyamplung per sampel dengan berat 250 gram varietas lokal yang telah dipersiapkan dengan baik. Didapatkan dari Koperasi Jarak Lestari, Cilacap berupa buah nyamplung matang pohon dengan karakteristik buah berwarna kuning kecoklatan yang sudah dikeringkan sampai kadar air kurang lebih 10% kemudian diambil bijinya saja. Biji nyamplung per sampel dengan berat 250 gram disajikan pada Gambar 2.
15
Gambar 2. Sampel biji nyamplung. 2. Persiapan Instrumen NIR Sebelum dilakukan pengukuran, instrumen NIRFlex Solids Petri N-500 dinyalakan dan dibiarkan terlebih dahulu beberapa saat. Kemudian sebelum dilakukan pengukuran ke sampel biji nyamplung, terlebih dahulu dilakukan proses kalibrasi dengan software bawaan dari instrumen tersebut selama kurang lebih 2 - 3 menit. Software bawaan yang akan digunakan untuk proses kalibrasi adalah NIRWare Operator (Anonimousb, 2008). Mekanisme instrument NIR seperti gambar berikut: 8 5
4
3
7
9
10
6 1
11
2
12
14 1
17
1. 2. 3. 4. 5. 6.
16
15
13
Detektor 7. Koding magnetik Sensor magnet 8. Sampel Status LED 9. Cawan petri Tombol mulai 10. Dudukan cawan Tombol mati 11. Piring pemutar Referensi internal Gambar 3. Bagian-bagian NIRFlex petri solid
12. Motor penggerak 13. Optik 1 14. Penghalang sinar 15. Cermin 1 16. Cermin 2 17. Optik 2
16
3. Pengukuran Reflektan Spektrum NIR Pendugaan sampel biji nyamplung dengan cara pengukuran dengan instrumen NIRFlex Solids Petri N-500 dan software bawaan yaitu NIRWare Operator, lama pengukuran setiap sampel adalah 8 - 9 detik. Jumlah sampel yang akan diukur sebanyak 70 sampel, dimana setiap sampel dilakukan 3 kali pengulangan dengan tiga tempat titik pengukuran yang berbeda. Pengukuran dilakukan selama 3 tahap, dengan tujuan untuk mendapatkan perbedaan karakteristik sampel, sedangkan perlakuan terhadap sampel adalah dengan menganginanginkan pada suhu ruang (25-28oC). Selanjutnya biji nyamplung akan disinari infra merah dekat (NIR) dengan panjang gelombang 1000 – 2500 nm bertujuan untuk mendapatkan informasi yang lebih banyak dari karakteristik biji nyamplung dan mengakomodir aktivitas molekul penyusun parameter mutu biji nyamplung tersebut sehingga diharapkan nilai error pendugaannya dapat lebih kecil. Prinsip pengukuran spektra adalah dengan memancarkan sinar dari lampu halogen ke sampel. Sinar tersebut diterima sebagai energy yang memicu terjadinya getaran dan regangan pada kelompok ikatan atom O-H, N-H, C-H, dan C-N dimana ikatan atom-atom tersebut merupakan komponen utama pembentuk kandungan organik. Sebagian energi yang diberikan akan diserap untuk melakukan getaran dan regangan alami dan sisanya akan dipantulkan. Pantulan itu akan ditangkap oleh lensa optik yang kemudian direkam oleh detektor sebagai data frekuensi getaran dalam bentuk analog. Informasi tersebut merupakan hasil interaksi gelombang elektronika dengan komponen penyusun bahan komposisi kimia tersebut.
Gambar 4. NIR Spectroscopy Solids Petri dan Sampel Biji Nyamplung Spektrum yang terukur dari detektor akan diteruskan ke komputer untuk disimpan secara langsung. Data yang disimpan sudah dalam bentuk digital sehingga lebih mudah untuk diolah lebih lanjut dengan software bawaan NIR. Setelah dilakukan pengambilan pantulan spektrum NIR biji nyamplung, maka dilakukan analisis kimiawi biji nyamplung dengan metode konvensional. Spektrum dihitung dengan menggunakan persamaan sebagai berikut : Spektrum = Dimana :
VContoh VStandar
(1)
VContoh = Tegangan pantulan contoh / sampel (Volt) VStandar = Tegangan pantulan standar putih (Volt)
17
Mulai Biji Nyamplung sebanyak 70 sampel Pengukuran spektrum biji nyamplung dengan NIRFlex Solids Petri Spectrometer N-500 dengan NIRWare Operator Analisis kimiawi kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak biji nyamplung di laboratorium dengan metode konvensional
Metode kalibrasi dan seleksi spektrum kalibrasi / validasi 1. Kalibrasi (2/3 total sampel) 2. Validasi (1/3 total sampel) Data perlakuan (treatment) untuk spektrum reflektan dan absorban NIR Perancangan model kalibrasi dengan metode multivariatif, yaitu : 1. Principal Component Regression (PCR) 2. Partial Least Squares (PLS)
Data Pantulan (Reflektan, R)
Data Absorban (Log (1/R))
Data analisis kimiawi biji nyamplung dalam software yaitu NIRWare Management Console
Proses kalibrasi dan seleksi kalibrasi/validasi menggunakan software yaitu NIRCal 5
Pemberian perlakuan menggunakan software yaitu NIRCal 5 Toolbox
Penentuan regresi kalibrasi R2, Koefisien keragaman (CV), dan Standar error kalibrasi (SEC) Penentuan validasi
Koefisien keragaman (CV) dan Standar error validasi (SEP)
Selesai Gambar 5. Diagram alir pelaksanaan penelitian pendugaan komposisi kimia biji nyamplung dengan metode NIR.
18
4. Pengukuran Absorban Spektrum NIR Data absorban diperoleh dengan cara mentransformasikan nilai reflektan kedalam bentuk log (1/R). Nilai absorban dari NIRFlex Solids Petri N-500 diperoleh dari hasil penyerapan (absorban) oleh objek dengan persamaan :
Aλ = -log10 ( Dimana :
Aλ
S D R
=
S D ) R D
(2)
Nilai absorban
= Intensitas panjang gelombang pada sampel = Intensitas panjang gelombang pada dark = Intensitas panjang gelombang pada reference
5. Penentuan Komposisi Kimia Biji Nyamplung secara Destruktif a. Penentuan kadar air (SNI 01-3751-2006) Penentuan kadar air dalam bahan pangan dan pertanian dapat dilakukan dengan berbagai metode, antara lain metode pengeringan (thermogravitimetri), metode destilasi (thermovolumetri), metode Khemis, dan lain-lain. Pada metode penelitian ini, kadar air biji nyamplung akan ditentukan dengan metode thermogravitimetri berdasarkan SNI 01-37512006. Cawan aluminium kosong dan tutupnya dikeringkan dalam oven pada suhu 130oC selama 15 menit dan didinginkan dalam desikator selama 30 menit. Cawan ditimbang menggunakan neraca analitik (A). Sampel sebanyak 2 gram (W) yang sudah dihomogenkan dimasukkan dengan neraca analitik, tutup cawan diangkat, dan cawan beserta isi dan tutupnya ditempatkan di dalam oven pada suhu 130oC selama 1 jam. Kemudian cawan berisi sampel didinginkan dalam desikator, kemudian ditimbang (Y). Setelah itu, cawan berisi sampel dikeringkan kembali dalam oven selama 15 – 30 menit, lalu ditimbang kembali. Pengeringan diulangi hingga diperoleh bobot konstan (selisih bobot ≤ 0.005 gram). Penentuan kadar air dilakukan sebanyak 2 kali, hasil penentuan tersebut kemudian dirata-ratakan. Kadar air diukur dengan cara sebagai berikut : Kadar Air (%) = Dimana :
W ( X A) x100% W
(3)
W = Bobot sampel awal (g) X = Bobot sampel dan cawan setelah dikeringkan (g) A = Bobot cawan kosong (g)
b. Penentuan bilangan asam dan asam lemak bebas (AOAC 1995) Bilangan asam adalah jumlah NaOH (mg) yang dibutuhkan untuk menetralkan asam lemak dalam satu gram contoh. Prosedur pengukuran adalah minyak yang akan diuji ditimbang 2-5 gram dalam Erlenmeyer 350 ml, ditambahkan 50 ml alkohol netral 95%, kemudian dipanaskan selama 10 menit dalam pemanas air sambil diaduk. Setelah ditambahkan indikator phenoolphthalein 1%, larutan dititrasi dengan larutan NaOH 0.1 N sampai tepat berwarna merah jambu yang tidak hilang dalam beberapa detik. Selanjutnya jumlah NaOH (mg) yang digunakan untuk menetralisir asam lemak bebas dalam 1 gram minyak atau lemak ditentukan dengan cara sebagai berikut :
19
Bilangan Asam (
mgNaOH AxNx56.1 )= G g
(4)
AxMx56.1 10G
(5)
Kadar asam lemak bebas (%) =
Dimana :
A = N = M = G = 56.1 =
Jumlah NaOH untuk titrasi (ml) Normalitas larutan NaOH Bobot molekul asam lemak (asam oleat = 282 g/mol) Bobot sampel (g) Bobot molekul NaOH
c. Penentuan kadar lemak (AOAC 1995) Analisa kadar lemak dilakukan dengan metode ekstraksi Soxhlet. Labu lemak yang ukurannya sesuai dengan alat ekstraksi Soxhlet dikeringkan dalam oven, didinginkan dalam desikator dan kemudian ditimbang. Sebanyak 5 gram sampel yang telah dihilangkan kadar airnya ditimbang dan dibungkus dalam saringan timbal. Timbal berisi sampel dimasukan ke dalam alat ekstraksi Soxhlet, kemudian alat kondensor dipasang diatasnya dan labu lemak dipasang dibawahnya. Pelarut lemak (heksan) dituang ke dalam labu lemak secukupnya. Proses dilakukan selama minimal 5 jam sampai pelarut yang turun kembali ke dalam labu lemak berwarna jernih. Pelarut yang tertampung dalam lemak kemudian di destilasi dan ditampung. Labu lemak yang berisi lemak hasil ekstraksi dipanaskan dalam oven 105 oC. Timbal berisi sampel dikeringkan dalam oven, didinginkan dalam desikator, dan ditimbang hingga mencapai berat konstan. Perhitungan yang dilakukan untuk mendapatkan kadar lemak bahan adalah sebagai berikut : Kadar lemak (%) =
beratlemak( g) x100% beratsampel ( g)
(6)
6. Analisis Data Penelitian Data-data yang diperoleh akan dianalisis dengan menggunakan bantuan perangkat lunak (software) komputer, seperti Microsoft Excel 2007 dan software bawaan dari alat NIRFlex N-500 merk BUCHI yaitu NIRWare Management Console dan NIRCal 5. Diagram alir tahap kalibrasi dari NIRFlex Solids Petri N-500 dengan software NIRCal 5. Microsoft Excel 2007 digunakan untuk pembuatan kurva reflektan (R) dan absorban (log (1/R)) NIR. Penggunaan NIRWare Management Console untuk memasukan data hasil analisis kimiawi laboratorium (data referensi). Sedangkan NIRCal 5 digunakan untuk membuat bentuk dan model kalibrasi antara data reflektan dan absorban NIR terhadap hasil analisis kimiawi laboratorium dengan metode kalibrasi multivariatif yaitu principal componen regression (PCR) dan partial least squares (PLS). Keluaran hasil analisis data penelitian dari metode kalibrasi multivariatif tersebut dengan menggunakan software NIRCal 5 adalah data dugaan, grafik, dan regresi kalibrasi antara data reflektan atau absorban NIR dengan nilai hasil analisis kimiawi laboratorium yang
20
memiliki koefisien korelasi (R) dan koefisien determinasi (R 2) yang tinggi serta standar deviasi dan bias yang rendah (Anonimousb, 2008). Analisis data penelitian meliputi data reflektan (R) maupun absorban (log (1/R)). Dari sejumlah sampel (70 sampel biji nyamplung) yang diukur akan dibagi 2 tahap, yaitu tahap kalibrasi dan validasi. Jumlah sampel untuk tahap kalibrasi harus lebih banyak dari tahap validasi, dimana jumlah sampel pada tahap kalibrasi sebanyak ± 45 sampel (2/3 total sampel) sedangkan jumlah sampel untuk validasi sebanyak ± 25 sampel (1/3 total sampel). Selain itu, range data yang digunakan untuk tahap kalibrasi harus lebih besar daripada tahap validasi. a. Kalibrasi 1). Metode partial least squares (PLS) Tahap kalibrasi ini dilakukan untuk menentukan hubungan antara komposisi kimia biji nyamplung dengan data reflektan maupun absorban NIR. Untuk pendugaan komposisi kimia biji nyamplung dapat dilakukan dengan metode kalibrasi multivariatif yaitu metode partial least squares (PLS). Metode kalibrasi ini memiliki struktur sistematik linear dan non-linear (Herve, 2003 dalam Saragih, 2007). Metode PLS digunakan untuk memperoleh pendugaan bagi Y sebagai fungsi peubah-peubah Xn yang terpilih. Regresi kalibrasi antara peubah Y dengan a dan b sebagai konstanta kuadrat terkecil parsial X terpilih (Naes, 1985 dalam Rumahorbo, 2004), dinyatakan sebagai berikut : Y = a + b 1 X 1 + b2 X 2 + … + b n X n
(7)
Dimana : Y
= Kadar air/bilangan asam dan asam lemak bebas/kadar lemak biji nyamplung a dan b = Konstanta kuadrat terkecil parsial X = Fungsi peubah kuadrat terkecil parsial pada kisaran panjang gelombang antara 1000 – 2500 nm
2). Metode principal component regression (PCR) Principal component regression (PCR) merupakan metode kalibrasi multivariatif untuk menganalisis statistika peubah ganda yang dapat digunakan untuk keperluan mereduksi sejumlah peubah asal menjadi beberapa peubah baru yang bersifat orthogonal dan tidak mengurangi serta tetap mempertahankan total keragaman yang jumlahnya besar dari peubah asalnya (Mattjik et al., 2006). Hasil analisis berupa akar ciri, vektor ciri, proporsi, dan proporsi kumulatif total keragaman yang diterangkan oleh masing-masing komponen serta skor komponen. Regresi kalibrasi dapat dibangun dengan menggunakan metode principal component regression (Mattjik et al., 2006), dinyatakan sebagai berikut : Y = a + b 1 P 1 + b2 P 2 + … + b n P n
(8)
Dimana : Y
= Kadar air/ bilangan asam dan asam lemak bebas/kadar lemak biji nyamplung a dan b = Konstanta komponen utama P = Komponen utama pada kisaran panjang gelombang antara 1000 – 2500 nm (5, 10, 15 komponen utama)
21
b. Validasi Setelah didapatkan model regresi kalibrasi, dilakukan tahap validasi dengan menggunakan sisa data yang lain. Data sampel yang berbeda tersebut dimasukkan ke dalam regresi kalibrasi, sehingga diperoleh data komposisi kimia (kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak) biji nyamplung dugaan NIR. Validasi bertujuan menguji ketepatan pendugaan komposisi kimia dengan regresi kalibrasi yang telah dibangun. Parameter untuk menentukan kecocokan model kalibrasi adalah koefisien determinasi (R2), standard error (SE), coefficient of variation (CV). Koefisien determinasi atau R2 menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai R2 berarti model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai R2 mulai dari 0% sampai 100% (Mattjik et al., 2006). R=
(Y )(YNIR NIR) (Y ) 2 (YNIR NIR) R2 = (R)2
(9)
(10)
Data komposisi kimia dugaan NIR akan di validasi dengan data hasil pengujian secara kimiawi di laboratorium kimia dan dibuat hubungan antara keduanya, setelah itu akan dihitung standard error. Standar error merupakan selisih antara nilai hasil dugaan dan nilai sebenarnya. SE yang semakin kecil menunjukkan model yang semakin baik. Nilai kecil yang baik adalah nilai yang semakin mendekati nol sehingga dipastikan model dapat memprediksi dengan baik kadar dugaan. Standar error diperoleh dengan menggunakan persamaan sebagai berikut :
(Y
NIR
SE =
Y )2
n
(11)
Dimana : SE = Standar error YNIR = Komposisi kimia dugaan NIR Y = Komposisi kimia dengan uji kimia n = Jumlah sampel Setelah dihitung standar error (SE), dihitung pula koefisien keragaman (Coefficient of Variability/CV). Walpole (1995) menyatakan bahwa dengan simpangan baku (standar deviasi) saja tidak dapat mengatakan banyak mengenai keragaman satu kumpulan data. Ukuran lain yang mungkin lebih layak adalah koefisien keragaman (CV) Coefficient of Variability menunjukkan besarnya error sebanding dengan rata-rata hasil analisis kimiawi laboratorium (data referensi). Koefisien keragaman (CV) dapat digunakan untuk membandingkan dua keragaman kelompok data yang selang nilainya jauh berbeda satu sama lain bahkan dapat digunakan untuk membandingkan keragaman dua atau lebih kelompok data meskipun satuan pengukurannya tidak sama. Fontaine et al. (2002) mendefinisikan CV sebagai relatif standar deviasi (RSD) untuk membandingkan keragaman crude protein dengan asam amino hasil kalibrasi NIRS. SE dan CV terkecil menunjukkan hasil yang paling baik. Coefficient of variability dirumuskan dengan : CV =
SE x100% Y
(12)
22
Dimana : CV SE Y
= Koefisien keragaman = Standar error = Rataan komposisi kimia aktual sampel
Standar deviasi adalah hasil perkalian dari standar error validasi dengan relatif standar deviasi, rumus untuk mencari nilai standar deviasi (SD) adalah :
(Y
NIR
SD =
n
Y )2
(13)
c. Data treatment Data mentah yang didapatkan dari hasil pengukuran reflektan dan absorban NIR perlu diolah lebih lanjut, karena kemungkinan besar saat proses pengambilan data banyak faktor eksternal yang mempengaruhi, seperti guncangan (noise), serta galat (kekeliruan) yang terjadi selama proses pengukuran infra merah dekat (NIR) dan analisis kimiawi laboratorium (metode konvensional) yang mempengaruhi data tersebut. Sehingga diperlukan pengolahan data mentah terlebih dahulu, sebelum ditentukannya regresi kalibrasi yang baik. Perlakuan data yang akan diberikan pada kurva spektrum reflektan dan absorban adalah penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua SavitzkyGolay setiap 9 titik (second derivative Savitzky-Golay 9 points), kombinasi kedua perlakuan data tersebut, dan normalisasi (0-1). Setiap perlakuan data mempunyai fungsi yang berbedabeda terhadap data spektrum. Smoothing berfungsi untuk memilih penghalusan fungsi dengan teliti tanpa menghilangkan informasi spektrum yang ada dan mengurangi guncangan (noise) dan memperkecil galat (kekeliruan) yang terjadi selama pengukuran NIR dan analisis kimiawi laboratorium. Derivatif kedua Savitzky-Golay berfungsi untuk mereduksi efek basis dari adanya pertambahan proses absorban (shoulder effect) serta menghilangkan masalah basis kemiringan persamaan regresi (Tiaprasit dan Sangpithukwong, 2010). Kombinasi antara smoothing dan derivatif kedua Savitzky-Golay dapat diterapkan dan akan mendapatkan bentuk dan model regresi kalibrasi yang optimum, layak, dan dapat dipercaya (Blanco dan Villarroya, 2002 dalam Yogaswara, 2005). Perlakuan-perlakuan data tersebut akan menggunakan bantuan software NIRCal 5 Toolbox. Normalisasi data spektra kedalam rentang 0-1 dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan. Perlakuan normalisasi diharapkan dapat mengurangi error yang terjadi selama pengambilan data spektra dan dapat memperjelas data spektra tersebut. Perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama.
