Pola Gelombang Spektra Reflektan NIRS Biji Kopi Lintong
Pada spektra biji kopi yang dihasilkan akan terlihat puncak dan lembah penyerapan kandungan kimia yang berfungsi untuk memudahkan dalam penafsiran data. Puncak yang muncul pada grafik diakibatkan karena adanya vibrasi yang terjadi ketika ikatan kimia berinteraksi dengan sinar NIR (Zulfahrizal, 2014). Bentuk grafik dari spektra dapat menjadi prediksi kandungan kimia yang diinginkan pada kopi. Ukuran partikel, panjang gelombang dan kandungan kimia pada biji kopi dapat mempengaruhi bentuk spektra NIRS yang akan dihasilkan.
Akuisi spektra yang dihasilkan menggunakan berupa data mentah (raw data) yang masih memiliki noise. Noise merupakan gangguan berupa sinyal yang sifatnya akustik (suara) yang muncul akibat adanya suatu rangkaian elektronika yang bukan bagian dari sinyal yang diinginkan. Rentang panjang gelombang NIRS yaitu 1000-2500 nm dengan jumlah 1501 data spektra.
Spektra original yang dihasilkan dari pengukuran NIR spektroskopi pada biji kopi green bean masih me miliki jarak antara data spektra, terdapat noise pada saat melakukan pengukuran menggunakan NIRS (Gambar 8) dapat disebabkan adanya rongga pada tumpukan kopi di dalam cawan petri dan gangguan berupa sinyal yang tidak diinginkan. Untuk mengurangi noise dan menghasilkan data yang akurat serta model kalibrasi yang stabil, maka perlu dilakukan pretreatment data menggunakan metode Standart Normal Variate (SNV), Multiplicate Scatter Correction (MSC), turunan pertama (dg1) dan turunan kedua (dg2), serta kombinasi dari dua metode pretreatment.
Gambar 8. Spektra original 90 absorban biji kopi Lintong.
Spektra yang telah di olah dengan metode MSC dapat dilihat pada Gambar 9, dimana pada spektra terlihat lebih sedikit noise dan lebih rapat jika dibandingkan dengan spektra original. Hal ini disebabkan karena metode MSC mampu menghilangkan gangguan multiplikasi (multiplicate interference) pada sebaran data, ukuran partikel dan perubahan jarak sinar, dan mengurangi pengaruh scatter pada panjang gelombang NIR, sehingga spektra dari raw data dapat diperbaiki menjadi lebih tipis.
Gambar 9. Spektra 90 data biji kopi Lintong setelah diolah dengan MSC
absorban 0 0,5 1 1,5 2
2500 1750 1500 1000
Panjang Gelombang (nm)
absorban 0 0,5 1 1,5 2
2500 1750 1500 1000
Panjang Gelombang (nm)
P engolahan data pada spektra menggunakan metode SNV menghasilkan sedikit noise, dan garis regresi yang hampir sama dengan MSC (Gambar 10). Hal ini karena MSC dan metode SNV mampu menghilangkan gangguan multiplikasi (multiplicate interference) dan SNV mengurangi pengaruh scatter pada seluruh rentang panjang gelombang NIR. MSC dan SNV memiliki perbedaan yaitu pada penentuan standar untuk memusatkan perhitungan data. Pada metode MSC, semua data distandarkan dengan cara memusatkan semua data mendekati nilai rata-ratanya sedangkan pada SNV, nilai pada masing-masing spektra dipusatkan pada nilai nol (Ayu, 2017).
Gambar 10. Spektra 90 data biji kopi Lintong setelah diolah SNV
Pada Gambar 11, dengan perlakuan pretreatment turunan pertama (dg1) menunjukkan bahwa spektra yang dihasilkan sangat berbeda dengan spektra original, lebih banyak terdapat puncak serta lembah penyerapan kandungan kimia yang terjadi pada spektra biji kopi. Hal ini disebabkan oleh kemampuan metode turunan pertama (dg1) untuk memisahkan spektra yang tumpang tindih (overlapped).
absorban -2 -1 0 1 2
2500 1750 1500 1000
Panjang Gelombang (nm)
Gambar 11. Spektra 90 data biji kopi Lintong setelah diolah dengan turunan pertama (dg1).
