PADA BIJI KAKAO UTUH
6.4 Analisis Penggunaan Metode Pretreatment
Pretreatment dilakukan untuk mengurangi pengaruh interferensi gelombang dan noises pada data spektrum yang didapat agar diperoleh dugaan robust yang lebih akurat dan stabil. Pada penelitian ini ada dua tahap penggunaan pretreatment yakni penggunaan untuk tahap pendugaan fermentasi dan tahap pengukuran kadar air dan kadar lemak.
Pada tahap pendugaan fermentasi, sebelum dipilih metode pretreatment
yang akan dipergunakan terlebih dahulu dibuat 12 alternatif kombinasi metode yang diramu dari 5 pilihan metode yakni Multiplicative Scatter Correction (MSC) dan Standard Normal Variate (SNV), Savitzky-Golay smoothing (SGs), first derivative (D1), dan secondderivative (D2). Dari 12 metode itu didapat 2 metode terbaik yakni MSC dan SNV yang selanjutnya digunakan sebagai metode
pretreatment untuk pendugaan kelompok fermentasi.
Hasil yang didapat pada pendugaan kelompok fermentasi menunjukkan metode pretreatment mampu merubah posisi sebaran data menjadi lebih baik dari sebelumnya. Data biji kakao utuh ter-cluster sesuai dengan kelompok fermentasi.
Selanjutnya pada tahap pengukuran kadar air dan kadar lemak, digunakan 6 macam metode pretreatment yakni Mean Centering (MC), Multiplicative Scatter Correction (MSC), Standard Normal Variate (SNV), Mean Normalization (MN),
Orthogonal Signal Correlation (OSC) dan De-Trending (DT). Keenam metode itu dianggap mampu mewakili tiga kelompok besar metode pretreatment yakni kelompok centering, normalization and transformation.
Hasil yang didapat membuktikan bahwa penggunaan pretreatment secara umum terbukti mampu memperkuat hasil pendugaan kadar air dan kadar lemak pada biji kakao utuh. Tiga pretreatment yang sangat nyata berperan untuk itu adalah MSC, SNV dan OSC. Ketiga pretreatment ini mampu meningkatkan nilai koefesien kolerasi (r), memperkecil nilai error (RMSEC dan RMSEP), sehingga tetap di bawah nilai standar deviasi, baik untuk kalibrasi maupun prediksi dan meningkatkan nilai RPD hasil dugaan (Tabel 6.2).
Tabel 6.2 Pengaruh pretreatment pada pendugaan biji kakao utuh
Model r RMSEC (%) SDc RMSEP (%) SDp RPD Status hasil Kadar Air Raw 0.89 0.59 1.30 0.83 1.19 2.12 Good MSC 0.92 0.49 1.30 0.54 1.19 2.21 Good SNV 0.93 0.48 1.30 0.54 1.19 2.21 Good OSC 0.93 0.46 1.30 0.52 1.19 2.26 Good Kadar Lemak Raw 0.85 1.15 2.19 1.31 2.16 1.65 Sufficient MSC 0.91 0.93 2.19 1.11 2.16 1.95 Sufficient SNV 0.91 0.91 2.19 1.11 2.16 1.95 Sufficient OSC 0.90 0.93 2.19 1.15 2.16 1.88 Sufficient
54
Penggunaan pretreatment ternyata juga terbukti mampu menghasilkan dugaan yang lebih efesien dilihat dari kemampuannya mengurangi jumlah latent variable yang terlibat dalam hasil dugaan. Hampir semua pretreatment mampu mengurangi jumlah latent variable pada semua hasil dugaan, namun pretreatment
yang terlihat sangat nyata dan konsisten mengurangi jumlah latent variable dalam jumlah paling besar dari hasil pendugaan adalah OSC (Tabel 6.3).
Tabel 6.3 Pengaruh pretreatment terhadap efesiensi hasil dugaan
Model Latent Variable
Raw MSC SNV MC MN OSC DT
Kadar Air Biji Utuh 10 5 5 9 10 3 10
Kadar Lemak Biji Utuh 10 4 4 10 9 4 9
Jika dianalisis, dari semua pretreatment yang dipergunakan secara umum dapat dikatakan bahwa kelompok normalisasi adalah paling baik dibanding kelompok lainnya. Ini bisa dilihat dari kinerja model yang dihasilkan dari
pretreatment MSC dan SNV. Kesimpulan ini sesuai dengan hasil penelitian Chen
et al. (2012) bahwa pretreatment kelompok normalisasi adalah lebih baik dari kelompok lainnya. Secara teoritis, pretreatment MSC dan SNV diketahui mampu menghilangkan multiplicative interference pada sebaran, ukuran partikel dan perubahan jarak sinar. Keduanya juga diketahui mampu memperbaiki efek
multiplicative dan additive scatter. Semua kemampuan ini ternyata sangat bermanfaat untuk membantu mengurangi pengaruh celah udara antar biji dan rongga udara yang terdapat di dalam biji. Hal inilah yang diduga telah menjadikan MSC dan SNV pada penelitian ini menjadi pretreatment yang paling baik sehingga mampu meningkatkan kinerja hasil pendugaan PLS untuk biji kakao utuh baik pada pengujian kadar air maupun kadar lemak.