23
IV.
HASIL DAN PEMBAHASAN
A. Reflektan Near Infrared Biji Nyamplung (Calophyllum inophyllum L.) Perangkat NIRFlex Solids Petri N-500 yang digunakan dalam penelitian ini, menghasilkan data pengukuran berupa data pantulan (reflektan (R)) radiasi NIR dengan panjang gelombang 1000 - 2500 nm atau 4000 – 10000 cm-1 dengan interval 4 (empat) cm-1, dimana setiap spektrum gelombang terdiri dari 1500 data. Data reflektan atau pantulan sampel biji nyamplung (Calophyllum inophyllum L.) dengan hasil pengukuran NIR dan panjang gelombang 1000 – 2500 nm memiliki tingkat pantulan yang berbeda-beda, hal ini ditunjukkan pada Gambar 6.
Gambar 6. Kurva spektrum reflektan (R) NIR pada 70 sampel biji nyamplung Menurut Ruiz (2001) dalam Andrianyta (2006) menyatakan setiap substansi bahan atau material biologi memiliki spektrum NIR yang spesifik. Apabila diuji 2 (dua) sampel bahan yang mempunyai komposisi kimia dan komposisi fisik berbeda, maka akan terlihat perbedaan spektrum NIR yang dapat dilihat pada perbedaan puncak-puncak gelombang pada spektrum reflektan. Dari kurva diatas (Gambat 6), hampir seluruh sampel biji nyamplung menunjukkan bentuk spektrum yang sama, tetapi dengan tingkat reflektan yang berbeda-beda. Hal ini menunjukkan bahwa setiap biji nyamplung memiliki komposisi kimia, seperti kadar air, kadar lemak, bilangan asam, dan asam lemak bebas yang berbeda-beda. Menurut Mohsenin (1984), sinar yang dipancarkan dari sumber ke bahan organik, sekitar 4% akan dipantulkan kembali oleh permukaan luar (regular refraction) dan sisanya sekitar 96% akan masuk kedalam produk tersebut yang selanjutnya mengalami penyerapan (absorption), pemantulan (body reflection), penyebaran (scattering), dan penerusan cahaya (transmitten). Bahan pertanian pada umumnya tidak tembus cahaya, oleh karena itu analisis NIR cenderung menggunakan reflektan dan absorban daripada transmitan. Metode NIR mengukur besarnya parameter optik (reflektan, transmitan, atau absorban) akibat interaksi antara gelombang cahaya (photon) dengan molekul-molekul materi. Pada saat radiasi infrared mengenai sampel padat, beberapa dipantulkan (specular reflectance) dari permukaan sampel. Proporsi radiasi lainnya masuk ke sampel dan diserap (absorption) sekitar 2 mm. Radiasi yang tidak diserap diteruskan melalui sampel atau dipantulkan dari dalam sampel (diffuse reflectance) (Dryden, 2003).
24
Pada kurva spektrum reflektan NIR biji nyamplung diatas terlihat banyak guncangan (noise) serta kurang bagusnya bentuk dan model regresi kalibrasi yang dibangun, karena itu kurva tersebut diberikan proses urutan perlakuan data (data treatment) pada regresi kalibrasi pendugaan komposisi kimia biji nyamplung. Perlakuan data yang sesuai pada regresi kalibrasi, tergantung pada nilai koefisien determinasi (R2) yang tertinggi dan standar error (SE) serta koefisien keragaman (CV) yang terendah dari data analisis yang telah diberikan perlakuan sebelumnya atau tidak diberikan perlakuan sama sekali. Perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) pada kurva reflektan NIR digunakan untuk menghaluskan kurva spektrum reflektan NIR pada panjang gelombang 1000 – 2500 nm yang mengalami guncangan (noise) pada data saat pengukuran NIR dan memperkecil galat (kekeliruan) yang terjadi selama proses pengukuran NIR dan analisis kimiawi laboratorium, tanpa menghilangkan informasi spektrum yang ada (Tiaprasit dan Sangpithukwong, 2010). Perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) pada kurva spektrum reflektan NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) dapat dilihat pada Gambar 7.
Gambar 7.
Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points).
Perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative SavitzkyGolay 9 points) digunakan untuk mereduksi efek basis dari adanya pertambahan proses absorban (shoulder effect) serta menghilangkan masalah basis kemiringan persamaan regresi (Tiaprasit dan Sangpithukwong, 2010). Perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) pada kurva spektrum reflektan NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) dapat dilihat pada Gambar 8.
25
Gambar 8.
Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points).
Perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) akan memperoleh bentuk dan model regresi kalibrasi yang optimum, layak, dan dapat dipercaya serta galat yang diperoleh pada saat pengukuran NIR dan analisis kimiawi laboratorium semakin kecil (Blanco dan Villaroya, dalam Yogaswara, 2005). Perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) pada kurva spektrum reflektan NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) dapat dilihat pada Gambar 9.
Gambar 9.
Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points).
Perlakuan data normalisasi data spektra kedalam rentang 0-1 dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan. Perlakuan normalisasi diharapkan dapat mengurangi error yang terjadi selama pengambilan data spektra dan dapat memperjelas data spektra tersebut. Perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama. (Mardison, 2010). Perlakuan data normalisasi data spektra
26
kedalam rentang 0-1 pada kurva spektrum reflektan NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1 dapat dilihat pada Gambar 10.
Gambar 10.
Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1.
Perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi data spektra kedalam rentang 0-1 pada kurva spektrum reflektan NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua SavitzkyGolay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi data spektra kedalam rentang 0-1 dapat dilihat pada Gambar 11.
Gambar 11.
Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative SavitzkyGolay 9 points), dan normalisasi 0-1.
B. Absorban Near Infrared Biji Nyamplung (Calophyllum inophyllum L.) Data reflektan tersebut secara tidak langsung digunakan untuk mengukur jumlah komposisi kimia yang diabsorbansi oleh sampel. Data absorban (penyerapan) didapatkan dengan menggunakan transformasi log (1/R) data reflektan. Transformasi ini dilakukan karena komposisi kimia suatu bahan mempunyai hubungan linier dengan data absorban NIR (Mohsenin, 1984).
27
Penyerapan panjang gelombang tertentu oleh kandungan komposisi kimia tertentu ditunjukkan oleh terjadinya puncak-puncak gelombang pada kurva absorban NIR, semakin besar komposisi kimia suatu bahan, maka penyerapan akan semakin besar dan juga puncak gelombang semakin tinggi. Kurva spektrum absorban (log (1/R)) pada 70 sampel biji nyamplung dapat dilihat pada Gambar 12.
Gambar 12. Kurva spektrum absorban (log (1/R)) NIR pada 70 sampel biji nyamplung. Pada radiasi NIR yang dipancarkan oleh sumber radiasi berkorespondensi dengan frekuensi vibrasi dari molekul-molekul yang ada di dalam bahan akan terjadi penyerapan cahaya (photon) yang besar oleh molekul-molekul C-H, O-H, C-N, dan N-H. Radiasi NIR yang dipantulkan dari biji nyamplung dapat digunakan untuk menduga komposisi kimia seperti kadar air, kadar lemak, bilangan asam, dan asam lemak bebas. Data yang diperoleh dimasukkan dalam perhitungan kalibrasi. Jumlah dari radiasi pantulan sampel dijadikan sebagai data reflektan (R) dari biji nyamplung. Nilainya diekspresikan sebagai log (1/R) yang memberi nilai tinggi pada level tinggi absorban. Pada kurva spektrum absorban NIR biji nyamplung diatas terlihat banyak guncangan (noise) serta kurang bagusnya bentuk dan model regresi kalibrasi yang dibangun, karena itu kurva tersebut diberikan proses urutan perlakuan data (data treatment) pada regresi kalibrasi pendugaan komposisi kimia biji nyamplung. Perlakuan data yang sesuai pada regresi kalibrasi, tergantung pada nilai koefisien determinasi (R2) yang tertinggi dan standar error (SE) serta koefisien keragaman (CV) yang terendah dari data analisis yang telah diberikan perlakuan sebelumnya atau tidak diberikan perlakuan sama sekali. Perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) pada kurva absorban NIR digunakan untuk menghaluskan kurva spektrum reflektan NIR pada panjang gelombang 1000 – 2500 nm yang mengalami guncangan (noise) pada data saat pengukuran NIR dan memperkecil galat (kekeliruan) yang terjadi selama proses pengukuran NIR dan analisis kimiawi laboratorium, tanpa menghilangkan informasi spektrum yang ada (Tiaprasit dan Sangpithukwong, 2010). Perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) pada kurva spektrum absorban NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) dapat dilihat pada Gambar 13.
28
Gambar 13.
Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points).
Perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative SavitzkyGolay 9 points) digunakan untuk mereduksi efek basis dari adanya pertambahan proses absorban (shoulder effect) serta menghilangkan masalah basis kemiringan persamaan regresi (Tiaprasit dan Sangpithukwong, 2010). Perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) pada kurva spektrum absorban NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) dapat dilihat pada Gambar 14.
Gambar 14.
Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points).
Perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) akan memperoleh bentuk dan model regresi kalibrasi yang optimum, layak, dan dapat dipercaya serta galat yang diperoleh pada saat pengukuran NIR dan analisis kimiawi laboratorium semakin kecil (Blanco dan Villaroya, dalam Yogaswara, 2005). Perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) pada kurva spektrum absorban NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua
29
Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points) dapat dilihat pada Gambar 15.
Gambar 15.
Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap 9 titik (second derivative SavitzkyGolay 9 points).
Perlakuan data normalisasi data spektra kedalam rentang 0-1 dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan. Perlakuan normalisasi diharapkan dapat mengurangi error yang terjadi selama pengambilan data spektra dan dapat memperjelas data spektra tersebut. Perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama (Mardison, 2010). Perlakuan data normalisasi data spektra kedalam rentang 0-1 pada kurva spektrum absorban NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1 dapat dilihat pada Gambar 16.
Gambar 16. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1. Perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi data spektra kedalam rentang 0-1 pada kurva spektrum absorban NIR diberikan pada pendugaan kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dengan metode PCR dan PLS. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-
30
Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi data spektra kedalam rentang 0-1 dapat dilihat pada Gambar 17.
Gambar 17.
Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi 0-1.
C. Analisis Data Kimiawi Laboratorium dengan Metode Konvensional pada Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) Data analisis kimiawi laboratorium dari 70 sampel biji nyamplung (Calophyllum inophyllum L.) dapat dilihat pada Lampiran 1. Pada nilai maksimum dan minimum keempat komposisi kimia biji nyamplung yang dianalisis kimiawi laboratorium memiliki range yang cukup tinggi. Tabel yang disajikan dibawah ini merupakan rangkuman dari hasil analisis kimiawi laboratorium biji nyamplung secara statistik. Tabel 5. Data statistik 70 sampel biji nyamplung hasil analisis kimiawi laboratorium
Komposisi Kadar Air (%) Kadar Lemak (%) Bilangan Asam (%) Asam Lemak Bebas (%)
Rataan
StDev
Minimum
Maksimum
55.65 59.54 41.79 22.57
7.47 2.43 0.69 0.93
43.18 55.17 39.98 20.19
68.56 63.86 43.95 24.12
Sumber: Data pengukuran komposisi kimia biji nyamplung dengan metode konvensional (Lampiran 1) Standar deviasi atau variasi (SD) cukup dapat menyatakan banyaknya keragaman satu kumpulan data yang dianalisis. Variasi data komposisi kimia biji nyamplung sangat besar yaitu pada kadar air sebesar 7.47% dan kadar lemak 2.43%. Sedangkan nilai standar deviasi untuk bilangan asam dan asam lemak bebas, yaitu 0.69% dan 0.93%. Kadar air merupakan salah satu parameter penting dalam menentukan kualitas minyak nyamplung. Pengeringan yang tepat akan menentukan rendemen minyak yang dihasilkan. Kadar air yang tinggi memungkinkan terjadinya reaksi hidrolisis trigliserida menjadi asam lemak bebas dan gliserol. Penanganan pascapanen biji nyamplung mempengaruhi karakteristik minyak nyamplung yang dihasilkan. Setelah proses pengupasan, biji nyamplung harus melalui proses pengukusan untuk inaktivasi enzim lipase yang dapat menurunkan bilangan asam dan menghilangkan gum yang terkandung dalam buah (Murniasih, 2009).
31
Minyak nyamplung mempunyai kandungan asam lemak tidak jenuh yang cukup tinggi seperti asam oleat serta komponen-komponen tak tersabunkan diantaranya alkohol lemak, sterol, xanton, turunan kuomarin, kalofilat, isokalofilat, isoptalat, kapelierat, asam pseudobrasilat, dan penyusun triterpenoat sebanyak 0.5 – 2.0 % yang dapat dimanfaatkan sebagai obat (Debaut et al., 2005). Bilangan asam menunjukkan jumlah asam lemak yang terdapat dalam minyak. Semakin tinggi kandungan asam lemak tidak jenuh dalam minyak nyamplung memungkinkan terjadinya oksidasi pada ikatan rangkap tersebut sehingga bilangan asam meningkat. Kondisi penyimpanan yang kontak langsung dengan udara dan besi juga dapat menjadi penyebab reaksi oksidasi yang menghasilkan asam lemak berantai pendek (Murniasih, 2009). D.