Pada Gambar 12 menunjukkan bahwa spektra yang dihasilkan setelah dilakukan pengolahan data dengan metode turunan kedua (dg2) puncak dan lembah penyerapan kandungan kimia yang dihasilkan terlihat lebih jelas dan lebih banyak jika dibandingkan dengan turunan pertama (dg1). Hal ini sesuai dengan pernyataan Ozaki dkk. (2007), bahwa fungsi pengolahan data turunan yaitu bekerja memisahkan spektra yang tumpang tindih pada spektra original, sehingga nilai masing-masing puncak dan lembah pada spektra.
Gambar 12. Spektra 90 data biji kopi Lintong setelah diolah dengan turunan kedua (dg2).
absorban -0,002 -0,001 0 0,001 0,002
2500 1750 1500 1000
Panjang Gelombang (nm) absorban -0,02 -0,01 0 0,01
2500 1750 1500 1000
Panjang Gelombang (nm)
Pengolahan data dengan metode turunan pertama dan MSC pada Gambar 13 menunjukkan bentuk spektra yang hampir sama pada turunan pertama (dg1), namun penyerapan kandungan kimia pada bahan sedikit menurun karena perbedaan nilai intensitas disebabkan oleh pengaruh MSC yang mengoreksi scatter pada sampel biji kopi.
Pada Gambar 14, dengan pretreatment kombinasi antara turunan kedua (dg2) dan MSC terlihat persamaan bentuk spektra dengan turunan kedua, namun spektra yang dihasilkan lebih kecil untuk memperjelas masing-masing puncak dan lembah pada spektra. Hal ini karena MSC mampu mengurangi pengaruh scatter pada panjang gelombang NIR.
2500 1750 1500 1000 Panjang Gelombang (nm)
Gambar 13. Spektra 90 data biji kopi Lintong setelah diolah dengan turunan pertama (dg1) dan MSC
absorban -0,02 -0,01 0 0,01
2500 1750 1500 1000 Panjang Gelombang (nm)
Gambar 14. Spektra 90 data biji kopi Lintong setelah di pretreatment dengan turunan kedua (dg2) dengan MSC
absorban -0,002 -0,001 0 0,001 0,002
Namun dari fitur spektra yang terlihat pada gambar dari masing-masing
pretreatment masih ada saling tumpang tindih satu sama lainnya.
Hruschka (1990) menjelaskan bahwa fitur spektra NIRS dipengaruhi oleh pita penyerapan overtone dan terjadi kombinasi akibat adanya perubahan energi molekul ketika penyerapan foton, sehingga perlu dilakukan pembangunan model kalibrasi menggunakan metode Partial Least Square (PLS).
Kandungan Kadar Air, lemak dan Karbohidrat Biji Kopi Lintong
Kandungan kimia biji kopi Lintong berupa kadar air, lemak, dan karbohidrat didapat dari analisis destruktif yaitu masing- masing 10,73%, 16,43%
dan 25,68% (Tabel 3) yang dilakukan pada 90 sampel. Nilai minimum dan maksimum yang diperoleh pada data kimia digunakan sebagai set data kalibrasi dalam membangun model kalibrasi (Yan dkk., 2009).
Tabel 3. Kandungan air, lemak dan karbohidrat biji kopi Lintong
Kandungan kimia Mean(%) Min(%) Max(%) Standart Deviasi(%)
Kadar air 10,73 10,26 11,26 0,26
Lemak 16,43 14,80 17,90 0,94
Karbohidrat 25,68 18,95 33,34 4,33
Kadar air pada kopi green bean arabika Lintong yaitu sebesar 10,73 %.