OSC (yang berasal dari kelompok transformasi) ternyata juga mampu menunjukkan kinerja yang baik, terutama untuk menghasilkan dugaan yang paling efesien. Dengan kemampuan menghasilkan pendugaan yang baik ditambah tingginya efesiensi model yang dihasilkan, OSC layak dikatakan sebagai metode
pretreatment yang paling cocok digandengkan dengan PLS dalam pengolahan data. Kenyataan ini memperkuat pendapat Cen dan He (2007) dan CAMO (2012) yang mengatakan OSC adalah metode pretreatment yang paling cocok digandengkan dengan PLS dalam pengolahan data. Secara teoritis, OSC diketahui bekerja dengan berusaha untuk memperbaiki data X matriks spektrum data NIR dengan menghapus informasi dari spektrum yang ortogonal berkorelasi dengan data matriks Y yang merupakan standar kualitas atribut data. Hal ini dilakukan untuk menghindari penghapusan informasi yang berguna yang penting untuk pemodelan, dan menghapus hanya variasi yang tidak relevan yang menciptakan masalah bagi model regresi. Pretreatment OSC diterapkan bersama-sama untuk semua spektrum di set kalibrasi. Kemudian, koreksi pada matriks X dapat diterapkan pada set prediksi eksternal untuk mengevaluasi kemampuan prediksi model kalibrasi yang dibangun dengan data yang sudah diperbaiki. Algoritma yang digunakan mirip dengan algoritma Non-Iterative Partial Least Square
(NIPALS), yang biasa digunakan dalam PLS. Oleh karena itu, OSC dikatakan paling cocok digandengkan dengan PLS.
55
7
KESIMPULAN DAN SARAN
7.1 Kesimpulan
Kesimpulan yang dapat ditarik dari penelitian ini adalah :
1. Teknik akuisisi spektrum NIRS untuk biji kakao utuh secara tumpukan dapat menggantikan teknik akuisisi spektrum biji utuh individu. Hal ini didasarkan atas hasil PCA dengan bantuan pretreatment SNV dan MSC, terlihat bahwa biji individu dan biji tumpukan berada dalam daerah yang hampir sama sehingga dapat saling menggantikan.
2. Metode NIRS menggunakan PCA dan pretreatment MSC dan SNV dapat digunakan untuk membedakan fermentasi biji kakao utuh tumpukan dalam jumlah 40-45 gram dengan kelompok fermentasi terdiri atas non fermentasi, fermentasi penuh dan fermentasi berlebih.
3. Metode NIRS menggunakan PLS dan pretreatment MSC, SNV dan OSC dapat digunakan untuk menduga kadar air biji kakao utuh tumpukan dalam jumlah 40-45 gram dengan selang kadar air 6.7% – 12.1%.
4. Metode NIRS menggunakan PLS dan pretreatment MSC dan SNV dapat digunakan untuk menduga kadar lemak biji kakao utuh tumpukan dalam jumlah 40-45 gram dengan selang kadar lemak 36.5% – 45.8%.
5. Penggunaan pretreatment terbukti mampu memperkuat hasil pendugaan dan meningkatkan efesiensi hasil dugaan. Penelitian ini menemukan bahwa
pretreatment MSC dan SNV (kelompok normalisasi) adalah yang paling disarankan untuk dipergunakan bagi meningkatkan kekuatan dan ketangguhan hasil dugaan.
6. Pretreatment OSC adalah yang paling disarankan membantu metode PLS untuk menghasilkan dugaan yang paling efesien.
7.2 Saran
1. Pendugaan kelompok fermentasi dalam penelitian ini masih mungkin dikembangkan menggunakan metode klasifikasi dengan algoritma yang lebih komplit. Selain itu, pengukuran secara langsung untuk kandungan kimia tertentu dalam biji kakao utuh yang menentukan fermentasi bisa menjadi aktivitas penelitian selanjutnya, sehingga akan didapat temuan yang lebih akurat dan bersifat kuantitatif.
2. Pendugaan kadar air dan kadar lemak masih bisa dikembangkan dengan memakai metode pendekatan regresi data yang bersifat nonlinier, sehingga nantinya akan bisa diperbandingkan hasil yang didapat.
3. Secara umum penelitian NIRS akan sangat berdaya guna jika cakupan selang data semakin luas, sehingga peningkatan jumlah data yang mencangkup selang lebih panjang dan ragam data lebih besar menjadi kebutuhan untuk menghasilkan pendugaan yang lebih besar cakupannya.
56