Analisis Data Near Infrared Biji Nyamplung (Calophyllum inophyllum L.) Analisis data terhadap komposisi kimia biji nyamplung, seperti: kadar air, kadar lemak, bilangan asam, dan asam lemak bebas dilakukan dengan data reflektan (R) maupun pada data absorban (log (1/R)) menggunakan metode kalibrasi multivariatif yaitu principal component regression (PCR) dan partial least squares (PLS). Salah satu tahap analisis spektrum yang sangat penting adalah membentuk model kalibrasi melalui metode pengenalan pola untuk mengidentifikasi kemiripan dan pola utama data. Metode ini menghitung persamaan regresi berdasarkan spektrofotometri dan informasi nilai aktual yang diketahui, sehingga dapat digunakan untuk memprediksi konsentrasi sampel yang tidak diketahui. Hasil residu antara konsentrasi yang dibuat dan konsentrasi dugaan dari model dipakai sebagai parameter-parameter kebaikan model (Stchur et al., 2002 dalam Saragih, 2007). Pada proses analisis NIR tahap kalibrasi memberikan tiga hal utama analisis kimia yaitu: (1) pemisahan, (2) identifikasi, dan (3) perhitungan. Sehingga penurunan regresi kalibrasi dalam sebuah analisis NIR merupakan tahapan yang sangat penting dalam menentukan tingkat ketepatan hasil analisis. Penurunan regresi kalibrasi dalam sebuah analisis NIR merupakan tahapan yang sangat penting dalam menentukan tingkat ketepatan hasil analisis. Metode kalibrasi multivariatif pada penelitian ini adalah metode principal component regression (PCR) dan partial least square (PLS), digunakan untuk mengekstrak informasi kimia dari data yang dihasilkan dari pengukuran NIR dan memperkirakan serangkaian variabel tidak bebas dari variabel bebas yang jumlahnya sangat banyak, namun tidak membuang dan mengurangi data informasi yang berukuran besar dan berguna yang diperoleh dari instrumen pada suatu percobaan kimia. Konsep komponen utama pertama (primary principal components) mendefinisikan ruang luar pemodelan yang digunakan untuk X dalam membangun (calibration), dimana spektrum rekonstruksi tersebut berkaitan erat dengan spektrum yang tidak digunakan sehingga perbedaan spektrum tersebut dapat diterima. Komponen utama kedua (secondary principal components) berkaitan erat dengan ruang dalam pemodelan yang digunakan untuk Y dalam memprediksi (validation). Jumlah komponen utama pertama (primary PC) dalam analisis pengolahan data adalah bervariasi (maksimal 20 PC) namun dalam pengolahan data pendugaan komposisi kimia biji nyamplung digunakan 15 PC karena dengan 15 PC diasumsikan sudah dapat mewakili hampir semua informasi yang terdapat dalam spektra aslinya. Sedangkan untuk nilai komponen utama kedua (secondary PC) adalah 4 sesuai dengan jumlah parameter pendugaan komposisi kimia biji nyamplung tersebut yaitu kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas. Data dari hasil analisis kimiawi laboratorium (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) biji nyamplung dengan data reflektan dan absorban yang merupakan
32
hasil pengukuran spektrum NIR biji nyamplung dimasukkan kedalam kedua metode kalibrasi multivariatif tersebut dan dengan berbagai pemilihan perlakuan data, sehingga akan menghasilkan bentuk dan model regresi kalibrasi. Tahap kalibrasi dinyatakan baik jika sebuah regresi kalibrasi yang dibangun memberikan hasil dugaan yang terbaik. Hasil kalibrasi yang baik tersebut dapat dilihat dari nilai koefisien determinasi (R2) yang tinggi serta nilai standar error dan koefisien keragaman yang rendah. Sebuah analisis bahan pangan dinyatakan berhasil jika memberikan nilai R 2 lebih besar sama dengan 95%. Apabila R2 lebih besar sama dengan 80 - 95% maka analisis dapat dinyatakan baik sedangkan R2 pada selang 70 – 80% maka analisis dapat dinyatakan cukup baik. Persyaratan lain yang juga merupakan acuan hasil kalibrasi NIR adalah standard error (SE) dan coefficient of variability (CV). Standar error didefinisikan sebagai selisih atau beda antara hasil perhitungan atau pengukuran terhadap hasil sebenarnya. Analisis dengan metode NIR membutuhkan standar error yang lebih rendah dari standar deviasi (SD) data referensi. Standar error (SE) yang diharapkan adalah mendekati nol, tetapi karena metode near infrared (NIR) lebih cepat dan bersifat non-destruktif dalam analisis, error sebesar 0.1 dalam analisis NIR dapat diterima. Jika standar error diperoleh mendekati 1 (satu) maka hasil pendugaan dinyatakan kurang baik. Besar standar error hasil analisis diharapkan sebanding dengan standar error pada analisis kimiawi laboratorium (data referensi). Selain itu standar error tergantung juga pada pendugaan komposisi kimia sampel yang digunakan. Misalkan untuk pendugaan komposisi kimia biji nyamplung seperti kadar asam lemak bebas yang nilainya diantara 20.19 – 24.12 maka standar error yang diperoleh berkisar antara 2.019- 2.412. Coefficient of variability (CV) menunjukkan nilai keragaman yang merupakan hasil pembagian antara standar error terhadap nilai rata-rata data referensi (analisis kimiawi laboratorium). Koefisien keragaman (CV) dirumuskan dengan pembagian standar error (SE) terhadap nilai rataan sampel pada masing-masing tahap kalibrasi dan validasi, kemudian hasil pembagian tersebut dikali 100%. Nilai koefisien keragaman (CV) yang ideal dan dapat dikatakan memuaskan adalah berkisar antara 1.0 - 1.5%. Sedangkan apabila nilai koefisien keragaman berkisar antara 1.5 – 5.0% maka dapat dikatakan cukup baik. Nilai koefisien keragaman diatas dari 5.0% maka dapat dikatakan kurang baik. 1. Metode Principal Component Regression (PCR) Pada analisis data dengan menggunakan metode PCR ini, data yang digunakan adalah reflektan dan absorban biji nyamplung. Principal component analysis (PCA) adalah metode statistik multivariatif untuk mereduksi data dengan cara menghitung skor atau komponen dari keseluruhan variabel dimana beberapa komponen utama pertama sudah mewakili total variasi data. Dalam menggunakan metode PCR, jika seluruh komponen utama dimasukkan dalam persamaan regresi, maka akan dihasilkan model yang setara dengan diperoleh melalui metode kuadrat terkecil (Jollifc, 1986 dalam Rumahorbo, 2004). Tujuan dari metode PCR adalah untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mengekstrak) dimensinya kedalam beberapa komponen utama, namun tidak membuang informasi yang berguna. Peubah asal ditransformasi menjadi peubah baru yang disebut komponen utama, yang berciri: (1) merupakan kombinasi linier peubah-peubah asal, (2) jumlah kuadrat koefisien
33
dalam kombinasi linier tersebut bernilai satu, (3) tidak berkolerasi, dan (4) mempunyai ragam berurut dari yang terbesar ke yang terkecil. Menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali (principal component). a. Data reflektan biji nyamplung Data reflektan adalah data yang diperoleh dari proses pemantulan sampel biji nyamplung. Data reflektan dibangun dengan membuat hubungan komposisi kimia biji nyamplung hasil analisis kimiawi laboratorium (data referensi) terhadap nilai reflektan NIR dengan menggunakan proses regresi komponen utama (PCR). Jumlah sampel biji nyamplung yang digunakan pada penelitian ini sebanyak 70 sampel. Tahap kalibrasi memerlukan 2/3 dari keseluruhan jumlah sampel (± 45 sampel). Sedangkan 1/3 dari keseluruhan jumlah sampel (± 25 sampel) yang diteliti digunakan untuk tahap validasi. 1). Pendugaan Kadar Air Pada tahap kalibrasi pendugaan kadar air digunakan data reflektan dari 47 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi tersebut diberikan proses komponen utama pertama sebesar 15 dan komponen utama kedua sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan reflektan dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 6. Tabel 6. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Kalibrasi
Validasi
Derivatif kedua Savitzsky-Golay setiap 9 titik
Kalibrasi
Validasi
Normalisasi 0-1
Kalibrasi
Validasi
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik Kalibrasi
Validasi
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
n (buah)
47
23
47
23
47
23
47
23
47
23
R (%)
94.52
86.86
94.60
79.91
94.10
84.63
92.97
69.57
96.12
81.57
R2 (%)
89.34
75.44
89.48
63.85
88.55
71.63
86.43
48.41
92.39
66.54
Min (%)
43.18
50.20
43.18
55.15
43.18
50.20
43.18
53.81
43.18
53.81
Maks (%)
68.56
61.41
68.56
62.65
68.56
61.20
68.56
61.11
68.56
58.77
Mean (%)
55.87
55.81
55.87
58.90
55.87
55.70
55.87
57.46
55.90
56.29
SD (%)
4.57
1.76
3.11
1.14
4.63
2.28
4.92
0.97
4.10
0.47
SE (%)
6.04
2.24
5.58
1.61
6.10
2.76
6.39
1.44
5.57
0.94
CV (%)
10.85
4.03
10.03
2.89
10.96
4.96
11.48
2.58
10.00
1.68
34
Pada regresi kalibrasi pendugaan kadar air data reflektan dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi ketiga perlakuan data tersebut yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar air bahan tersebut adalah sebesar 0.9612. nilai koefisien determinasinya (R2) sebesar 0.9239, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan kombinasi dari ketiga perlakuan data dapat dilihat pada Gambar 18.
: Kalibrasi : Validasi
Gambar 18. Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 47 sampel dan validasi 23 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data. Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 5.57% dan 10.00%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar air biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 23 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.94% dan nilai koefisien keragamannya yaitu 1.68%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan cukup baik. 2). Pendugaan Kadar Lemak Pada tahap kalibrasi pendugaan kadar lemak digunakan data reflektan dari 48 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar lemak tersebut
35
diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan reflektan dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 7. Tabel 7.
Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Kalibrasi
Validasi
Derivatif kedua Savitzsky-Golay setiap 9 titik
Kalibrasi
Validasi
Normalisasi 0-1
Kalibrasi
Validasi
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik Kalibrasi
Validasi
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
n (buah)
48
22
48
22
48
22
48
22
48
22
R (%)
88.58
76.59
96.40
55.10
96.61
90.95
96.32
90.76
96.64
74.53
R2 (%)
78.47
58.67
92.92
30.36
93.34
82.72
92.77
82.38
93.40
55.54
Min (%)
51.26
56.42
51.26
56.35
51.26
58.07
51.26
58.07
51.26
56.35
Maks (%)
71.92
61.18
71.92
59.33
71.92
63.86
71.92
63.86
71.92
59.33
Mean (%)
61.59
58.80
61.35
57.84
64.99
60.96
61.35
60.96
60.70
57.84
SD (%)
3.08
0.71
2.18
0.38
2.80
0.83
2.58
0.53
2.10
0.22
SE (%)
4.51
1.13
3.61
0.81
4.23
1.26
4.01
0.96
3.53
0.65
CV (%)
7.57
1.89
6.06
1.36
7.10
2.12
6.73
1.61
5.93
1.09
Pada regresi kalibrasi pendugaan kadar lemak data reflektan dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi ketiga perlakuan data tersebut yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar lemak bahan tersebut adalah sebesar 0.9664. nilai koefisien determinasinya (R2) sebesar 0.9340, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan kombinasi dari ketiga perlakuan data dapat dilihat pada Gambar 19.
36
: Kalibrasi : Validasi
Gambar 19.
Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 48 sampel dan validasi 22 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data.
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 3.53% dan 5.93%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar lemak biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 22 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.65% dan nilai koefisien keragamannya yaitu 1.09%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan cukup baik. 3). Pendugaan Bilangan Asam Pada tahap kalibrasi pendugaan bilangan asam digunakan data reflektan dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan bilangan asam tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan reflektan dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 8.
37
Tabel 8. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Kalibrasi
Validasi
Derivatif kedua Savitzsky-Golay setiap 9 titik
Kalibrasi
Validasi
Normalisasi 0-1
Kalibrasi
Validasi
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik Kalibrasi
Validasi
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
n (buah)
46
24
46
24
46
24
46
24
46
24
R (%)
95.31
54.95
93.01
56.47
96.34
32.86
93.28
57.09
96.59
47.34
R2 (%)
90.83
30.19
86.51
31.88
92.82
10.80
87.00
32.59
93.29
22.41
Min (%)
39.98
41.72
39.98
41.93
39.98
41.83
39.98
41.73
39.98
41.73
Maks (%)
43.95
42.16
43.95
42.35
43.95
42.02
43.95
42.35
43.95
42.21
Mean (%)
41.96
41.94
41.96
42.14
41.63
41.92
41.96
42.04
41.96
41.97
SD (%)
0.60
0.06
0.57
0.07
0.39
0.02
0.53
0.08
0.59
0.06
SE (%)
0.70
0.11
0.67
0.12
0.49
0.07
0.63
0.13
0.69
0.11
CV (%)
1.67
0.26
1.60
0.29
1.17
0.17
1.51
0.31
1.65
0.26
Pada regresi kalibrasi pendugaan bilangan asam data reflektan dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah perlakuan data normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai bilangan asam bahan tersebut adalah sebesar 0.9634. nilai koefisien determinasinya (R2) sebesar 0.9282, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan bilangan asam referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1 dapat dilihat pada Gambar 20.
: Kalibrasi : Validasi
Gambar 20. Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1.
38
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) berturut-turut sebesar 0.49% dan 1.17%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan bilangan asam biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 24 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.07% dan nilai koefisien keragamannya yaitu 0.17%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan sangat memuaskan. 4). Pendugaan Kadar Asam Lemak Bebas Pada tahap kalibrasi pendugaan kadar asam lemak bebas digunakan data reflektan dari 45 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar asam lemak bebas tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 9. Tabel 9. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Kalibrasi
Validasi
Derivatif kedua Savitzsky-Golay setiap 9 titik
Kalibrasi
Validasi
Normalisasi 0-1
Kalibrasi
Validasi
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik Kalibrasi
Validasi
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
n (buah)
45
25
45
25
45
25
45
25
45
25
R (%)
94.39
67.77
93.92
79.83
96.18
69.95
95.44
89.30
96.00
67.63
R2 (%)
89.10
45.92
88.22
63.73
92.50
48.93
91.09
79.74
92.16
45.74
Min (%)
20.19
22.57
20.19
22.35
20.19
22.25
20.19
21.89
20.19
22.76
Maks (%)
24.12
23.48
24.12
23.34
24.12
23.29
24.12
22.95
24.12
23.48
Mean (%)
22.15
23.02
22.11
22.84
22.15
22.77
22.15
22.42
22.11
23.12
SD (%)
0.66
0.16
0.72
0.18
0.64
0.12
0.77
0.14
0.60
0.10
SE (%)
0.85
0.26
0.91
0.28
0.83
0.22
0.96
0.24
0.79
0.20
CV (%)
3.76
1.15
4.03
1.23
3.68
0.97
4.25
1.06
3.50
0.88
39
Pada regresi kalibrasi pendugaan kadar asam lemak bebas data reflektan dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi ketiga perlakuan data tersebut yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar asam lemak bebas bahan tersebut adalah sebesar 0.9600. nilai koefisien determinasinya (R 2) sebesar 0.9216, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR dengan kadar asam lemak bebas referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan kombinasi dari ketiga perlakuan data dapat dilihat pada Gambar 21.
: Kalibrasi : Validasi
Gambar 21. Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data. Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 0.79% dan 3.50%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun cukup baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar asam lemak bebas biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 25 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.20% dan nilai koefisien keragamannya yaitu 0.88%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan cukup memuaskan.
40
b. Data absorban biji nyamplung Selain dengan data reflektan (R), komposisi kimia biji nyamplung (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) dapat juga diduga dengan data absorban yang telah ditransformasikan (log (1/R)). Sebanyak 70 sampel biji nyamplung digunakan untuk menduga komposisi kimia dengan metode NIR, dimana 2/3 dari jumlah sampel digunakan untuk proses kalibrasi dan sisa sampelnya 1/3 digunakan untuk proses validasi. Proses kalibrasi dan validasi dengan menggunakan data absorban tidak jauh berbeda dari proses kalibrasi reflektan. Persamaan regresi tahap kalibrasi untuk menduga komposisi kimia biji nyamplung berdasarkan data absorban digunakan dengan membuat hubungan komposisi kimia biji nyamplung hasil analisis kimiawi laboratorium (data referensi) terhadap nilai absorban near infrared dengan menggunakan persamaan regresi komponen utama (PCR). 1). Pendugaan Kadar Air Pada tahap kalibrasi pendugaan kadar air digunakan data absorban dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi tersebut diberikan proses komponen utama pertama sebesar 15 dan komponen utama kedua sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 10. Tabel 10. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
46
24
46
24
46
24
46
24
46
24
R (%)
87.08
87.25
96.74
88.31
96.82
66.12
95.27
68.76
95.33
83.07
R (%)
75.83
76.13
93.58
77.99
93.74
43.72
90.76
47.29
90.87
69.01
Min (%)
43.18
55.36
43.18
50.75
43.18
52.90
43.18
56.45
43.18
55.36
Maks (%)
68.56
63.38
68.56
63.41
68.56
58.85
68.56
63.41
68.56
63.41
Mean (%)
55.87
59.37
55.87
57.08
55.87
55.87
55.90
59.93
56.09
59.38
SD (%)
5.18
1.11
5.02
1.91
4.99
0.89
4.48
1.25
4.39
1.29
SE (%)
6.66
1.58
6.49
2.38
6.47
1.37
5.96
1.73
5.86
1.77
CV (%)
11.97
2.84
11.66
4.27
11.63
2.46
10.71
3.10
10.53
3.18
2
Pada regresi kalibrasi pendugaan kadar air data absorban dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi dari ketiga perlakuan data tersebut.
41
Nilai koefisien korelasi (R) untuk pendugaan nilai kadar air bahan tersebut adalah sebesar 0.9533. nilai koefisien determinasinya (R2) sebesar 0.9087, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan kombinasi dari ketiga perlakuan data tersebut dapat dilihat pada Gambar 22.
: Kalibrasi : Validasi
Gambar 22. Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data. Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 5.86% dan 10.53%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar air biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 24 sampel dari dataabsorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 1.77% dan nilai koefisien keragamannya yaitu 3.18%. Dilihat dari nilai standar error yang lebih dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dikatakan kurang baik dan tidak dapat digunakan. 2). Pendugaan Kadar Lemak Pada tahap kalibrasi pendugaan kadar lemak digunakan data absorban dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar lemak tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4.
42
Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan absorban dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 11. Tabel 11.
Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
46
24
46
24
46
24
46
24
46
24
R (%)
93.10
97.14
96.84
87.50
95.00
77.19
96.19
55.66
96.48
84.70
R (%)
86.68
94.36
93.78
76.56
90.26
59.59
92.52
30.98
93.08
71.75
Min (%)
51.26
58.33
50.79
51.26
51.26
57.12
50.79
55.57
51.26
58.65
Maks (%)
71.92
65.27
71.92
60.77
71.92
61.11
71.92
59.33
71.92
63.86
Mean (%)
61.59
61.80
61.35
58.59
61.59
59.11
61.35
57.45
61.59
61.25
SD (%)
2.62
0.81
3.54
0.32
3.43
0.52
2.62
0.41
2.37
0.55
SE (%)
4.05
1.24
4.97
0.74
4.86
0.95
4.05
0.83
3.80
0.98
CV (%)
6.80
2.08
8.35
1.25
8.16
1.59
6.80
1.39
6.38
1.65
2
Pada regresi kalibrasi pendugaan kadar lemak data absorban dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi dari ketiga perlakuan data. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar lemak bahan tersebut adalah sebesar 0.9648. nilai koefisien determinasinya (R2) sebesar 0.9308, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar lemak referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan perlakuan data kombinasi dari ketiga perlakuan data tersebut dapat dilihat pada Gambar 23.
43
: Kalibrasi : Validasi
Gambar 23. Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data. Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 3.80% dan 6.38%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar lemak biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 24 sampel dari data absorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.98% dan nilai koefisien keragamannya yaitu 1.65%. Dilihat dari nilai standar error hampir bernilai 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan cukup baik. 3). Pendugaan Bilangan Asam Pada tahap kalibrasi pendugaan bilangan asam digunakan data absorban dari 45 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan bilangan asam tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan absorban dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 12.
44
Tabel 12. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
45
25
45
25
45
25
45
25
45
25
R (%)
92.85
36.23
94.05
46.30
92.52
60.93
93.12
57.40
94.35
29.18
R2 (%)
86.21
13.13
88.45
21.44
85.60
37.12
86.72
32.95
89.02
8.51
Min (%)
39.98
41.72
39.98
41.86
39.98
41.83
39.98
41.77
39.98
41.86
Maks (%)
43.95
42.12
43.95
42.26
43.95
42.16
43.95
42.24
43.95
42.11
Mean (%)
41.96
41.92
41.96
42.06
42.02
41.99
41.96
42.00
41.63
41.98
SD (%)
0.66
0.06
0.66
0.06
0.40
0.03
0.66
0.06
0.41
0.03
SE (%)
0.76
0.11
0.76
0.11
0.50
0.08
0.76
0.11
0.51
0.08
CV (%)
1.82
0.26
1.82
0.26
1.20
0.19
1.82
0.26
1.22
0.19
Pada regresi kalibrasi pendugaan bilangan asam data absorban dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik perlakuan data normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai bilangan asam bahan tersebut adalah sebesar 0.9252. nilai koefisien determinasinya (R2) sebesar 0.8560, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan bilangan asam dugaan data absorban NIR dengan bilangan asam referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1 dapat dilihat pada Gambar 24.
: Kalibrasi : Validasi
Gambar 24.
Grafik perbandingan bilangan asam dugaan data absorban NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1.
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 0.50% dan 1.20%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada
45
tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan bilangan asam biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 25 sampel dari data absorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.08% dan nilai koefisien keragamannya yaitu 0.19%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan sangat memuaskan. 4). Pendugaan Kadar Asam Lemak Bebas Pada tahap kalibrasi pendugaan kadar asam lemak bebas digunakan data absorban dari 45 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar asam lemak bebas tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan absorban dengan berbagai perlakuan data pada metode regresi komponen utama (PCR) dapat dilihat pada Tabel 13. Tabel 13. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
45
25
45
25
45
25
45
25
45
25
R (%)
97.20
82.72
95.96
76.16
95.49
69.70
96.37
73.67
95.20
82.33
R (%)
94.47
68.42
92.09
58.00
91.17
48.59
92.88
54.28
90.63
67.78
Min (%)
20.19
21.59
20.19
21.67
20.19
21.49
20.19
21.65
20.19
21.65
Maks (%)
23.86
22.46
23.86
22.65
23.86
22.46
23.86
22.65
23.86
22.88
Mean (%)
22.02
22.31
22.11
22.16
22.02
21.97
22.11
22.15
22.11
22.26
SD (%)
0.57
0.09
0.63
0.16
0.54
0.13
0.66
0.16
0.80
0.22
SE (%)
0.76
0.19
0.82
0.26
0.74
0.23
0.85
0.26
0.99
0.32
CV (%)
3.37
0.84
3.63
1.15
3.28
1.02
3.76
1.15
4.38
1.42
2
46
Pada regresi kalibrasi pendugaan kadar asam lemak bebas data absorban dengan metode regresi komponen utama diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah perlakuan data normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar asam lemak bebas bahan tersebut adalah sebesar 0.9549. nilai koefisien determinasinya (R2) sebesar 0.9117, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR dengan kadar asam lemak bebas referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PCR dan perlakuan data penghalusan rataan setiap 3 titik dapat dilihat pada Gambar 25.