Penelitian sebelumnya diperoleh nilai kadar air untuk biji kopi Java Preanger yaitu 12,22%, biji kopi Bondowoso yaitu 9,87% Kurniawan (2017) dan 13,15%
untuk biji kopi arabika Gayo (Aditama dkk., 2019). Kadar air merupakan karakteristik pada biji kopi yang dapat mempengaruhi cita rasa, tekstur dan penampakan. Perbedaan nilai kadar air pada setiap biji kopi dapat disebabkan oleh waktu pengeringannya. Kadar air harus dibawah 12,5% dikarenakan pada angka tersebut akan memacu pertumbuhan mikroba (AEKI, 2006).
Disisi lain, kandungan lemak pada biji kopi green bean arabika Lintong lebih besar yaitu 16,43% jika dibandingkan dengan kopi Java Preanger 13,47%, pada biji kopi malang 13,15% Kurniawan (2017), dan biji kopi arabika Gayo 12,49% (Aditama dkk., 2019). Lemak merupakan salah satu kandungan kimia pada kopi yang berpengaruh terhadap flavor dan cita rasa sehingga nilai kandungan lemak yang tinggi dapat memberikan kesan (rasa lemak) pada kopi.
Kandungan karbohidrat biji kopi green bean arabika Lintong justru sangat rendah yaitu 25,68%, dibandingkan biji kopi Java Preanger dan Bondowoso yaitu masing-masing 55,67%, 57,52% Kurniawan (2017), dan 62,01% pada biji kopi arabika Gayo (Aditama dkk., 2019). Perlakuan pada biji kopi yang digunakan pada penelitian ini yaitu perlakuan natural, hal ini dapat mempengaruhi nilai persentase karbohidrat pada biji kopi Lintong yang dihasilkan.
Hal ini menunjukkan bahwa kandungan kimia pada setiap kopi berbeda karena dipengaruhi oleh indikasi geografis. Faktor lingkungan geografis setiap daerah penghasil kopi menyebabkan produk biji kopi memiliki flavor, rasa dan aroma yang berbeda. Menurut Lukito (2018), geografis berkaitan dengan tempat asal suatu produk dan mutu produk yang menunjukkan khas keunikan tempat asalnya, indikasi geografis kopi bertujuan untuk melindungi kekayaan diversitas kopi Indonesia sebagai identitas keaslian dan mencegah agar tidak diakui negara lain. Indikasi geografis kopi sudah berkembang dan beberapa kopi Indonesia sudah mendapatkan sertifikat indikasi geografis yaitu kopi arabika Gayo, kopi arabika Java Preanger, kopi arabika Sumatera Simalungun dan kopi arabika Sumatera Mandailing, kopi robusta Lampung, kopi liberika tungkal Jambi (Kurniawan, 2017).
Loading Plot Spektra Biji Kopi Lintong
Pada loading plot spektra yang dihasilkan akan menunjukkan panjang golambang penyerapan kandungan kimia yang diinginkan untuk mengidentifikasi adanya kandugan air, lemak dan karbohidrat. Panjang gelombang penyerapan kandungan air, lemak, dan karbohidrat pada masing-masing varietas kopi dapat dilihat pada Tabel 7.
Tabel 7. Panjang gelombang pada kadar air, lemak dan karbohidrat Varietas kopi Kandungan Kimia Panjang Gelombang Sumber: (1). Aditama dkk., 2019, (2). Kurniawan, 2017, (3). Athfiyah, 2017.
Berdasarkan penelitian Aditama (2019) pada biji kopi Gayo kandungan air dapat di prediksi pada panjang gelombang 1428-1492 nm, 1639-2325 nm untuk lemak dan 1282-1315 nm untuk kabohidrat. Selanjutnya pada penelitian Kurniawan (2017) pada biji kopi Java Preanger, panjang gelombang 1450 nm dan 1940 nm adalah kadar air, 1477 nm dan 1680 nm terdapat lemak dan 1477 nm dan 2128 nm terdapat karbohidrat. Penelitian Athfiyah (2017) pada biji kopi Bondowoso panjang gelombang 1883 nm dan 1920-1933 nm sruktur air, 1410, 1700 dan 1892 adalah lemak dan 1429, 1453 nm adalah struktur karbohidrat.