: Kalibrasi : Validasi
Gambar 25. Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan perlakuan data normalisasi data spektra kedalam rentang 0-1. Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 0.74% dan 3.28%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun cukup baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar asam lemak bebas biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 25 sampel dari data absorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.23% dan nilai koefisien keragamannya yaitu 1.02%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode regresi komponen utama dapat dikatakan sangat memuaskan.
2. Metode Partial Least Squares (PLS) Menurut Herve (2003) dalam Saragih (2007) kuadrat terkecil parsial digunakan untuk memperkirakan serangkaian variabel tidak bebas dari variabel bebas yang jumlahnya sangat banyak, memiliki struktur sistematik linier atau non-linier, dengan atau tanpa data yang hilang,
47
dan memiliki kolinearitas yang tinggi. Kuadrat terkecil parsial atau sering disebut partial least square (PLS) pertama kali dikembangkan oleh Herman Wold (1982). Model PLS ini hampir sama dengan metode PCR. Pada metode PCR, komponen utama dihitung masing-masing pada setiap peubah X dan setiap peubah Y secara terpisah, sedangkan pada PLS komponen utama disusun berdasarkan konsep NIPALS (Non Linear Iteratif Partial Least Squares) dengan cara dekomposisi nilai tunggal (single value decomposition). Pada setiap iterasi dalam PLS keragaman peubah-peubah X dan keragaman peubahpeubah Y saling mempengaruhi, dimana struktur ragam kelompok peubah Y mempengatuhi kombinasi linier kelompok peubah X dan sebaliknya, struktur ragam kelompok peubah X mempengaruhi kombinasi linier kelompok peubah Y (Young, 1994 dalam Wulandari, 2000). Metode PLS diperoleh secara iteratif dan tidak memiliki formula tertutup untuk mencari ragam koefisien regresi. c. Data reflektan biji nyamplung Data reflektan adalah data yang diperoleh dari proses pemantulan sampel biji nyamplung. Data reflektan dibangun dengan membuat hubungan komposisi kimia biji nyamplung hasil analisis kimiawi laboratorium (data referensi) terhadap nilai reflektan NIR dengan menggunakan metode kuadrat terkecil parsial (PLS). Jumlah sampel biji nyamplung yang digunakan pada penelitian ini sebanyak 70 sampel. Tahap kalibrasi memerlukan 2/3 dari keseluruhan jumlah sampel (± 45 sampel). Sedangkan 1/3 dari keseluruhan jumlah sampel (± 25 sampel) yang diteliti digunakan untuk tahap validasi. 1). Pendugaan Kadar Air Pada tahap kalibrasi pendugaan kadar air digunakan data reflektan dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi tersebut diberikan proses komponen utama pertama sebesar 15 dan komponen utama kedua sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 14.
48
Tabel 14. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
46
24
46
24
46
24
46
24
46
24
R (%)
97.24
84.11
99.83
97.87
96.70
92.63
99.79
97.81
99.78
98.70
R (%)
94.55
70.75
97.87
95.79
93.51
85.81
99.59
95.67
99.56
97.43
Min (%)
43.18
53.81
43.18
50.75
43.18
46.77
43.18
52.18
43.18
49.61
Maks (%)
68.56
61.81
68.56
58.85
68.56
58.85
68.56
58.85
68.56
58.85
Mean (%)
55.87
57.81
55.87
54.80
55.87
52.81
55.90
55.51
55.90
54.23
SD (%)
4.79
1.43
0.26
0.41
4.49
2.38
0.10
0.40
0.63
0.55
SE (%)
5.26
1.48
0.73
0.46
4.96
2.43
0.58
0.45
1.13
0.60
CV (%)
9.45
2.66
1.31
0.83
8.91
4.37
1.04
0.81
2.03
1.08
2
Pada regresi kalibrasi pendugaan kadar air data reflektan dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi perlakuan data penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzsky-Golay setiap 9 titik. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar air bahan tersebut adalah sebesar 0.9979. nilai koefisien determinasinya (R2) sebesar 0.9959, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan kombinasi perlakuan data penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzsky-Golay setiap 9 titik dapat dilihat pada Gambar 26.
: Kalibrasi : Validasi
Gambar 26.
Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PLS dan perlakuan data penghalusan rataan setiap 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik.
49
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 0.58% dan 1.04%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun cukup baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar air biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 24 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.45% dan nilai koefisien keragamannya yaitu 0.81%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan cukup baik. 2). Pendugaan Kadar Lemak Pada tahap kalibrasi pendugaan kadar lemak digunakan data reflektan dari 48 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar lemak tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 15. Tabel 15.
Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
45
25
45
25
45
25
45
25
45
25
R (%)
97.80
78.70
99.77
95.55
96.30
98.16
99.74
99.23
99.71
98.77
R (%)
95.65
61.94
99.54
91.30
92.75
96.36
99.48
98.46
99.41
97.56
Min (%)
50.79
60.48
50.79
56.74
50.79
54.99
51.26
54.23
50.79
55.69
Maks (%)
71.92
67.31
71.92
61.11
71.92
67.31
71.92
65.64
71.92
64.65
Mean (%)
61.35
63.89
61.35
58.92
61.35
61.15
61.35
59.93
61.35
60.17
SD (%)
1.85
0.64
0.26
0.32
2.19
1.32
0.28
0.41
0.09
0.32
SE (%)
3.28
1.07
0.69
0.37
3.62
1.75
0.71
0.46
0.53
0.37
CV (%)
5.51
1.80
1.16
0.62
6.08
2.94
1.19
0.77
0.89
0.62
2
50
Pada regresi kalibrasi pendugaan kadar lemak data reflektan dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi ketiga perlakuan data tersebut yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar lemak bahan tersebut adalah sebesar 0.9971. nilai koefisien determinasinya (R2) sebesar 0.9941, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan kombinasi dari ketiga perlakuan data dapat dilihat pada Gambar 27.
: Kalibrasi : Validasi
Gambar 27.
Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan kombinasi dari ketiga perlakuan data.
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 0.53% dan 0.89%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar lemak biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 25 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.37% dan nilai koefisien keragamannya yaitu 0.62%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan cukup memuaskan. 3). Pendugaan Bilangan Asam Pada tahap kalibrasi pendugaan bilangan asam digunakan data reflektan dari 45 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan bilangan asam tersebut
51
diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 16. Tabel 16. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
45
25
45
25
45
25
45
25
45
25
R (%)
96.55
58.06
99.87
95.65
96.28
41.58
99.77
96.83
99.81
96.35
R (%)
93.22
33,71
99.74
91.49
92.70
17.29
99.53
93.77
99.63
92.83
Min (%)
39.98
41.79
39.98
41.83
39.98
41.79
39.98
41.72
39.98
41.72
Maks (%)
43.95
42.21
43.95
42.12
43.95
42.19
43.95
42.21
43.95
42.21
Mean (%)
41.96
42.00
41.96
41.97
41.96
41.99
41.96
41.96
41.96
41.96
SD (%)
0.44
0.05
0.03
0.01
0.50
0.05
0.03
0.01
0.04
0.01
SE (%)
0.54
0.10
0.08
0.03
0.60
0.10
0.09
0.03
0.09
0.03
CV (%)
1.29
0.24
0.19
0.07
1.43
0.24
0.21
0.07
0.21
0.07
2
Pada regresi kalibrasi pendugaan bilangan asam data reflektan dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi ketiga perlakuan data tersebut yaitu, perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik. Nilai koefisien korelasi (R) untuk pendugaan nilai bilangan asam bahan tersebut adalah sebesar 0.9987. nilai koefisien determinasinya (R2) sebesar 0.9974, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan bilangan asam referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik dapat dilihat pada Gambar 28.
52
: Kalibrasi : Validasi
Gambar 28. Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik. Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) berturut-turut sebesar 0.08% dan 0.19%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun cukup baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan bilangan asam biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 25 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.03% dan nilai koefisien keragamannya yaitu 0.07%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan sangat memuaskan. 4). Pendugaan Kadar Asam Lemak Bebas Pada tahap kalibrasi pendugaan kadar asam lemak bebas digunakan data reflektan dari 45 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar asam lemak bebas tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 17.
53
Tabel 17. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
45
25
45
25
45
25
45
25
45
25
R (%)
98.18
79.84
99.69
97.35
97.94
74.32
99.58
97.99
99.66
98.19
R2 (%)
96.39
63.74
99.39
94.78
95.93
55.23
99.16
96.02
99.32
96.42
Min (%)
20.19
22.25
20.19
23.11
20.19
22.64
20.19
23.11
20.19
23.27
Maks (%)
24.03
23.16
24.03
23.86
24.03
23.53
24.03
23.86
24.03
23.86
Mean (%)
22.11
22.70
22.11
22.98
22.15
23.08
22.15
23.48
22.11
23.56
SD (%)
0.50
0.07
0.05
0.03
0.42
0.10
0.09
0.03
0.04
0.02
SE (%)
0.69
0.17
0.07
0.05
0.61
0.20
0.11
0.05
0.06
0.04
CV (%)
2.70
0.75
0.31
0.22
2.70
0.89
0.49
0.22
0.26
0.18
Pada regresi kalibrasi pendugaan kadar asam lemak bebas data reflektan dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi ketiga perlakuan data tersebut yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar asam lemak bebas bahan tersebut adalah sebesar 0.9966. nilai koefisien determinasinya (R2) sebesar 0.9932, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR dengan kadar asam lemak bebas referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan kombinasi dari ketiga perlakuan data dapat dilihat pada Gambar 29.
: Kalibrasi : Validasi
Gambar 29.
Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan kombinasi dari ketiga perlakuan data.
54
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) berturut-turut sebesar 0.06% dan 0.26%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun cukup baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar asam lemak bebas biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 25 sampel dari data reflektan NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.04% dan nilai koefisien keragamannya yaitu 0.18%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan sangat memuaskan. d. Data absorban biji nyamplung Selain dengan data reflektan (R), komposisi kimia biji nyamplung (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) dapat juga diduga dengan data absorban yang telah ditransformasikan (log (1/R)). Sebanyak 70 sampel biji nyamplung digunakan untuk menduga komposisi kimia dengan metode NIR, dimana 2/3 dari jumlah sampel digunakan untuk proses kalibrasi dan sisa sampelnya 1/3 digunakan untuk proses validasi. Proses kalibrasi dan validasi dengan menggunakan data absorban tidak jauh berbeda dari proses kalibrasi reflektan. Persamaan regresi tahap kalibrasi untuk menduga komposisi kimia biji nyamplung berdasarkan data absorban digunakan dengan membuat hubungan komposisi kimia biji nyamplung hasil analisis kimiawi laboratorium (data referensi) terhadap nilai absorban near infrared dengan menggunakan persamaan partial least squares (PLS). 1). Pendugaan Kadar Air Pada tahap kalibrasi pendugaan kadar air digunakan data absorban dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi tersebut diberikan proses komponen utama pertama sebesar 15 dan komponen utama kedua sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 18.
55
Tabel 18. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
47
23
47
23
47
23
47
23
47
23
R (%)
87.73
77.17
99.83
97.45
98.41
72.30
99.75
96.77
99.53
97.32
R (%)
76.94
59.55
99.66
94.96
96.85
52.28
99.50
93.64
99.07
94.71
Min (%)
43.18
57.47
43.18
52.90
43.18
55.36
43.18
55.15
43.18
52.18
Maks (%)
68.56
64.82
68.56
59.98
68.56
61.41
68.56
61.20
68.56
61.20
Mean (%)
55.87
61.14
55.87
56.44
55.90
58.38
55.87
58.17
56.69
56.69
SD (%)
5.02
0.83
0.48
0.41
4.01
0.89
0.46
0.40
0.78
0.58
SE (%)
6.49
1.30
0.98
0.46
5.48
1.37
0.96
0.45
1.28
0.63
CV (%)
11.66
2.34
1.76
0.83
9.85
2.46
1.72
0.81
2.30
1.13
2
Pada regresi kalibrasi pendugaan kadar air data absorban dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua SavitzskyGolay setiap 9 titik. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar air bahan tersebut adalah sebesar 0.9975. nilai koefisien determinasinya (R2) sebesar 0.9950, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsky-Golay setiap 9 titik dapat dilihat pada Gambar 30.
: Kalibrasi : Validasi
Gambar 30.
Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 47 sampel dan validasi 23 sampel dengan metode PLS dan perlakuan data normalisasi data spektra kedalam rentang 0-1.
56
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) cukup tinggi berturut-turut sebesar 0.96% dan 1.72%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar air biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 23 sampel dari dataabsorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.45% dan nilai koefisien keragamannya yaitu 0.81%. Dilihat dari nilai standar error yang lebih dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dikatakan cukup baik. 2). Pendugaan Kadar Lemak Pada tahap kalibrasi pendugaan kadar lemak digunakan data absorban dari 43 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar lemak tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 19. Tabel 19.
Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
43
27
43
27
43
27
43
27
43
27
R (%)
98.10
91.27
99.83
96.93
97.56
95.73
99.70
97.76
99.75
96.61
R (%)
96.24
83.29
99.66
93.96
95.18
91.65
99.40
95.58
99.50
93.34
Min (%)
50.79
59.29
50.79
59.23
50.79
57.76
50.79
58.95
50.79
58.95
Maks (%)
71.92
67.31
71.92
63.72
71.92
65.64
71.92
63.72
71.92
63.72
Mean (%)
60.70
63.30
61.35
61.47
61.35
61.70
61.35
61.33
61.35
61.33
SD (%)
1.91
0.98
0.39
0.36
2.85
1.10
0.30
0.31
0.50
0.43
SE (%)
3.34
1.41
0.89
0.41
4.28
1.53
0.80
0.36
1.00
0.48
CV (%)
5.61
2.37
1.49
0.69
7.19
2.57
1.34
0.60
1.68
0.81
2
57
Pada regresi kalibrasi pendugaan kadar lemak data absorban dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsky-Golay setiap 9 titik. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar lemak bahan tersebut adalah sebesar 0.9970. nilai koefisien determinasinya (R2) sebesar 0.9940, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar lemak referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsky-Golay setiap 9 titik dapat dilihat pada Gambar 31. \
: Kalibrasi : Validasi
Gambar 31.
Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 43 sampel dan validasi 27 sampel dengan metode PLS dan kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsky-Golay setiap 9 titik.
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) berturut-turut sebesar 0.80% dan 1.34%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun kurang baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar lemak biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 27 sampel dari data absorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.36% dan nilai koefisien keragamannya yaitu 0.60%. Dilihat dari nilai standar error bernilai kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan cukup baik. 3). Pendugaan Bilangan Asam Pada tahap kalibrasi pendugaan bilangan asam digunakan data absorban dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan bilangan asam tersebut
58
diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 20. Tabel 20. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
46
24
46
24
46
24
46
24
46
24
R (%)
98.41
70.88
99.83
96.80
92.57
79.24
99.81
94.93
99.78
97.73
R (%)
96.85
50.24
99.66
93.71
91.34
62.79
99.61
90.12
99.56
95.52
Min (%)
39.98
41.79
39.98
41.49
39.98
41.98
39.98
41.72
39.98
41.56
Maks (%)
43.95
42.16
43.95
42.05
43.95
42.96
43.95
42.26
43.95
42.26
Mean (%)
41.96
41.97
41.96
41.77
41.96
42.45
41.96
41.99
41.96
41.91
SD (%)
0.41
0.05
0.01
0.01
0.35
0.14
0.04
0.02
0.05
0.01
SE (%)
0.51
0.09
0.06
0.04
0.45
0.19
0.07
0.05
0.09
0.04
CV (%)
1.22
0.21
0.14
0.09
1.08
0.45
0.17
0.12
0.21
0.09
2
Pada regresi kalibrasi pendugaan bilangan asam data absorban dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah perlakuan data derivativf kedua Savitzsky-Golay setiap 9 titik.. Nilai koefisien korelasi (R) untuk pendugaan nilai bilangan asam bahan tersebut adalah sebesar 0.9983. nilai koefisien determinasinya (R2) sebesar 0.9966, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan bilangan asam dugaan data absorban NIR dengan bilangan asam referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan perlakuan data derivativf kedua Savitzsky-Golay setiap 9 titik dapat dilihat pada Gambar 32.
59
: Kalibrasi : Validasi
Gambar 32.
Grafik perbandingan bilangan asam dugaan data absorban NIR dengan bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PLS dan perlakuan data derivativf kedua Savitzsky-Golay setiap 9 titik.
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) berturut-turut sebesar 0.06% dan 0.14%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun sangat baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan bilangan asam biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 24 sampel dari data absorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.04% dan nilai koefisien keragamannya yaitu 0.09%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan sangat memuaskan. 4). Pendugaan Kadar Asam Lemak Bebas Pada tahap kalibrasi pendugaan kadar asam lemak bebas digunakan data absorban dari 46 sampel biji nyamplung dengan kisaran panjang gelombang 1000 – 2500 nm (4000 – 10000 cm-1 dengan interval 4 cm-1). Regresi kalibrasi pendugaan kadar asam lemak bebas tersebut diberikan proses komponen utama pertama (PC primary) sebesar 15 dan komponen utama kedua (PC secondary) sebesar 4. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) dapat dilihat pada Tabel 21.