Hasil kalibrasi dari spektra absorban NIRS pada biji kopi Lintong menunjukkan bahwa inframerah dengan panjang gelombang 1000-2500 nm dapat digunakan untuk mengidentifikasi kandungan kimia pada bahan. Pada penelitian ini, Loading plot yang diperoleh untuk mengidentifikasi kandungan air, lemak
dan karbohidrat pada biji kopi Lintong dapat dilihat pada Gambar 18,19 dan 20.
Gambar 18. Loading plot Multiplicate Scatter Correction (MSC) kadar air Loading plot pada kandungan air biji kopi Lintong (Gambar 18), menunjukkan bahwa puncak dan lembah penyerapan spektra NIRS berada pada kisaran panjang gelombang 1433- 1450 nm dan 1940 nm. Panjang gelombang tersebut dapat mengidentifikasi kandungan air pada biji kopi Lintong. Hal ini sesuai dengan pernyataan Kurniawan (2017).
Gambar 19. Loading plot turunan pertana (dg1) lemak.
Loading plot untuk mengidentifkasi kandungan lemak (Gambar 19), menunjukkan bahwa puncak dan lembah penyerapan spektra NIRS biji kopi Lintong berada pada kisaran panjang gelombang 1410, 1700, dan 1891 -1892 nm.
Panjang gelombang tersebut mampu mengidentifikasi kandungan lemak pada biji kopi Lintong. Hal ini sesuai dengan pernyataan Athfiyah (2017)
Gambar 20. Loading plot Multiplicate Scatter Correction (MSC) karbohidrat.
Loading plot identifikasi kandungan karbohidrat (Gambar 20) pada penelitian ini ditunjukkan bahwa puncak dan lembah spektra NIRS biji kopi Lintong berada pada kisaran panjang gelombang 1477 nm dan 2127-2129 nm. Hal ini sesuai dengan Kurniwan (2017) yang menyatakan bahwa panjang gelombang 1477 nm dan 2128 terdapat struktur karbohidrat.
Kalibrasi dan Validasi dengan Metode PLS
PLS merupakan metode yang mampu mereduksi dimensi data untuk mencari faktor-faktor yang paling relevan dalam memprediksi dan menginterpretasi data (Zulfahrizal, 2014). Berdasarkan Williams dan Noris (1990)
PLS sangat cocok untuk kalibrasi untuk sejumlah kecil sampel dengan penggabungan hasil eksperimen yaitu data kimia dan data NIRS. Pengambilan data spektra pada pengolahan data dilakukan secara random. Jumlah faktor PLS yang digunakan akan berpengaruh terhadap model yang akan dihasilkan.
Berdasarkan pernyataan Rosita (2016), jika pengambilan faktor PLS yang terlalu besar akan menyebabkan nilai prediksi yang rendah, sehingga data akan overfitting karena kelebihan faktor x. Menurut Ayu (2017), jika pengambilan faktor PLS yang terlalu kecil akan menyebabkan model yang dihasilkan underfitting. Pemilihan factor PLS yang optimum menjadi pertimbangan untuk menghasilkan model yang baik.
Evaluasi model kalibrasi perlu dilakukan untuk memperoleh model kalibrasi terbaik. Parameter yang digunakan untuk kalibrasi dan validasi yaitu r, SEC, SEP, CV, RPD dan konsistensi. Menurut Nircal 5.5 manual (2013), model prediksi yang baik adalah nilai r mendekati 1, dengan rentang nilai konsistensi yaitu 80-110%. Lammertyn dkk, (2000) menyatakan bahwa selisih nilai yang kecil antara nilai SEC dan SEP menunjukan model kalibrasi yang baik, sebaliknya jika memiliki selisih nilai yang besar, menunjukkan bahwa set kalibrasi tidak mewakili set validasi. Nilai RPD juga akan menunjukkan akurasi model prediksi yang baik yaitu > 2. Apabila nilai RPD yang dihasilkan < 1,5 hasil kalibrasi tidak bisa digunakan (Mouazen, 2005).
Hasil kalibrasi dan validasi PLS yang dilakukan untuk mengidentifikasi adanya kandungan kadar air biji kopi green bean arabika Lintong dapat dilihat pada Tabel 4. Pada kandungan kadar air biji kopi Lintong, model kalibrasi terbaik yaitu dengan pretreatment MSC dengan 7 faktor PLS yang menghasilkan nilai r
=0,86; SEC = 0,12%; SEP = 0,14%; CV = 1,14 % dan RPD = 2,09 dengan konsistensi 86,82%. Hasil ini menunjukkan bahwa nilai r mendekati 1 dan selisih antara SEC dan SEP 0,02% tergolong prediksi baik. Pretreatment MSC dengan 7 faktor PLS dianggap sudah cukup baik untuk membangun model kalibrasi karena 6 faktor belum cukup baik dengan nilai r = 0,80 dan RPD = 1,79. Sesuai dengan fungsi MSC yaitu mengurangi pengaruh scatter pada panjang gelombang NIRS.
Tabel 4. Hasil kalibrasi dan validasi untuk kandungan kadar air pada biji kopi
Plot data kalibrasi dan validasi dengan pretreatment MSC untuk kandungan kadar air pada Gambar 15 menunjukkan bahwa data referensi (data kimia) tidak jauh berbeda dari hasil prediksi NIRS, meskipun ada beberapa data yang tidak akurat. Namun hasil yang diperoleh sudah mampu memprediksi kandungan kadar air pada biji kopi green bean arabika Lintong.
Gambar 15. Prediksi kandungan kadar air biji kopi Lintong
SEC = 0,12
Hasil kalibrasi dan validasi terbaik untuk memprediksi kandungan lemak diperoleh dengan menggunakan metode turunan pertama (dg1) dengan 3 faktor PLS (Tabel 5) diindikasikan dengan nilai r =0,708 %; SEC = 0,73%; SEP = 0,89%; CV = 4,52 % dan RPD = 1,51 dengan konsistensi 82,63%. Pengolahan data turunan pertama (dg1) berfungsi memisahkan spektra yang tumpang tindih, sehingga pemilihan 3 faktor dianggap baik, karena jika dipilih faktor yang besar data yang dihasilkan overfitting. Dari hasil yang diperoleh menunjukkan bahwa selisih antara SEC dan SEP 0,16 % masih dalam kategori kecil menunjukkan kestabilan model, namun nilai RPD < 2 menunjukkan prediksi kasar, namun hasil kalibrasi yang diperoleh masih bisa digunakan. Sebenarnya pemberian pretreatment sudah membantu meningkatkan kinerja dan efesiensi PLS walaupun hasilnya sufficient performance, nilai standar deviasi kadar lemak yang rendah menyebabkan nilai RPD menjadi kecil. turunan pertama (dg1) untuk kandungan lemak. Dapat dilihat hubungan korelasi yang kurang baik antara data referensi (data kimia) dengan data prediksi FT-NIRS, dan tidak semua data mewakili garis regresi, sehingga nilai koefisien korelasi yang dihasilkan tidak mendekati 1. Untuk menduga lemak model
kalibrasi belum optimal dibandingkan kadar air dan karbohidrat, hal ini bisa disebabkan oleh jumlah faktor sampel yang digunakan terlalu kecil, sehingga memungkinkan terjadinya spektra dan data kimia yang diperoleh tidak memenuhi garis linier sebaran data, namun jika digunakan jumlah faktor yang besar akan menyebabkan data overfitting.