60
Tabel 21. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak bebas berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) Data perlakuan (treatment data) penelitian
Deskripsi statistik
Penghalusan rataan setiap 3 titik
Derivatif kedua Savitzsky-Golay setiap 9 titik
Normalisasi 0-1
Kombinasi penghalusan rataan 3 titik dengan derivatif kedua SavitzskyGolay setiap 9 titik
Kombinasi ketiga perlakuan data
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
n (buah)
46
24
46
24
46
24
46
24
46
24
R (%)
96.88
88.75
99.79
98.98
98.44
80.11
99.74
98.13
99.78
98.20
R2 (%)
93.86
78.77
99.58
97.96
96.90
64.17
99.47
96.30
99.56
96.44
Min (%)
20.19
21.88
20.19
21.49
20.19
22.03
20.19
22.64
20.19
21.76
Maks (%)
24.12
22.76
24.12
22.65
24.12
23.16
24.12
23.48
24.12
22.65
Mean (%)
22.02
22.32
22.11
22.07
22.15
22.59
22.15
23.06
22.15
22.20
SD (%)
0.52
0.09
0.06
0.03
0.60
0.15
0.06
0.04
0.06
0.05
SE (%)
0.71
0.19
0.08
0.05
0.79
0.25
0.08
0.06
0.08
0.07
CV (%)
3.41
0.84
0.35
0.22
3.50
1.11
0.35
0.26
0.35
0.31
Pada regresi kalibrasi pendugaan kadar asam lemak bebas data absorban dengan metode kuadrat terkecil parsial diberikan berbagai perlakuan data. Perlakuan data yang terbaik adalah perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik. Nilai koefisien korelasi (R) untuk pendugaan nilai kadar asam lemak bebas bahan tersebut adalah sebesar 0.9979. nilai koefisien determinasinya (R2) sebesar 0.9958, nilai tersebut hampir mendekati 1 (satu). Hal ini menunjukkan nilai pendugaan NIR hampir mendekati nilai analisis laboratorium. Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR dengan kadar asam lemak bebas referensi analisis laboratorium pada tahap kalibrasi dan validasi dengan metode PLS dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik dapat dilihat pada Gambar 33.
: Kalibrasi : Validasi
Gambar 33. Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik.
61
Pada tahap kalibrasi, menghasilkan nilai standar error kalibrasi (SEC) dan koefisien keragaman (CV) berturut-turut sebesar 0.08% dan 0.35%. dilihat dari nilai koefisien determinasi, standar error, dan koefisien keragaman yang ada pada tahap kalibrasi, dapat diduga regresi kalibrasi yang telah dibangun cukup baik. Untuk menguji ketepatan dari regresi kalibrasi tersebut maka sangat perlu dilakukan tahap validasi. Tahap validasi pendugaan kadar asam lemak bebas biji nyamplung digunakan sampel yang berbeda dari kalibrasi dengan jumlah sebanyak 24 sampel dari data absorban NIR dan data hasil analisis laboratorium. Tingkat keberhasilan atau ketepatan pada tahap validasi berdasarkan bentuk dan model kalibrasi sangat ditentukan oleh nilai standar error validasi (SEP) dan koefisien keragaman. Berdasarkan hasil tahap validasi yang diperoleh, dapat dilihat bahwa standar error validasi (SEP) memiliki nilai 0.05% dan nilai koefisien keragamannya yaitu 0.22%. Dilihat dari nilai standar error yang kurang dari 1 (satu) dan koefisien keragaman (CV) kurang dari 5.0%, sehingga hasil ini membuktikan model persamaan regresi yang dibangun melalui metode kuadrat terkecil parsial dapat dikatakan sangat memuaskan. Perbandingan antara analisis metode regresi komponen utama dan metode regresi kuadrat terkecil parsial pada pendugaan komposisi kimia (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) biji nyamplung dengan data reflekran dan absorban NIR dapat dilihat pada tabel-tabel dibawah ini. Tabel 22. Perbandingan hasil kalibrasi dan validasi kadar air dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS Principal Component Regression (PCR) Data Statistik
Data Reflektan (R)
Data Absorban (Log 1/R)
Partial Least Square (PLS) Data Reflektan (R)
Data Absorban (Log 1/R)
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
R (%)
92.39
66.54
90.87
69.01
99.59
95.67
99.50
93.64
R (%)
96.12
81.57
95.33
83.07
99.79
97.81
99.75
96.77
SE (%)
5.57
0.94
5.86
1.77
0.58
0.45
0.96
0.45
CV (%)
10.00
1.68
10.53
3.18
1.04
0.81
1.72
0.81
2
Tabel 23. Perbandingan hasil kalibrasi dan validasi kadar lemak dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS Principal Component Regression (PCR) Data Statistik
Data Reflektan (R)
Data Absorban (Log 1/R)
Partial Least Square (PLS) Data Reflektan (R)
Data Absorban (Log 1/R)
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
R (%)
93.40
55.54
93.08
71.75
99.41
97.56
99.40
95.58
R (%)
96.64
74.53
96.48
84.70
99.71
98.77
99.70
97.76
SE (%)
3.53
0.65
3.80
0.98
0.53
0.37
0.80
0.36
CV (%)
5.93
1.09
6.38
1.65
0.89
0.62
1.34
0.60
2
62
Tabel 24. Perbandingan hasil kalibrasi dan validasi bilangan asam dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS Principal Component Regression (PCR) Data Statistik
Data Reflektan (R)
Data Absorban (Log 1/R)
Partial Least Square (PLS) Data Reflektan (R)
Data Absorban (Log 1/R)
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
R (%)
92.82
10.80
85.60
37.12
99.74
91.49
99.66
93.71
R (%)
96.34
32.86
92.52
60.93
99.87
95.65
99.83
96.80
SE (%)
0.49
0.07
0.50
0.08
0.08
0.03
0.06
0.04
CV (%)
1.17
0.17
1.20
0.19
0.19
0.07
0.14
0.09
2
Tabel 25. Perbandingan hasil kalibrasi dan validasi kadar asam lemak bebas dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS Principal Component Regression (PCR) Data Statistik
Data Reflektan (R)
Data Absorban (Log 1/R)
Partial Least Square (PLS) Data Reflektan (R)
Data Absorban (Log 1/R)
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
Kalibrasi
Validasi
R (%)
92.16
45.74
91.17
48.59
99.32
96.42
99.58
97.96
R (%)
96.00
67.63
95.49
69.70
99.66
98.19
99.79
98.98
SE (%)
0.79
0.20
0.74
0.23
0.06
0.04
0.08
0.05
CV (%)
3.50
0.88
3.28
1.02
0.26
0.18
0.35
0.22
2
Penelitian ini menghasilkan 16 regresi kalibrasi (Gambar 18 – 33) yang baik dan layak. Persamaan ini dibentuk berdasarkan data reflektan dan absorban spektrum NIR dengan perlakuan data terbaik pada masing-masing metode kalibrasi multivariatif untuk pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) yaitu kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas. Regresi kalibrasi yang baik ditunjukkan dengan nilai koefisien determinasi (R2) yang tinggi, standard error of calibration (SEC) yang rendah, standard error of prediction (SEP) dan koefisien keragaman (CV) yang rendah daripada tahap kalibrasi serta bias yang rendah pula (Williams, 1987). Berdasarkan nilai koefisien determinasi (R2) penggunaan data reflektan dan absorban NIR dengan metode partial least square (PLS) dan perlakuan data yang terbaik pada analisis pendugaan komposisi kimia (kadar air, kadar lemak, bilangan asam, dan asam lemak bebas) biji nyamplung tergolong bagus. Hal ini disebabkan karena nilai koefisien determinasi pada komposisi kimia tersebut berada dalam selang ideal untuk analisis komposisi kimia yaitu 97.0 – 100.0 %. Pada penggunaan data near infrared dengan metode principal component regression (PCR) dan perlakuan data yang terbaik, analisis dapat digolongkan cukup bagus untuk pendugaan komposisi kimia (kadar air, kadar lemak, bilangan asam, dan asam lemak bebas) biji nyamplung dengan nilai R2 pada komposisi kimia tersebut berada pada selang antara 95.0 – 97.0 %. Kemudian untuk perlakuan data (data treatment) terbaik dengan metode PCR data spektrum reflektan dan absorban, rata-rata perlakuan data dengan kombinasi dari ketiga perlakuan
63
data yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1 akan menghasilkan regresi kalibrasi terbaik. Sedangkan perlakuan data (data treatment) terbaik dengan metode PLS data spektrum reflektan dan absorban, rata-rata perlakuan data dengan kombinasi antara penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsky-Golay akan menghasilkan regresi kalibrasi terbaik. Pendugaan kadar air biji nyamplung, metode kalibrasi dan perlakuan data yang paling baik adalah metode PLS dengan data reflektan NIR dan perlakuan data yaitu kombinasi antara penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsy-Golay setiap 9 titik. Pada tahap kalibrasi, menghasilkan nilai koefisien determinasi yang diperoleh sebesar 99.59%. Nilai standar error kalibrasi dan koefisien keragaman berturut-turut sebesar 0.58% dan 1.04%. Pada tahap validasi, diperoleh nilai standar error sebesar 0.45% dan nilai koefisien keragaman sebesar 0.81%. Evaluasi standar error dan koefisien keragaman validasi lebih rendah dibandingkan standar error kalibrasi. Koefisien keragaman tahap kalibrasi dan validasi menunjukkan nilai yang berada dibawah dari selang ideal yang diijinkan (lebih rendah dari 5.0%). Pendugaan kadar lemak biji nyamplung, metode kalibrasi dan perlakuan data yang paling baik adalah metode PLS dengan data reflektan NIR dan perlakuan data kombinasi dari ketiga perlakuan data, yaitu penghalusan rataan setiap 3 titik, derivatif kedua Savitzsy-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Pada tahap kalibrasi, menghasilkan nilai koefisien determinasi yang diperoleh sebesar 99.41%. Nilai standar error kalibrasi dan koefisien keragaman berturut-turut sebesar 0.53% dan 0.89%. Pada tahap validasi, diperoleh nilai standar error sebesar 0.37% dan nilai koefisien keragaman sebesar 0.62%. Evaluasi standar error dan koefisien keragaman validasi lebih rendah dibandingkan standar error kalibrasi. Koefisien keragaman tahap kalibrasi dan validasi menunjukkan nilai yang berada dibawah dari selang ideal yang diijinkan (lebih rendah dari 5.0%). Pendugaan bilangan asam biji nyamplung, metode kalibrasi dan perlakuan data yang paling baik adalah metode PLS dengan data absorban NIR dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik. Pada tahap kalibrasi, menghasilkan nilai koefisien determinasi yang diperoleh sebesar 99.66%. Nilai standar error kalibrasi dan koefisien keragaman berturut-turut sebesar 0.06% dan 0.14%. Pada tahap validasi, diperoleh nilai standar error sebesar 0.04% dan nilai koefisien keragaman sebesar 0.09%. Evaluasi standar error dan koefisien keragaman validasi lebih rendah dibandingkan standar error kalibrasi. Koefisien keragaman tahap kalibrasi dan validasi menunjukkan nilai yang berada dibawah dari selang ideal yang diijinkan (lebih rendah dari 5.0%). Pendugaan kadar asam lemak bebas nyamplung, metode kalibrasi dan perlakuan data yang paling baik adalah metode PLS dengan data reflektan NIR dan perlakuan data kombinasi dari ketiga perlakuan data yaitu, penghalusan rataan setiap 3 titik, derivatif kedua SavitzskyGolay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1. Pada tahap kalibrasi, menghasilkan nilai koefisien determinasi yang diperoleh sebesar 99.32%. Nilai standar error kalibrasi dan koefisien keragaman berturut-turut sebesar 0.06% dan 0.26%. Pada tahap validasi, diperoleh nilai standar error sebesar 0.04% dan nilai koefisien keragaman sebesar 0.18%. Evaluasi standar error dan koefisien keragaman validasi lebih rendah dibandingkan standar error kalibrasi. Koefisien keragaman tahap kalibrasi dan validasi menunjukkan nilai yang berada dibawah dari selang ideal yang diijinkan (lebih rendah dari 5.0%). Hasil penelitian pendugaan komposisi kimia (kadar air, kadar lemak, bilangan asam, dan asam lemak bebas) biji nyamplung dengan near infrared NIR, menyatakan bahwa persamaan regresi yang telah dibangun dengan metode kuadrat terkecil parsial (PLS) merupakan metode
64
kalibrasi yang terbaik daripada metode regresi komponen utama (PCR). Hal ini dilihat dari nilai koefisein determinasi (R2), standar error validasi (SEP), dan koefisien keragaman CV yang sesuai dengan selang ideal yang diijinkan. Hal ini sesuai dengan penelitian Schmilovitch et al. (2000) dalam Andrianyta (2006) yang membandingkan tiga metode kalibrasi (PCA, PLS, dan SMLR) dan menyimpulkan untuk periode penyimpanan, kekerasan, kandungan gula, dan keasaman metode PLS terlihat menghasilkan kalibrasi yang terbaik dan layak. Perbedaan hasil pendugaan komposisi kimia biji nyamplung dengan analisis metode PCR dan PLS disebabkan metode PCR menurut penelitian Miller & Miller (2000), prinsip kerja model ini adalah mengekstrak semua data ke dalam komponen utama (PC) dan menetapkan pembentukan model pendugaan variabel bebas yang digunakan dan terdapat hubungan yang erat antar variabel bebasnya. Variabel bebas yang dikomponenkan pada metode PCR ini adalah data spektrum reflektan atau absorban NIR. Sedangkan metode PLS adalah sebuah metode pemodelan bilinier yang banyak digunakan secara luas untuk menghubungkan sifat fisik dan kandungan kimia suatu bahan terhadap data spektrumnya. Metode ini menetapkan pembentukan model pendugaan dari memperkirakan serangkaian variabel tidak bebas (respons) dan variabel bebas (prediktor), sehingga membentuk struktur sistematik linier atau non-linier dengan atau tanpa data yang hilang serta dapat menyisihkan masalah multi-kolinieritas di dalam spektrum data reflektan dan absorban Variabel bebas yang dikuadrat-terkecilkan adalah data spektrum reflektan atau absorban NIR dan variabel tidak bebasnya adalah hasil analisis kimiawi laboratorium (data referensi) (Lindblom, 2004 dalam Saragih, 2007). Kemudian metode PCR memaksimalkan varian dari kombinasi linier X (data spektral), sehingga beberapa data spektral yang tidak relevan, tidak diekstrak ke dalam komponen utama. Sedangkan metode PLS memaksimalkan kovarian antara kombinasi linier dari X (data spektral) dan Y (data referensi). Yaitu membangun set data dengan menyeimbangkan kedua sifat yang diinginkan, sehingga keseluruhan data direduksi ke dalam komponen utama. Dari teori tersebut dapat dikatakan bahwa metode PLS adalah metode kalibrasi yang terbaik dibandingkan dengan metode PCR. Hruschka (1990) menyatakan bahwa puncak spektra untuk kadar air terjadi pada panjang gelombang 1450 nm (6895 cm-1) dan 1940 nm (5154 cm-1), air sangat kuat dalam menyerap spektra dan pada panjang gelombang 1940 nm terpisah dari serapan komponen lain sehingga peningkatan serapan spektra sangat jelas. Sedangkan menurut Steuer et al. (2001) minyak yang terdiri dari ikatan CH memperlihatkan stretching dan deformasi pada kisaran panjang gelombang 1634 – 1766 nm (6120 – 5662 cm-1) dan 2250 – 2350 nm (4444 – 4255 cm-1). Kandungan FFA suatu bahan dapat terlihat pada kisaran panjang gelombang 2200 – 2300 nm (4545 – 4348 cm-1). Salah satu faktor yang potensial mengakibatkan kurang tepatnya persamaan regresi tahap kalibrasi menduga komposisi kimia pada sampel biji nyamplung adalah nilai error yang terjadi pada saat analisis laboratorium secara destruktif dan penentuan data referensi hasil analisis laboratorium dengan data spektrum NIR pada tahap kalibrasi. Waktu yang dibutuhkan dalam pengukuran pendugaan komposisi kimia biji nyamplung menggunakan NIRFlex Solid N-500 dengan cawan petri hanya membutuhkan waktu kurang lebih 20 detik per sampel. Jika dibandingkan dengan pendugaan komposisi kimia menggunakan metode konvensional pada analisis kimiawi laboratorium yang menghabiskan waktu yang lama setiap sampelnya. Hal ini berarti pendugaan komposisi kimia dengan menggunakan NIR memakai waktu lebih cepat daripada metode konvensional tersebut.
65
Pendugaan komposisi kimia (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) biji nyamplung dengan metode NIR juga dikatakan stimulan karena dengan menggunakan satu set data reflektan atau absorban pada panjang gelombang tertentu dapat digunakan untuk menganalisis semua kandungan atau komposisi kimia suatu bahan dalam satu kali pengukuran. Pendugaan komposisi kimia dengan NIR yang lebih dapat dipercaya dan akurat sangat diperlukan terutama untuk kepentingan komersial. Penelitian NIR potensial digunakan dalam pengukuran komposisi kimia suatu bahan secara cepat, akurat, dan tidak merusak (nondestruktif). Data referensi yang tepat dan akurat untuk tiap sampel juga sangat berpengaruh bagi keberhasilan penelitian NIR. Manfaat dari penelitian ini diharapkan untuk membantu industri bahan bakar minyak biodiesel dengan campuran minyak nyamplung dalam pengendalian kualitas produk. Kisaran panjang gelombang (wavelengths) untuk suatu komposisi tertentu harus diketahui. Hal itu dapat mengoptimalkan data yang dimasukkan untuk kalibrasi, sehingga persamaan kalibrasi yang didapat akan lebih akurat, cepat, dan tepat. Metode NIR bukan merupakan analisis yang dapat berdiri sendiri, kemampuannya dalam menganalisis secara cepat sangat dipengaruhi oleh persiapan awal tahap kalibrasi, seperti keadaan bahan.
66
V. KESIMPULAN DAN SARAN A. Kesimpulan 1. Pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) untuk kadar air terlihat pada puncak spektra dengan panjang gelombang 1450 nm (6895 cm -1) dan 1940 nm (5154 cm-1). Kadar lemak dan bilangan asam pada kisaran panjang gelombang 1634 – 1766 nm (6120 – 5662 cm-1) dan 2250 – 2350 nm (4444 – 4255 cm-1). Dan kandungan FFA dapat terlihat pada kisaran panjang gelombang 2200 – 2300 nm (4545 – 4348 cm-1).
2. Pendugaan kadar air biji nyamplung (Calophyllum inophyllum L.) terbaik adalah dengan metode PLS, data reflektan NIR, dan perlakuan data yaitu kombinasi antara penghalusan rataan setiap 3 titik dan derivatif kedua Savitzsy-Golay setiap 9 titik, dengan SEP sebesar 0.45% dan CV sebesar 0.81%.
3. Pendugaan kadar lemak biji nyamplung (Calophyllum inophyllum L.) terbaik adalah dengan metode PLS, data reflektan NIR, dan perlakuan data kombinasi dari ketiga perlakuan data yaitu, penghalusan rataan setiap 3 titik, derivatif kedua Savitzsky-Golay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1, dengan SEP sebesar 0.37%, dan CV sebesar 0.62%.
4. Pendugaan bilangan asam biji nyamplung (Calophyllum inophyllum L.) terbaik adalah dengan metode PLS, data absorban NIR, dan perlakuan data derivatif kedua SavitzskyGolay setiap 9 titik, dengan SEP sebesar 0.04%, dan CV sebesar 0.09%.
5. Pendugaan kadar asam lemak bebas nyamplung (Calophyllum inophyllum L.) terbaik adalah dengan metode PLS, data reflektan NIR, dan perlakuan data kombinasi dari ketiga perlakuan data yaitu, penghalusan rataan setiap 3 titik, derivatif kedua SavitzskyGolay setiap 9 titik, dan normalisasi data spektra kedalam rentang 0-1, dengan SEP sebesar 0.04%, dan CV sebesar 0.18%.
B. Saran 1.
Perlu dilakukan penelitian lebih lanjut dengan memperhitungkan nilai error yang terjadi selama proses analisis laboratorium secara destruktif, agar nilai duga yang dihasilkan lebih menggambarkan nilai parameter mutu yang sesungguhnya.
67
DAFTAR PUSTAKA Adrizal, H. K. Purwadaria, Suroso, I. W. Budiastra, Wiranda G. P. 2007. Pendugaan Kandungan Air, Protein, Lisin, dan Metionin Tepung Ikan dengan Jaringan Syaraf Tiruan Berdasarkan Absorbansi Near Infrared. Jurnal Keteknikan Pertanian. Vol 21:399-412. Andrianyta, H. 2006. Penentuan Komposisi Kimia Jagung secara Non-Destruktif dengan Metode Near Infrared Reflectance (NIR) dengan Jaringan Syaraf Tiruan. Tesis. Bogor:Program Pasca Sarjana-IPB. [Anonimousa]. 2006. Kandungan Minyak dalam Biji Nyamplung, dalam Energy Research and Development Group-ITB. [Anonimousb]. 2008. Quick Guide NIRWare. Buchi : Switzerland. Budiastra, I. W., H. K. Purwadaria, dan D. Saputra. 1995. Penerapan Teknologi Near Infrared untuk Rekayasa Alat Sortasi Buah Mangga. Makalah Kongres Ilmu Pengetahuan Nasional: Serpong. Chang, W. H., Chen S., Tsai C. C. 1998. Development of Universal Algorithm for use of NIR in Estimation of Soluble Solid in Fruit Juices. Trans ASAE 41 (6) p : 1739-1745. Chihiro Ito., Masataka Huigawa, Yoshitaka Mishina, Valdir Cechinel Filho, Fumio Enjo, Hrukuni Tokuda, Hoyoku Nishino and Hiroshi Furukawa, 2003, Chemical Constituents of Calophyllum brasiliense.2-Structure of Three New Coumarins and Cancer Chemopreventive Activity of 4substituted Coumarins, J. Nat. Prod., 66 (3) : 368-371. Dryden, G. M. 2003. Near Infrared Reflectance Spectroscopy: Application in Deer Nutrition Rural Industries Research and Development Corporation. Kingston : Australia. [DSN] Dewan Standardisasi Nasional. 2006. SNI 04-7182-2006. Jakarta:DSN. [DSN] Dewan Standardisasi Nasional. 2006. SNI 01-3751-2006. Jakarta:DSN. Fontaine, J., Schrimer, B., and Horr, J. 2002. Near Infrared Reflectance Spectroscopy (NIRS) Enables the Fast and Accurate Prediction of Essential Amino Acid Contents. J. Agric. Food. Chem. 50 (14) : 3902-3911. Forestry Departement, 2007, Non Wood Forest Products in 15 Countries of Tropical Asia: An Overview, FAO Corporate Document Repository. Friday, J. B. dan D. Okano. 2006. Species Profiles for Pasific Island Agroforestry Calophyllum inophyllim. http:www.traditionaltree.org .id (12 Juli 2011, Pukul 18:27 WIB) Henke, J. E. dan Wichern, D. W. 2005. Business Forecasting – International Edition (8th Edition). Pearson Prentice Hall. New Jersey. (Moving Averages and Smoothing Methods: 101;503). Heyne, K. 1987. Tumbuhan berguna Indonesia jilid 3,Badan Litbang Kehutanan : Jakarta. Kriswiyanti, E., dan Narayani, I, 2000,Inventarisasi Jenis dan Manfaat Tumbuhan di Monkey Forest Desa Adat Padang Tegal Ubud, Jurnal Biologi, 4 (1) : 9-20. Kusumaningtyas, N. A. 2004. Pendugaan Kadar Air, Karbohidrat, Protein, Lemak, dan Amilosa pada Beras (Oriza sativa L.) dengan Teknologi Near Infrared. Skripsi. IPB : Bogor.
68
Lammertyn, J., Nicola, B., Ooms, K., De Smedt, V., De Baerdemaeker, J. 1998. Non-Destructive Measurement of Acidity, Soluble Solids, and Firmness of Jonagold Apples using NIRS. Trans. ASAE 41, 1089-1094. Marthaningtiyas, S. 2005. Pendugaan Total Padatan Terlarut dan Kadar Asam Belimbing (Averrhoa carambola L.) dengan Teknik Near Infrared dan Jaringan Syaraf Tiruan. Skripsi. IPB : Bogor. Miller, B. K., Michael, J. D. 1990. Spectral Analysis of Peach Surface Defect. American Society of Agricultural Engineers. No. 90-6040. June 24-27. 1990 Colombus : Ohio. Miller, J. C. dan Miller J. N. 2000. Statistic and Chemometrics for Analytical Chemistry. Eds ke-4. Harlow: Pearson Aducation. Mitamala, D. 2003. Pendugaan Kadar Air, Karbohidrat, Protein, dan Lemak Tepung Jagung (Zea mays L.) dengan Teknologi Near Infrared. Skripsi. IPB : Bogor. Mittelbach, M., P. Tritthart dan H. Junek. 1985. Diesel Fuel Derived from Vegetable Oils, II: Emission Tests Using Rape Oil Methyl Ester. Energy Agriculture. 4:207-215. Mohsenin, N. M. 1984. Electromagnetic Radiation Properties of Food and Agricultural Products. Gordon dan Breach Science Publisher : New York. Munawar, A. A. 2002. Pendugaan Kadar Gula dan Kekerasan Buah Belimbing Manis dengan Teknologi NIR. Skripsi. IPB : Bogor. Murniasih, D. 2009. Kajian Proses Produksi Biodiesel dari Minyak Biji Nyamplung (Calophyllum inphyllum L.). Skripsi. IPB : Bogor. Norris, K. H., and Hart, J. R. 1962. Direct Spectrophotometric Determination of Moisture Content of Grain and Seeds, in Principal Methods Measuring Moisture Content in Liquids and Solids. Reinhalt. New York 4 : 19-25. Osborne, B. G. T. Fearn, and P. H. Hindle. 1993. Partial NIRS, with Applications in Food and Beverage Analysis. 2nd Eds. Longman Scientific and Technical : United Kingdom. Peraturan Presiden. 2006. Peraturan Presiden no. 5 tahun 2006 tentang Kebijakan Energi Nasional. http://www.perputakaan.bappenas.go.id (12 Juli 2011, Pukul 17.03 WIB). Quddus, Atitul. 2006. Penentuan Kandungan Energi Bruto Tepung Ikan untuk Bahan Pakan Ternak Menggunakan Teknologi NIR. Skripsi. IPB : Bogor. Ratnaningsih. 2004. Faktor-Faktor yang Berpengaruh Terhadap Mutu Lulusan SMAN di DKI Jakarta dengan Metode Partial Least Squares (PLS). Tesis. IPB : Bogor. Rochimawati, Nur R. 2004 Pengkajian NIR dalam Menentukan Mutu Tepung Jagung (Zea mays L.) secara Cepat dan Stimulan. Skripsi. IPB : Bogor. Rosita. 2001. Prediksi Mutu Buah Duku dengan Metode NIR. Skripsi. IPB. Bogor. Rumahorbo, Regina. 2004. Pereduksi Data Keluaran Spektrometer NIR. Skripsi. IPB : Bogor. Saragih, M. A. 2007. Metode Analisis Simultan Natrium Benzoat dan Kalium Sorbat Menggunakan Kombinasi Spektrofotometri dan Kalibrasi Multivariatif. Skripsi. IPB : Bogor. Soerawidjaja, T.H. 2005. Biodiesel dan Bioetanol serta Penelitian dan Pengembangannya di ITB. ITB : Bandung.
69
Sugiana, T. L. 1995. Deteksi Kememaran pada Buah Apel (Malus sylvestris M.) dengan NIRS. Skripsi. IPB : Bogor. Sumiarso, L. 2001. Indonesia Policy in Renewable Energy Development. Proceeding of the International Biodiesel Workshop, Enchanching Biodiesel Development and Use. Ministry of Agriculture RI. Jakarta. Medan, 2-4 Oktober 2001. Susilowati, R. 2007. Pendugaan Parameter Mutu Buah Pepaya (Carica papaya L.) dengan Metode NIR selama Penyimpanan dan Pemeraman. Skripsi. IPB : Bogor. Tempesta, Michael, S. 1993. Proanthocyanidin Polymers Having Antiviral Activity and Methods of Obtaining Same. New York: Mac Milan. Veronika, S. 2003. Sepuluh Tanaman Berkhasiat Memulihkan Rambut Rontok. Jakarta: Media G. Victor. 1996. Pengelompokkan Buah Apel (Malus sylvestris M.) Varietas Manalagi Berdasarkan Kememaran dengan Sistem NIR. Skripsi. IPB : Bogor. Walpole, R. E. 1995. Pengantar Statistika Edisi Ke-3. PT. Gramedia : Jakarta. Widiyantini, S. 2007. Analisis Kadar Amilosa dan Amilopektin dalam Sampel Tepung Tapioka secara Spektrofotometri dan Titrimetri. Laporan Praktek Lapangan. IPB : Bogor. Williams, P. C. 1987. Variable Affecting NIRS Analysis in NIR Technology in the Agriculture and Food Industries. Ed. By Williams, P. dan Norris, K.). Am. Soc. Of Cereal Che,ists Inc., St. Paul, Minnesota, USA. P 143-167. Wibowo, S. 2009. Karakteristik Arang Aktif Tempurung Biji Nyamplung (Calophyllum inphyllum L.) dan Aplikasinya Sebagai Adsorben Minyak Nyamplung. Skripsi. IPB : Bogor. Wulandari, S. P. 2000. Analisis Hubungan Antara Peubah Ekonomi dengan Kesejahteraan Menggunakan Metode PLS (Partial Least Squares). Tesis. IPB : Bogor Yogaswara, M. 2005. Aplikasi Teknik NIR dan Jaringan Syaraf Tiruan untuk Pendugaan Kadar Air dan Protein Kedelai (Glycine max (L) M.). Skripsi. IPB : Bogor.
70
LAMPIRAN
Lampiran 1. Data hasil kimia analisis laboratorium sampel biji nyamplung
Sampel
Kadar Air (% bb)
Kadar Air (% bk)
Kadar Lemak (% bb)
Kadar Lemak (% bk)
Bilangan Asam (% bb)
Bilangan Asam (% bk)
nyp_1 nyp_2 nyp_3 nyp_4 nyp_5 nyp_6 nyp_7 nyp_8 nyp_9 nyp_10 nyp_11 nyp_12 nyp_13 nyp_14 nyp_15 nyp_16 nyp_17 nyp_18 nyp_19 nyp_20 nyp_21 nyp_22 nyp_23 nyp_24 nyp_25 nyp_26 nyp_27 nyp_28 nyp_29 nyp_30 nyp_31 nyp_32 nyp_33 nyp_34 nyp_35 nyp_36 nyp_37
38.52 37.02 36.19 30.40 29.96 36.18 35.55 27.93 36.69 31.74 42.59 35.63 39.01 32.28 30.16 36.22 43.20 43.67 31.87 31.87 37.49 34.99 40.03 32.48 38.81 32.43 36.66 28.72 37.90 35.06 31.56 36.50 33.87 33.16 36.08 43.14 39.85
62.65 58.78 56.71 43.62 42.78 56.70 55.15 38.76 57.96 46.51 74.18 55.36 63.95 47.66 43.18 56.79 76.06 77.51 46.77 46.77 59.98 53.81 66.76 48.11 63.41 47.99 57.87 40.29 61.02 53.99 46.11 57.47 51.22 49.61 56.44 75.85 66.26
57.76 55.69 58.07 61.18 59.23 60.24 62.61 56.74 56.35 57.12 55.17 61.87 54.99 68.45 50.79 63.22 51.26 55.57 69.14 57.44 63.65 61.43 64.88 59.33 68.66 52.36 56.42 57.29 58.65 62.38 57.19 67.22 58.13 59.29 61.11 64.75 65.27
36.61 35.77 36.74 37.96 37.20 37.59 38.50 36.20 36.04 36.35 35.55 38.22 35.48 40.64 33.68 38.73 33.89 35.72 40.88 36.48 38.89 38.05 39.35 37.24 40.71 34.37 36.07 36.42 36.97 38.42 36.38 40.20 36.76 37.22 37.93 39.30 39.49
29.52 28.72 30.43 30.21 28.72 29.32 28.56 28.97 29.36 29.44 29.21 29.51 29.22 29.16 29.22 29.49 29.18 29.57 29.44 29.71 30.53 29.59 29.66 29.46 29.49 29.19 29.25 29.37 29.57 29.61 29.70 29.67 29.07 29.56 29.79 29.27 29.20
41.88 40.29 43.74 43.29 40.29 41.49 39.98 40.78 41.56 41.73 41.27 41.86 41.29 41.16 41.28 41.83 41.20 41.98 41.72 42.26 43.95 42.02 42.16 41.77 41.83 41.23 41.34 41.59 41.99 42.07 42.24 42.19 40.98 41.96 42.42 41.38 41.24
Kadar Asam Lemak Bebas (% bb) 19.05 17.39 17.95 18.27 16.80 19.05 17.52 17.96 17.80 18.34 19.19 17.97 18.77 17.81 17.51 17.34 17.88 18.41 17.28 17.97 18.27 18.46 17.87 19.21 18.88 18.98 18.54 18.61 17.41 19.22 18.05 17.76 18.20 19.00 18.62 17.89 18.46
Kadar Asam Lemak Bebas (% bk) 23.53 21.05 21.88 22.35 20.19 23.53 21.24 21.89 21.65 22.46 23.75 21.90 23.11 21.67 21.23 20.98 21.78 22.57 20.89 21.91 22.35 22.64 21.76 23.78 23.27 23.42 22.76 22.86 21.08 23.79 22.03 21.59 22.25 23.46 22.88 21.79 22.64
72
Lanjutan
41.93
Kadar Asam Lemak Bebas (% bb) 18.90
Kadar Asam Lemak Bebas (% bk) 23.31
29.47
41.79
17.86
21.74
29.57
41.98
18.09
22.09
34.92
29.49
41.83
18.67
22.95
54.23
35.16
29.56
41.96
19.14
23.67
52.90
59.68
37.37
29.07
40.99
19.26
23.86
68.46
64.45
39.19
29.64
42.12
19.17
23.71
33.42
50.20
62.46
38.45
29.59
42.02
18.07
22.05
nyp_46
34.29
52.17
71.92
41.83
29.36
41.56
17.82
21.69
nyp_47
37.65
60.37
67.31
40.23
29.68
42.21
19.00
23.46
nyp_48
37.96
61.20
69.21
40.90
29.63
42.11
19.37
24.03
nyp_49
30.92
44.77
57.22
36.39
29.52
41.88
19.43
24.12
nyp_50
38.79
63.38
58.95
37.09
29.75
42.34
19.26
23.86
nyp_51
28.19
39.25
66.84
40.06
29.82
42.49
18.47
22.65
nyp_52
38.47
62.52
65.64
39.63
29.20
41.25
19.02
23.48
nyp_53
35.69
55.50
70.15
41.23
29.61
42.06
18.53
22.75
nyp_54
35.00
53.83
68.65
40.71
29.55
41.94
17.54
21.27
nyp_55
28.38
39.63
62.86
38.60
29.02
40.89
19.19
23.74
nyp_56
42.05
72.55
63.72
38.92
29.56
41.96
18.21
22.26
nyp_57
36.56
57.63
60.48
37.69
29.75
42.35
17.69
21.49
nyp_58
32.70
48.58
69.12
40.87
29.32
41.49
19.19
23.74
nyp_59
42.33
73.39
59.75
37.40
29.89
42.64
18.89
23.29
nyp_60
33.42
50.18
60.77
37.80
29.22
41.28
19.02
23.48
nyp_61
38.58
62.81
63.86
38.97
29.92
42.69
17.88
21.78
nyp_62
37.02
58.77
62.88
38.61
29.32
41.49
18.32
22.43
nyp_63
41.90
72.13
68.28
40.58
28.95
40.75
18.60
22.85
nyp_64
40.68
68.56
66.34
39.88
30.05
42.96
18.88
23.27
nyp_65
36.73
58.04
67.29
40.22
29.37
41.58
18.86
23.24
nyp_66
47.38
90.05
58.29
36.82
29.60
42.05
18.43
22.59
nyp_67
39.26
64.62
63.57
38.86
29.33
41.50
18.02
21.98
nyp_68
40.22
67.27
57.77
36.62
29.55
41.94
18.59
22.83
nyp_69
35.19
54.30
63.43
38.81
29.87
42.59
18.07
22.06
nyp_70
42.11
72.75
60.66
37.76
29.20
41.25
17.59
21.35
Sampel
Kadar Air (% bb)
Kadar Air (% bk)
Kadar Lemak (% bb)
Kadar Lemak (% bk)
Bilangan Asam (% bb)
Bilangan Asam (% bk)
nyp_38
37.74
60.62
52.78
34.55
29.54
nyp_39
38.20
61.81
61.98
38.26
nyp_40
39.50
65.30
58.33
36.84
nyp_41
29.43
41.70
53.66
nyp_42
37.05
58.85
nyp_43
34.60
nyp_44
40.64
nyp_45
73
Lampiran 2 Contoh output program NIRCal 5 (Software bawaan dari NIRFlex Tipe N-500 Merk BUCHI) pada pendugaan kadar lemak biji nyamplung dengan data reflektan dengan metode partial least square (PLS).