Gambar 16. Prediksi kandungan lemak biji kopi Lintong
Berdasarkan Tabel 6 hasil kalibrasi dan validasi terbaik untuk memprediksi kandungan karbohidrat biji kopi green bean arabika Lintong yaitu menggunakan pretreatment MSC dengan 8 faktor PLS yang menghasilkan nilai r
=0,854; SEC = 2,12%; SEP = 2,26%; CV = 8,26 % dan RPD = 2,05 dengan konsistensi 93,62%. Hasil ini menunjukkan bahwa nilai r mendekati 1 dan selisih antara SEC dan SEP 0,14% masih tergolong rendah sehingga menunjukkan model yang stabil. Pemilihan 8 faktor didasarkan pada nilai error yang dihasilkan, karena 7 faktor menghasilkan nilai RPD yang rendah yaitu 1,85 merupakan prediksi
Tabel 6. Hasil kalibrasi dan validasi untuk kandungan karbohidrat pada biji kopi divalidasi dengan metode MSC untuk kandungan karbohidrat dapat dilihat pada Gambar 17, ditunjukkan bahwa hubungan korelasi yang baik antara data referensi (data kimia) dengan data prediksi FT-NIRS dan sebaran data mewakili garis regresi, sehingga prediksi yang diperoleh dari penelitian ini sudah baik dan dapat digunakan untuk memprediksi kandungan karbohidrat pada biji kopi green bean arabika Lintong.
Gambar 17. Prediksi kandungan karbohidrat biji kopi Lintong
Jumlah faktor PLS yang dipilih dapat dipengaruhi oleh persentase kandungan kimia pada bahan dan jumlah data, jika semakin besar maka akan
semakin mudah mendapatkan model kalibrasi yang baik. Dari hasil penelitian menunjukkan bahwa model terbaik diperoleh pada kandungan air, karena kadar air adalah komponen yang kuat pada penyerapan wilayah NIRS. Bentuk spektra dapat dipengaruhi oleh kadar air, karena kadar air merupakan kompenen utama material biologi pada suatu bahan (Zhang dkk., 2013). Selanjutnya, model karbohidrat memiliki nilai r lebih tinggi dengan pengolahan data yang lebih sederhana yaitu MSC dan memiliki nilai konsentrasi yang lebih tinggi dibandingkan lemak, sehingga model kalibrasi pada lemak diperoleh dengan metode turunan pertama (dg1).
Galat baku (SE) digunakan untuk membandingkan hasil dugaan NIR dan metode konvensional, baik untuk galat baku kalibrasi (SEC) dan galat baku prediksi (SEP). E1 untuk kadar air (Gambar 15), E2 untuk lemak (Gambar 16) dan E3 untuk karbohidrat (Gambar 17). SE merupakan selisih antara nilai hasil dugaan dengan nilai sebenarnya (Lengkey dkk., 2013). Model prediksi PLS untuk masing-masing kandungan kadar air, lemak dan karbohidrat ditunjukkan pada Persamaan 10, 11,dan 12.
Kandungan kadar air
Y1= ̅1F1 + ̅1F2 + ̅1F3 + ̅1F4 + ̅1F5 + ̅1F6+ ̅1F7+ E1 ... (10) Kandungan lemak
Y2= ̅2F1+ ̅2F2+ ̅2F3+ E2 ... (11) Kandungan karbohidrat
Y3= ̅3F1+ ̅3F2+ ̅3F3 + ̅3F4+ ̅3F5+ ̅3F6+ ̅3F7 + ̅3F8+ E3 ... (12) Di mana:
Y1 = kandungan kadar air
Y2 = kandungan lemak Y3 = kandungan karbohidrat
̅1 = matriks absorban yang diolah dengan MSC pada kadar air dengan pajang gelombang 1000-2500 nm
̅2 = matriks absorban yang diolah dengan turunan pertama (dg1) pada lemak dengan panjang gelombang 1000-2500 nm
̅3 = matriks absorban yang diolah dengan MSC pada karbohidrat dengan panjang gelombang 1000-2500 nm
F7 = matriks loading faktor terpilih untuk kadar air F3 = matriks loading faktor terpilih untuk lemak F8 = matriks loading faktor terpilih untuk karbohidrat E1 = galat pada kadar air
E2 = galat pada lemak E3 = galat pada karbohidrat
Model kalibrasi terbaik untuk penentuan kadar air yaitu dengan menggunakan pengolahan data MSC dan 7 faktor PLS. Selanjutnya, pada lemak model kalibrasi terbaik yaitu dengan menggunakan pengolahan data turunan pertama (dg1) dengan 3 faktor PLS, sedangkan model kalibrasi terbaik untuk karbohidrat yaitu dengan menggunakan pengolahan data MSC dan 8 faktor PLS.