Calibration Protocol
User Date/Time Software Project File Name Project Comment Project GUID Calibration Name Calibration Comment Calibration GUID Calibration Version
Administrator 5/25/2011 10:47:31 AM NIRCal V5.2 (Build 3000) biji_nyamplung
Properties in Project Properties in Calibration Set
Fat, Moisture, FFA, Bilangan Asam. (total 4/4) Fat. (total 1/4)
Spectra in Project Spectra in Calibration Set Spectra in Validation Set Spectra in Calibration Set
210 141 69 1-6, 10-15, 19-24, 28-33, 37-42, 46-51, 55-60, 64-69, 73-78, 82-87, 91-96, 100-105, 109-114, 118-123, 127-132, 136-141, 145-150, 154-159, 163-168, 172-177,181-186, 190-195, 199-204, 208-210. (total 141/210) 7-9, 16-18, 25-27, 34-36, 43-45, 52-54, 61-63, 70-72, 79-81, 88-90, 97-99, 106-108, 115-117, 124-126, 133-135, 142-144, 151-153, 160-162, 169-171, 178-180,187-189, 196-198, 205-207. (total 69/210) nothing selected. (total 0/210) Validation Set
Spectra in Validation Set
Spectra unused (U-Set) Validation Method C-Set Spectra Instrument type / serial y-Unit / Measurements / Scans V-Set Spectra Instrument type / serial y-Unit / Measurements / Scans Spectra Resolution Spectra y-Unit
{8000ECED-AE63-4A51-925E-F89C4EA34EAE} Fat {4FC7A5DD-AC67-4D62-BFEE-E0E599D1BB79} 0
NIRFlex N500 / 1000037550 Reflectance / 1 / 8 NIRFlex N500 / 1000037550 Reflectance / 1 / 8 4 1/cm Reflectance
Wavelengths Project Set Wavelengths Calibration Set Number of Data Pretreatments Data Pretreatment Sequence (short form) Data Pretreatment Sequence (detailed) Method Max Iterations Mean Centering Number of Primary PCs Secondary/Calibration PCs Blow Up Parameter Residual Blow Up Score Blow Up Max C-Set Spectra Residual Max Allowed Residual for Calibration
4000-10000. (total 1501/1501) 4000-10000. (total 1501/1501) 1 sa3 1. Smooth Average 3 Points PLS 3000 yes 15 4. (total 4/15)
Q-Value V5 Validation Method C-Set Residual too big V-Set Residual too big Num Properties Rel. Consistency Weighted BIAS
0.93738 Validation Set 0 0 1 0.405714 0.0334435
2 1.05 0.000393815 0.000787629
74
Lanjutan Validity Comparability Precision Weighted Accuracy
0.632955 0.311405 0.247978 1.142
Property Statistics C-Set BIAS V-Set BIAS C-Set SEE (SEC) V-Set SEE (SEP) Consistency C-Set Regression Coefficient V-Set Regression Coefficient C-Set Regression Intercept V-Set Regression Intercept C-Set Regression Slope V-Set Regression Slope C-Set Orig. min V-Set Orig. min C-Set Orig. max V-Set Orig. max C-Set Orig. mean V-Set Orig. mean C-Set Orig. sdev V-Set Orig. sdev C-Set Pred. min V-Set Pred. min C-Set Pred. max V-Set Pred. max C-Set Pred. mean V-Set Pred. mean C-Set Pred. sdev V-Set Pred. sdev C-Set RSS V-Set RSS C-Set Durbin-Watson C-Set Durbin-Watson in range 1.5 to 2.5 V-Set Durbin-Watson V-Set Durbin-Watson in range 1.5 to 2.5 C-Set Resid. Min V-Set Resid. Min C-Set Resid. Max V-Set Resid. max V-Set t-value V-Set t-Test(n-1,2-tail) Confidence [%] C-Set n V-Set n
Fat [%] 0 -0.706662 0.43887 0.23978 65.63 0.67845 0.367045 33.284 49.0031 0.460294 0.199185 50.79 51.26 71.92 70.15 61.6706 60.3091 0.68098 0.53515 52.1338 53.9625 69.8629 67.6987 61.6706 61.0158 3.17581 3.00377 1655.61 1901.42 0.999277 No 0.759229 No -9.64517 -10.743 9.15043 11.8848 1.12027 73.3461 141 69
Validation for Property Spectrum Name
C-Set Spectra Fat [%] No.
Orig
Pred
Orig Pred
Residual
Residual too big
NYP_1
1
60.66
61.69
-1.0327
0.0002
{D71E0E84-F95C-44E0-B1CB-48DF1D9FA03C}
NYP_1
2
60.66
62.06
-1.3985
0.0002
{93B12457-2F0E-40CC-BAB2-6CF8A6043FBF}
NYP_1
3
60.66
60.51
0.154
0.0002
{E9A4F168-1385-4C5A-841F-EA93537CB453}
NYP_2
4
63.43
65
-1.573
0.0002
{D69A3A05-5EBE-4812-AC9B-DF34E49AFC5B}
NYP_2
5
63.43
64.04
-0.61
0.0002
{76A85B48-C9FD-422D-82BA-BC0605365627}
NYP_2
6
63.43
64.82
-1.3917
0.0001
{3E8CA516-1E66-4466-874D-7728F920291F}
NYP_4
10
63.57
63.87
-0.2951
0.0002
{70D0FF51-E07F-4E47-B1B9-2B11102C02D0}
Spectrum GUID
75
Lanjutan NYP_4
11
63.57
64.11
-0.5367
0.0002
{01ABE7EB-360F-49B1-9CAB-E1D90F5616E6}
NYP_4
12
63.57
61.97
1.60403
0.0002
{3F08F149-6BA7-44D5-B161-CA3380CDBFAB}
NYP_5
13
58.29
61.06
-2.7663
0.0002
{0FBDBE1A-76E9-4EAA-AC01-E29F29F32E49}
NYP_5
14
58.29
65.68
-7.3854
0.0001
{58E56479-1DC1-4854-814C-C896A2BCCFDD}
NYP_7
19
66.34
65.7
0.64338
0.0002
{7BA124AA-E158-4596-9686-B2723DA0EF23}
NYP_7
20
66.34
66.2
0.14361
0.0002
{3029D3EC-3663-448D-A79C-3E8BB3E642D5}
NYP_7
21
66.34
66.8
-0.4648
0.0001
{6CEEFB0F-388F-4903-951A-74CDFF5291DE}
NYP_8
22
68.28
64.35
3.93227
0.0003
{39DF823D-BF0E-4CD7-8FAE-78287BB86933}
NYP_8
23
68.28
65.21
3.0702
0.0001
{6C189F3C-0F56-4FB4-9761-EB7ED3EB6361}
NYP_8
24
68.28
65.11
3.16964
0.0001
{156F4FDC-C3CD-41A7-91DB-138F53D28456}
NYP_10
28
63.86
64.14
-0.2772
0.0001
{530989A2-549E-42C9-BD2E-8826B78914F6}
NYP_10
29
63.86
62.21
1.64776
0.0002
{1BC21168-75CF-4235-BEED-6117B8741055}
NYP_10
30
63.86
60.1
3.76119
0.0002
{E2A4B4A8-3320-4AF4-8E15-43F707871204}
NYP_11
31
60.77
62.68
-1.9109
0.0002
{14D49DAF-16BD-4216-A1BD-B7893F20DC6A}
NYP_11
32
60.77
62.64
-1.8692
0.0002
{6F549148-7367-4F84-B088-52527FC85D0D}
NYP_11
33
60.77
62.99
-2.2212
0.0001
{E00F322E-3D74-41A5-BBBD-43FD47733437}
NYP_13
37
69.12
67.26
1.86266
0.0002
{D27C75BC-9F9A-40AB-AA24-171E7EE29588}
NYP_13
38
69.12
63.85
5.26809
0.0002
{DC2E6AFC-BECB-445C-92F5-A75FFB74143A}
NYP_13
39
69.12
64.79
4.33487
0.0001
{BCA9C08A-2BA5-40A7-9264-20FEE178B8D8}
NYP_14
40
60.48
62.56
-2.0794
0.0001
{ABAD8328-93B1-439E-80B6-55B7D4F0D264}
NYP_14
41
60.48
61.54
-1.0633
0.0002
{8DBEBE3A-E757-4876-BB36-267C2846DFD7}
NYP_14
42
60.48
61.44
-0.9619
0.0002
{3D3A6D42-5025-451F-BD55-62AC99A9664F}
NYP_16
46
62.86
65.79
-2.9347
0.0002
{A59EE44A-743D-4454-9F35-8F65006ABBC3}
NYP_16
47
62.86
65.36
-2.5013
0.0002
{1FCDDB96-C151-4B09-9372-7861830A1992}
NYP_16
48
62.86
67.01
-4.1498
0.0002
{ACFE006F-C954-4253-B3B9-C22513431410}
NYP_17
49
68.65
64.1
4.54952
0.0001
{128B8EA7-04C6-4887-BB1F-A2450D5E4B19}
NYP_17
50
68.65
69.59
-0.9439
0.0002
{84C385A6-9C01-4391-835B-EBFB1B72E27D}
NYP_17
51
68.65
66.87
1.7755
0.0002
{CB5E1B99-9C75-41CF-9B13-DB4FD1E12248}
NYP_19
55
65.64
66.61
-0.9673
0.0003
{AD51CC9B-B5E4-4418-88B3-E97FB8448314}
NYP_19
56
65.64
64.86
0.77917
0.0001
{900D39F9-A6FF-45CE-91DF-12ECE3BBE468}
NYP_19
57
65.64
63.93
1.70862
0.0001
{ED47160E-746C-4009-8228-3FADF286F972}
NYP_20
58
68.84
68.19
0.65124
0.0001
{7C1A3247-BA80-4EC0-A41F-FDE0FC130003}
NYP_20
59
68.84
67.84
0.99533
0.0001
{7417CC3F-5E2C-4C32-8B73-4B6A195AA7D1}
NYP_20
60
68.84
68.04
0.80329
0.0001
{6F067945-26EA-4F27-96D5-1BE2D01CD0AF}
NYP_22
64
57.22
66.87
-9.6452
0.0002
{FEAFE62B-7853-4DDE-A8EA-B9803A353B96}
NYP_22
65
57.22
61.91
-4.6861
0.0001
{7EF62F0F-AF30-4BCC-B9AC-07C8A84F95C9}
NYP_22
66
57.22
61.39
-4.1676
0.0002
{C669AE33-B0D7-4375-A3AC-6C6008D90E22}
NYP_23
67
69.21
64.96
4.25121
0.0001
{8AE0E20E-2699-457F-A372-A40AD7D6E2AE}
NYP_23
68
69.21
66.78
2.42675
0.0002
{AE925B81-4C40-428C-9E2A-0AE7B6E4C301}
NYP_23
69
69.21
65.18
4.02728
0.0004
{F17D7FD7-FD21-485D-8825-D3EBDEE44EE8}
NYP_25
73
71.92
65.29
6.62898
0.0001
{4DFF2C94-58B4-4611-AE92-F1E46627930B}
NYP_25
74
71.92
63.73
8.18575
0.0001
{FD95BDDA-AC47-419A-9C33-C10F230CF5C6}
NYP_25
75
71.92
69.86
2.0571
0.0002
{B6D09259-A346-4D65-BFA0-BCC860C76E72}
NYP_26
76
62.46
61.69
0.77142
0.0002
{3A0B29FC-6334-4903-B5D6-CE185C4E2C40}
NYP_26
77
62.46
59.65
2.81474
0.0001
{97FF6E22-E027-43C5-85CC-92A12DB1CE4F}
NYP_26
78
62.46
60.98
1.47534
0.0001
{3EEB9787-A6D6-4DD0-ACFA-182BB6475883}
NYP_28
82
59.68
57.76
1.92318
0.0001
{9779DD99-D7B6-497F-B3CF-9B04FE1C47DE}
76
Lanjutan NYP_28
83
59.68
60.8
-1.1238
0.0001
{9A700B95-7598-4E99-9C5B-FC5EA8CF2F61}
NYP_28
84
59.68
61.16
-1.481
0.0002
{75282B37-577C-4556-8021-DCC945DED087}
NYP_29
85
54.23
54.86
-0.6288
0.0002
{84827AB1-0295-48B8-9387-BD5B6A951AB1}
NYP_29
86
54.23
55.22
-0.9869
0.0002
{59453315-E49D-4EA8-AE08-66DF64829935}
NYP_29
87
54.23
56.27
-2.0437
0.0002
{8CCAE753-AEF1-4A0A-A426-E4C89B6A6A80}
NYP_31
91
58.33
58.53
-0.1979
0.0002
{36ECC13C-EABC-4492-9959-F0074D2EAA62}
NYP_31
92
58.33
58.67
-0.3438
0.0002
{8206E091-C2EE-4787-9CA7-753DBE89127F}
NYP_31
93
58.33
59.81
-1.476
0.0002
{57EEAF6D-C49A-4209-8C6D-895387C20EBC}
NYP_32
94
61.98
59.73
2.25063
0.0001
{C950C555-213F-4822-9A79-7D2E9765BB66}
NYP_32
95
61.98
60.23
1.74758
0.0002
{D3821FE9-8E4D-4CB4-892F-0ADE1FD866E8}
NYP_32
96
61.98
61.87
0.11341
0.0001
{7FB521E0-EC1E-44C9-A851-6D75643F8A34}
NYP_34
100
65.27
60.88
4.38734
0.0002
{5603E7E0-F532-4BC2-B9FF-1D697424535D}
NYP_34
101
65.27
63.21
2.06426
0.0001
{B061E6BB-B112-47B7-A422-6CCBC59AC80A}
NYP_34
102
65.27
59.89
5.37546
0.0001
{E4E14BFA-5BB7-4CD0-9F2C-25F7292BBCB7}
NYP_35
103
64.75
62.47
2.27586
0.0001
{1BCB571A-037F-4328-9197-3E369DBDD833}
NYP_35
104
64.75
58.28
6.46863
0.0002
{5BE4908E-0A53-4B56-8A2D-F4F4813E0D8E}
NYP_35
105
64.75
61.67
3.07893
0.0002
{EB6ADB01-B2FB-4515-BD65-3AD561C8E7AD}
NYP_37
109
59.29
62.09
-2.8038
0.0002
{F5EA2479-1BB3-4C42-827B-619E742775FE}
NYP_37
110
59.29
58.38
0.9079
0.0002
{DBE1CD5C-0BF6-45CB-A7F6-102A5DCF077E}
NYP_37
111
59.29
59.34
-0.0457
0.0001
{0F4CF7A6-F4D1-4BE8-8613-3CD76C799C58}
NYP_38
112
58.13
59.34
-1.2122
0.0001
{2D949F05-E4D7-40AA-ADD0-69ED2F37DB50}
NYP_38
113
58.13
59.72
-1.5863
0.0002
{C88C6784-2DB3-4234-952E-61E226664906}
NYP_38
114
58.13
62.42
-4.2863
0.0002
{1402392F-DF61-4627-BEFE-685675B7D2E5}
NYP_40
118
57.19
60.15
-2.9556
0.0001
{22E7CAE5-5F85-41EF-95EF-DEFE8525F144}
NYP_40
119
57.19
56.97
0.22178
0.0002
{4C17D7B4-31A6-4310-97B8-228B0452A5DA}
NYP_40
120
57.19
60.86
-3.6717
0.0001
{2E771FFE-BE15-473E-8FFB-D7762586A48D}
NYP_41
121
62.38
59.1
3.2817
0.0001
{5BCD507B-FF14-4450-8B82-630BBCE940F1}
NYP_41
122
62.38
59.49
2.88594
0.0002
{9240D01D-8A86-448A-858E-740D997277BB}
NYP_41
123
62.38
58.38
3.99544
0.0001
{8E3E5451-0175-4786-96D9-9D7BBD6720C6}
NYP_43
127
57.29
59.14
-1.8478
0.0002
{58520BE8-CA98-4EEA-98B5-BA7EF1664CFC}
NYP_43
128
57.29
60.07
-2.779
0.0001
{5C3F88FF-2D20-4924-B936-502F5D11C2E8}
NYP_43
129
57.29
60.28
-2.9868
0.0001
{6DE48025-3E0E-4329-BED0-AFCBB5170E19}
NYP_44
130
56.42
58.47
-2.047
0.0002
{C1D100B4-84E1-4AAE-B6F6-412E2D354A85}
NYP_44
131
56.42
60.27
-3.8549
0.0002
{CDC30A7E-408D-4125-8A5F-ECD87EEB8F2A}
NYP_44
132
56.42
60.13
-3.7134
0.0001
{9396B31F-628D-4F8E-9759-1890E0CE3447}
NYP_46
136
68.66
64.58
4.07741
0.0002
{E3298919-9710-4438-A464-9C108C384FBE}
NYP_46
137
68.66
67.33
1.32598
0.0002
{CBF10893-6602-41EA-BE5A-BE0CB89F0C4D}
NYP_46
138
68.66
59.51
9.15043
0.0001
{1A8F0D83-93C1-4174-BE57-8F6327657A0F}
NYP_47
139
59.33
60.49
-1.1648
0.0003
{0D958618-D729-4517-B8AB-6FC89365682A}
NYP_47
140
59.33
58.51
0.82122
0.0002
{14975239-663B-4309-A069-5232D3090A88}
NYP_47
141
59.33
57.88
1.45107
0.0001
{D571B308-D372-4711-AE9D-AF64B04277CE}
NYP_49
145
61.43
57.65
3.78317
0.0002
{30D5AF82-035E-4D97-9278-56E54939E530}
NYP_49
146
61.43
61.34
0.09251
0.0002
{7ED7D518-0927-49E8-B754-C4BF1A12F8E6}
NYP_49
147
61.43
61.42
0.01225
0.0001
{70F65597-0469-4E0C-A551-379BFCA915A4}
NYP_50
148
63.65
65.15
-1.4996
0.0002
{8D6C6E46-D7BF-4C29-B05F-24509252BC9E}
NYP_50
149
63.65
62.4
1.25088
0.0002
{B0205490-946F-4F53-89CD-1EAA4C08E65E}
NYP_50
150
63.65
63.23
0.42376
0.0002
{E1C4E4D5-5EAA-4E47-83BD-3FBA9F983744}
77
Lanjutan NYP_52
154
69.14
64.93
4.21224
0.0001
{F35FE515-AA31-4BAE-86AF-2443997B843A}
NYP_52
155
69.14
63.21
5.92923
0.0003
{067A194E-F402-4C47-89A4-7AE2BDD4360E}
NYP_52
156
69.14
64.37
4.7703
0.0002
{8CAE5211-186F-41E4-A2D3-535A56584BC8}
NYP_53
157
55.57
59.04
-3.4694
0.0001
{8A5F8A6F-B230-4E55-8BAA-1C029593EA33}
NYP_53
158
55.57
58.88
-3.3071
0.0002
{D3C65097-7DC5-4154-803D-167D9E6AE9C3}
NYP_53
159
55.57
59.02
-3.4488
0.0002
{8A76EE40-DBA7-4EA0-A18A-FE0A4A3671B6}
NYP_55
163
63.22
57.14
6.07736
0.0002
{E4E313FF-CCD9-42D2-803E-A0FD5E5E8B72}
NYP_55
164
63.22
62.73
0.48888
0.0001
{8546CC26-2764-4C33-9C15-5A47D498933C}
NYP_55
165
63.22
58.76
4.46378
0.0002
{66E2596A-99C3-42E4-B445-20CDF24AEDB3}
NYP_56
166
50.79
60.17
-9.3782
0.0001
{E48E3FA6-47F0-4A7B-B49F-132DA15A05C8}
NYP_56
167
50.79
57.3
-6.5085
0.0001
{E320BFF8-B0A2-4066-942F-EB7A9E71D9BC}
NYP_56
168
50.79
59.64
-8.85
0.0001
{355203FC-7C37-45A9-B62D-CD2B8E7E8623}
NYP_58
172
54.99
60.54
-5.546
0.0001
{FC4874D6-E02A-4E2A-A4B2-37F036CFF98A}
NYP_58
173
54.99
62.64
-7.6521
0.0002
{F590F193-97A8-4DE1-BF39-C318F8A9CD79}
NYP_58
174
54.99
59.7
-4.7073
0.0001
{CB848EEE-3D51-4C8B-8F2F-A84E75AFC4DE}
NYP_59
175
61.87
61.52
0.34681
8.54E-05
{855386FF-6697-47D0-9B75-A19734DD8E85}
NYP_59
176
61.87
58.74
3.13096
0.0002
{6DF06691-A12F-4967-935A-4F611472C68F}
NYP_59
177
61.87
59.07
2.80125
0.0001
{DA5CD394-8C1D-4833-A80A-6271A138413A}
NYP_61
181
57.12
59.19
-2.0715
0.0002
{A2015CC8-5B97-4C5C-A726-940FE73EA30E}
NYP_61
182
57.12
59.97
-2.8494
0.0002
{3786FD6C-C0A1-4691-BD99-3CEA78337809}
NYP_61
183
57.12
61.86
-4.7402
0.0001
{EA4997DD-44D1-4A69-ABB3-A2AE84D7266E}
NYP_62
184
56.35
57.22
-0.8718
0.0001
{7E33935F-1D73-40FE-B316-5EF6AC89408D}
NYP_62
185
56.35
63.47
-7.1198
0.0001
{492BB056-E1A1-4D8C-A4DA-0C8B5F67AAB7}
NYP_62
186
56.35
59.25
-2.8955
0.0002
{D310E4A3-6307-45CE-9F25-E9C268630CB1}
NYP_64
190
62.61
60.66
1.94683
0.0001
{1DAFBE93-079A-4DAF-83A9-0FFB953CB526}
NYP_64
191
62.61
61.17
1.4378
0.0001
{2B71A4B9-12C5-48B9-B630-83322108958A}
NYP_64
192
62.61
61.2
1.41295
0.0001
{E895336C-65BC-4382-9960-5C428358E029}
NYP_65
193
60.24
61.79
-1.5506
0.0001
{41010C13-DF56-4000-A664-FC14DA130726}
NYP_65
194
60.24
61.15
-0.9113
0.0001
{F8CEC7BF-8AF9-4C76-A179-624BB7A7FFBA}
NYP_65
195
60.24
62.27
-2.0325
0.0002
{A2D0F710-B47B-428F-904A-B021C5F9D2F8}
NYP_67
199
61.18
57.71
3.47359
0.0002
{C5F5AB13-FF07-439F-A8AD-5DACA3DC4F39}
NYP_67
200
61.18
58.53
2.65263
0.0001
{C4C4A161-5AA1-4281-9CF6-A4853BBCB8BF}
NYP_67
201
61.18
59.24
1.93597
0.0001
{0B1AE971-C93C-48B4-912F-5FCA4D705A7A}
NYP_68
202
58.07
52.13
5.93622
0.0002
{A13EE07B-C6F0-4ED6-919F-2EF121CD0654}
NYP_68
203
58.07
58.48
-0.4073
0.0001
{D2D83B8E-63ED-41C7-8D9C-EBBF49B5DE03}
NYP_68
204
58.07
57.13
0.93854
0.0001
{28828D5A-FAAB-44A0-A572-69EB96DF7F28}
NYP_70
208
57.76
59.01
-1.2457
0.0002
{6E12A89A-2AE6-4347-A2FE-ABBE9775840E}
NYP_70
209
57.76
58.56
-0.8045
0.0002
{B928E047-879F-43AB-8860-59B9118DFFAB}
NYP_70
210
57.76
58.71
-0.9486
0.0002
{3F3BE627-B776-4DBE-A527-DD7A0D9C7810}
Spectrum Name
No.
Orig
Pred
Orig Pred
Residual
Residual too big
Spectrum GUID
78
Lanjutan Validation for Property Spectrum Name
V-Set Spectra Fat [%] No.
Orig
Pred
Orig Pred
Residual
Residual too big
NYP_3
7
57.77
62.93
-5.1552
0.0002437
NYP_3
8
57.77
62.43
-4.6637
0.0001329
{28DB3E94-8D38-4382-BF26-D9E6682F3317}
NYP_3
9
57.77
64
-6.2288
0.0002931
{B427B4DA-A555-44DB-922F-4F64E9B3D3F0}
NYP_6
16
67.29
65.11
2.17963
0.0002101
{2AF2836C-7F6C-4045-A5CF-28976BADC0E8}
NYP_6
17
67.29
63.34
3.95216
0.0001737
{C9602502-3226-48B0-B35C-4EC381CE97B4}
NYP_6
18
67.29
63.57
3.71608
0.0001871
{D876F12F-CBAF-4EDE-A381-0A023840A14F}
NYP_9
25
62.88
64.89
-2.011
0.0001369
{B7D99293-088F-40FE-8939-F95652C15129}
NYP_9
26
62.88
64.9
-2.0206
0.0002354
{A6745BE0-B79E-4F14-903F-1BFB2C4DF421}
Spectrum GUID {D7ECFDC4-772E-4206-89DB-60DED3FE7C6B}
NYP_9
27
62.88
67.7
-4.8187
0.0001678
{8DC35559-8082-4882-B24B-0DF978680C5B}
NYP_12
34
59.75
62.83
-3.0766
0.0001578
{D2978DE4-785C-4704-9A56-B3EDC6261330}
NYP_12
35
59.75
63.73
-3.9781
0.0001619
{C37A8377-FB40-496A-ABC0-90EF14F82D75}
NYP_12
36
59.75
64.83
-5.0771
0.0001304
{038FBABF-6E23-4A27-8B31-85D779BD8F24}
NYP_15
43
63.72
63.17
0.55148
0.0001307
{E9DEA7A1-0C9B-4B7B-ACB4-E7B4396CB820}
NYP_15
44
63.72
63.99
-0.2712
0.0002132
{A7423E3B-7B10-451D-9218-017BC3EEA0C3}
NYP_15
45
63.72
62.91
0.80741
0.0001713
{98405007-D060-4A6A-B722-BDC5953634BB}
NYP_18
52
70.15
63.34
6.80523
0.0002744
{D5617D1D-1B5B-4CBF-B103-9E3C2498C986}
NYP_18
53
70.15
67.59
2.55881
0.0002828
{0F6B8F4F-9A7D-4C66-9CBC-5C43F7BC3F6E}
NYP_18
54
70.15
65.53
4.61712
0.0001603
{B4590BAF-C382-4A5B-A1BE-9E3E8D6B592C}
NYP_21
61
58.95
65.01
-6.062
0.0002368
{46D4480B-5BF0-40D5-A3BC-AC568C8A3C53}
NYP_21
62
58.95
66.47
-7.5202
0.0002114
{B2826C4F-632D-4E89-814A-DB4EBA66B866}
NYP_21
63
58.95
65.47
-6.5185
0.0001938
{ED1AD29C-6F95-4689-8508-CA49B81583CD}
NYP_24
70
67.31
63.68
3.62793
0.0001758
{E47B79DE-E206-45B2-B0A6-623C1367DD20}
NYP_24
71
67.31
62.11
5.20446
0.0004368
{D1F6891C-C5A2-489C-9228-24D641E9C320}
NYP_24
72
67.31
64.93
2.38168
0.0001847
{AE9E9216-E147-4871-AF72-9629FA7B4CBD}
NYP_27
79
64.65
58.26
6.38709
0.0001832
{FCF658D4-34D4-4B87-8B21-27CB52B8A4FF}
NYP_27
80
64.65
60.17
4.48423
0.0002166
{B9D10D21-83E5-4F03-B83A-951880AA2A60}
NYP_27
81
64.65
59.12
5.52871
0.0002161
{328A2D28-C6A2-4A4D-9896-4F64F52A3AD1}
NYP_30
88
53.66
57.87
-4.2135
0.0001441
{FEE3F540-70DA-4808-8DAD-E48D3F9763D8}
NYP_30
89
53.66
57.84
-4.1778
0.0001544
{F0A2C651-9866-415B-8A21-E2D80833B382}
NYP_30
90
53.66
59.89
-6.2307
0.0001557
{0D6730C3-F976-401E-B7CC-3C812624D926}
NYP_33
97
52.78
60.32
-7.5392
0.0002555
{CA83B17D-58B8-49E4-B381-3952A236891D}
NYP_33
98
52.78
59.99
-7.2097
0.0002153
{ECA47551-6C8D-406B-83AD-F00ADE65FAE9}
NYP_33
99
52.78
56.72
-3.9384
0.0002782
{08D96078-0D95-4E7F-9A57-EE86BFF03CFC}
NYP_36
106
61.11
61.2
-0.0863
0.0001056
{E8545EB6-843A-492D-930A-0A52C3C6AC3F}
NYP_36
107
61.11
59.7
1.40943
0.0002595
{D567CC06-AE2C-4168-93D4-BB1DADF2AED3}
NYP_36
108
61.11
58.2
2.90625
0.0001289
{B8E6E93D-D075-4FA8-93F6-77FA78D58568}
NYP_39
115
67.22
58.1
9.11724
0.0001339
{235FB62F-71E4-4887-A6B7-0216B4A09AC8}
NYP_39
116
67.22
61.3
5.91882
0.000161
{87D39C25-BE0F-4345-BE93-434FD6083426}
NYP_39
117
67.22
61.81
5.40934
0.0001894
{A488DEFE-1FD9-4007-A5AF-25FFD0C31463}
NYP_42
124
58.65
57.66
0.99406
0.0001617
{67C816ED-E1AB-4006-AC97-8F5ACC95CDCB}
NYP_42
125
58.65
53.96
4.68746
0.0001676
{31859CA4-54CB-48CD-BBE6-399350382D8B}
NYP_42
126
58.65
57.86
0.79294
0.0002176
{72FD6255-059E-4B45-9005-D1A32ADC5942}
79
Lanjutan NYP_45
133
52.36
59.19
-6.8341
0.000162
{D3BDF521-1764-43DE-948A-24F13CF509A2}
NYP_45
134
52.36
61.76
-9.3988
0.0001611
{29EA1A0A-E97E-4B1E-9318-9FE3B427876F}
NYP_45
135
52.36
59.11
-6.7459
0.0001451
{1D71ECA6-D615-44FE-BA17-9E2DAD766A0B}
NYP_48
142
64.88
61.69
3.18584
0.0001358
{4CDDB3F7-5390-42E0-91D2-1397E297D49B}
NYP_48
143
64.88
59.6
5.2785
0.0001678
{F58E36E3-D750-4909-BF03-3E7C1B3F7030}
NYP_48
144
64.88
59.97
4.9069
0.0002132
{A67FB198-6950-4E1E-9931-B5BBA518FED0}
NYP_51
151
57.44
60.64
-3.1991
0.0002738
{145CE200-AABB-47D7-B891-016F6FBDB17A}
NYP_51
152
57.44
61.36
-3.9177
0.0001287
{6261837F-9242-4DF2-86BC-61F6710D53EA}
NYP_51
153
57.44
62.47
-5.0314
0.0001486
{8D2F142E-34C2-4C11-B712-CEDABF85D747}
NYP_54
160
51.26
62
-10.743
0.0002088
{03B2393A-AB24-4CE5-B12D-CE0AA34879D7}
NYP_54
161
51.26
61.4
-10.138
0.0002079
{20A2D578-D6B0-490C-BFB7-384453E7AF36}
NYP_54
162
51.26
59.59
-8.3273
0.0002171
{04E4946E-2884-404C-8E41-09B19E2427F9}
NYP_57
169
68.45
56.57
11.8848
0.0002256
{F1004FF1-5C52-4869-9605-6FA393A73A08}
NYP_57
170
68.45
58.54
9.90987
0.0001955
{39A61D47-4106-428A-8674-CEFFF354A9E8}
NYP_57
171
68.45
61.57
6.87904
0.0001802
{2311AAE3-1BF2-4867-848D-28CE01DD5B47}
NYP_60
178
55.17
61.02
-5.8483
0.0001178
{14DBB155-A32B-4B22-9656-DBE3C111F9F3}
NYP_60
180
55.17
58.91
-3.7443
0.0001544
{C0F3A957-A87A-4D87-AAD8-274DF8EEC518}
NYP_63
187
56.74
60.11
-3.3697
0.0001457
{06B6C535-C92B-4753-B9BE-082C0367FEB8}
NYP_63
188
56.74
60.32
-3.5835
0.0001552
{57BC91CB-099E-43FE-AEEB-D45D5B4AB287}
NYP_63
189
56.74
58.26
-1.5182
0.000173
{0E749619-2AF0-42D9-B774-C24D94581A14}
NYP_66
196
59.23
58.34
0.88714
0.0002137
{CBC487C1-0EC4-4DB7-A03D-B56B8CDCE528}
NYP_66
197
59.23
57.39
1.83568
0.0001243
{D762FDA2-B06E-4427-9741-A7A40F45A5EB}
NYP_66
198
59.23
56.39
2.8446
0.0002481
{6B3E7E52-6A50-4037-BFAA-D92F24DF653D}
NYP_69
205
55.69
57.52
-1.834
0.0001869
{2ED34CBB-9FD1-4C94-8126-E7C4D997405C}
NYP_69
206
55.69
57.02
-1.3309
0.0001409
{4170E8ED-608F-4CBD-978C-1B36086C6E4C}
NYP_69
207
55.69
56.89
-1.1988
0.0001695
{D6E2B5A1-F3F6-4BC0-9445-E2AFEB17C468}
Spectrum Name
No.
Orig
Pred
Orig Pred
Residual
Residual too big
Spectrum GUID
__________________________________
80
Lampiran 3 Tampilan Software NIRFlex N-500 Merk BUCHI
(a). NIRWare Operator
(c). NIRCal 5 Calibration Toolbox
(b). NIRWare Management Console
(d). NIRCal 5 Overview Plots
81
Lampiran 4 Algoritma penghalusan rataan setiap 3 titik (Hanke and Wichern, 2005). Sebuah data array mentah (terganggu) [y1, y2, ..., yN] dapat dikonversi ke array data baru dengan penghalusan. Penghalusan titik-titik pada data (yk)s adalah rata-rata ganjil berturut-turut 2n +1 (n = 1, 2, 3, ...) titik-titik tersebut dari data mentah yk-n, yk-n +1 , ..., yk-1, yk, yk +1, ..., yk+n-1, yk+n, adalah : (15) Jumlah ganjil 2n+1 biasanyabernama lebar filter. Semakin besar lebar filter maka akan memberikan efek penghalusan yang lebih baik. Contoh dari perubahan array data mentah menjadi array data baru setelah penghalusan seperti pada grafik dibawah ini :
Pada grafik diatas, dapat kita lihat bahwa untuk titik data pertama, kedua, dan ketiga dijumlahkan lalu dirata-ratakan dan diposisikan untuk mengisi titik data tiga. Kemudian untuk titik data selanjutnya adalah titik data kedua, ketiga, dan keempat dijumlahkan lalu dirata-ratakan dan begitu seterusnya. Rasio sinyal terhadap gangguan dapat lebih ditingkatkan dengan meningkatkan lebar filter atau dengan menghaluskan data beberapa kali. Jelas setelah setiap lolos filter n pertama dan n terakhir yang hilang. Hasil dari teknik ini adalah seolah-olah mengesankan karena penyaringan yang berlebihan. Sebenarnya, informasi yang hilang dan/atau terdistorsi karena bobot statistik terlalu banyak diberikan kepada titik yang baik dihapus dari titik pusat. Penghalusan rataan setiap 3 titik dapat merusak ketika filter melewati puncak yang sempit dibandingkan dengan lebar filter. Lampiran 5 Algoritma derivatif kedua Savitzky-Golay setiap 9 titik (Hanke and Wichern, 2005). Sebuah prosedur jauh lebih baik daripada penghalusan rataan setiap 3 titik adalah melakukan kuadrat terkecil sesuai dari sekelompok kecil titik data berturut-turut untuk polinomial dan mengambil titik pusat dihitung dari kurva polinomial dipasang sebagai titik data baru penghalusan. Savitzky dan Golay (lihat A. Savitzky dan MJE Golay, Anal Chem, 1964, 36, 1627) menunjukkan bahwa himpunan bilangan bulat (An, A-(n-1), ..., An-1, An) dapat diturunkan dan digunakan sebagai koefisien bobot untuk melaksanakan operasi menghaluskan data. Penggunaan koefisien bobot tersebut, yang dikenal sebagai bilangan bulat konvolusi,ternyata persis sama dengan pemasangan data ke polinomial, seperti baru saja dijelaskan dan itu adalah komputasi lebih efektif dan jauh lebih cepat. Oleh karena itu, titik data (yk)s oleh algoritma Savitzky-Golay diberikan oleh persamaan berikut:
82
(16) Banyak bilangan bulat set konvolusi dapat digunakan tergantung pada lebar filter dan derajat polinomial. Set khas dari bilangan bulat untuk "penghalusan kuadrat" ditunjukkan dalam tabel di bawah ini: Lebar filter (2n+1) i
11
9
7
5
-5 -36 -4
9
-21
-3
44
14
-2
-2
69
39
3
-3
-1
84
54
6
12
0
89
59
7
17
1
84
54
6
12
2
69
39
3
-3
3
44
14
-2
4
9
-21
5
-36
Set bulat konvolusi dapat digunakan untuk memperoleh secara langsung, bukan dari sinyal yang dihaluskan, yang pertama, kedua, dan seterusnya matematika untuk derivatif, karena Savitzky-Golay algoritma ini sangat berguna untuk menghitung derivatif dari sinyal pengganggu yang terdiri dari deskret dan titik-titik yang berjarak sama. Efek penghalusan algoritma Savitzky-Golay tidak begitu agresif seperti dalam kasus penghalusan rataan setiap 3 titik dan kehilangan dan/atau distorsi informasi penting relatif terbatas. Namun, harus ditekankan bahwa kedua algoritma perlakuan data bersifat penghilangan sebagian, yaitu bagian dari informasi asli dihilangkan atau didistorsi. Jenis penghalusan hanya memiliki nilai kosmetik (perlakuan data untuk mengindahkan atau mempercantik).
83
