PREDIKSI KANDUNGAN KIMIA BUAH KESEMEK (
Diospyros
kaki
L.) DENGAN SPEKTROSKOPI NIR
INDAH KURNIASARI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAN MENGENAI TESIS DAN SUMBER INFORMASI
SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Prediksi Kandungan kimia Buah Kesemek (Diospyros kaki L.) dengan Spektroskopi NIR adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Februari 2017
iv
RINGKASAN
INDAH KURNIASARI. Prediksi Kandungan kimia Buah Kesemek (Diospyros kaki L.) dengan Spektroskopi NIR. Dibimbing oleh Y ARIS PURWANTO, I WAYAN BUDIASTRA dan SOBIR.
Kesemek (Diospyros kaki L.) merupakan buah yang tumbuh di dataran tinggi Indonesia dan mempunyai potensi untuk dikembangkan. Kualitas yang penting pada buah kesemek terdiri dari kadar air, total padatan tidak terlarut dan kandungan tanin. Penentuan kandungan buah biasa dilakukan dengan metode kimia, metode ini bersifat destruktif, memakan waktu dan tidak dapat diterapkan untuk pengembangan grading secara on-line. Oleh karena itu spektroskopi NIR merupakan alat yang berpotensi untuk mengukur kandungan kimia secara cepat dan tidak merusak. Pengukuran kandungan kimia buah kesemek menggunakan NIR sudah banyak dilakukan tetapi metode kalibrasi principle component regression
(PCR) dan partial least square (PLS) untuk menentukan kandungan tanin dan total padatan tidak terlarut buah kesemek belum dilakukan. Tujuan penelitian ini adalah memprediksi secara cepat kadar air, total padatan tidak terlarut dan kandungan tanin buah kesemek secara non destruktif dengan spektroskopi NIR menggunakan metode PCR dan PLS.
Buah kesemek kultivar Reundeu diperoleh dari kebun petani di Garut, Jawa Barat kemudian disortasi dan dikelompokkan buah muda, tua dan matang. Spektrum reflektan NIR diukur dengan NIRFlex N-500 fiber optic solid pada panjang gelombang 1000-2500 nm. Untuk metode referensi, kadar air, total padatan tidak terlarut dan kandungan tanin diukur dengan menggunakan metode kimia. Beberapa metode pengolahan data NIR turunan pertama Savitzy-Golay (dg1),
multiplicative scatter correction (MSC) dan standard normal variate (SNV) diterapkan. Kemudian hasilnya dikalibrasi dengan data kimia menggunakan metode principle component regression (PCR) dan partial least square (PLS). Ketepatan dan ketelitian metode NIR dalam memprediksi kadar air, total padatan tidak terlarut dan kandungan tannin buah kesemek dikaji dari koefisien korelasi (r), standar eror kalibrasi (SEC), standar eror validasi (SEP), koefisien keragaman (CV), dan residual predictive deviation (RPD).
Model terbaik untuk memprediksi kadar air buah kesemek dengan menggunakan pengolahan data standard normal variate (SNV) dan metode PLS didapatkan r, SEP dan RPD masing - masing 0.90, 1.55% dan 1.68. Model terbaik untuk memprediksi total padatan tidak terlarut (non-SSC) adalah menggunakan pra pengolahan multiplicative scatter correction (MSC) dan PLS dengan r, SEP dan RPD masing - masing 0.83, 1.48%, dan 1.59. Model terbaik untuk memprediksi tanin diperoleh dengan menggunakan turunan pertama Savitzky-Golay (dg1) dan metode PLS dengan r, SEP dan RPD masing - masing 0.72, 0.14% dan 1.06. Metode PLS menghasilkan model kalibrasi lebih baik daripada PCR dalam memprediksi kadar air, non-SSC dan kandungan tanin buah kesemek.
SUMMARY
INDAH KURNIASARI. Prediction of Chemical Content of Persimmon(Diospyros kaki L.) by NIR Spectroscopy. Supervised Y ARIS PURWANTO, I WAYAN BUDIASTRA dan SOBIR
Persimmon (Diospyros kaki L.) is an edible fruit that usually grows in the uplands of Indonesia and has the potential to be developed. Important quality in persimmon including moisture content, non soluble solid content (non-SSC) and tannin content. However to determine mostly using chemical method that destructively, time consuming and can not be applied for the development of on-line grading. Therefore NIR spectroscopy is a potential tools to determine to those chemical content rapidly and non destructively. Determination of chemical content of persimmon is widely conducted but calibration method principle component regression (PCR) and partial least square (PLS) for prediction of tannin and non-SSC not conducted. The objective of this study was to develop rapid prediction method of moisture content, non-SSC and tannin of persimmon non-destructively using NIR Spectroscopy with PCR and PLS method.
Persimmon cultivar Reundeu samples were collected from persimmon plantation in Garut Jawa Barat and sorted manually to abotain young, old and mature fruit. NIR reflectance spectra were measured by NIRFlex N-500 fiber optic solid with the wavelength of 1000-2500 nm. For the reference method, moisture content, non-SSC and tannin content were measured using chemical method. Some processing methods such as derivatif Savitzy-Golay (dg1), multiplicative scatter correction (MSC) dan standard normal variate (SNV) were applied and the results were calibrated to chemical data using principle component regression (PCR) and partial least square (PLS). The statistical parameters that used to evaluate the develoved prediction models were correlation coefficient (r), standard error of calibration (SEC), standard error of validation (SEP), coefficient of variation (CV), and residual predictive deviation (RPD).
The best model for prediction of moisture content was using standard normal variate (SNV) and PLS with r, SEP and RPD of 0.90, 1.55% and 1.68. The best model for prediction of non-SSC was multiplicative scatter correction (MSC) pre-processing and PLS with r, SEP and RPD of 0.83, 1.48% and 1.59. The best model for predicting tannin was first derivative Savitzky-Golay (dg1) and PLS with r, SEP and RPD of 0.72, 0.14% and 1.06 respectively. PLS method was better than PCR in predicting non-SSC and tannin of persimmon.
vi
© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
PREDIKSI KANDUNGAN KIMIA BUAH KESEMEK (
Diospyros
kaki
L.) DENGAN SPEKTROSKOPI NIR
INDAH KURNIASARI
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains
pada
Program Studi Teknologi Pascapanen
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
viii
Judul Tesis : Prediksi Kandungan Kimia Buah Kesemek (Diospyros kaki L.) dengan Spektroskopi NIR
Nama : Indah kurniasari
NIM : F152140121
Disetujui oleh
Komisi Pembimbing
Dr. Ir. Y. Aris Purwanto, M.Sc Ketua
Dr. Ir. I Wayan Budiastra, M.Agr Anggota
Prof. Dr. Ir. Sobir, M.Si Anggota
Diketahui
Ketua Program Studi Teknologi Pascapanen
Dr. Ir. Usman Ahmad, M.Agr
Dekan Sekolah Pascasarjana
Dr. Ir. Dahrul Syah, M.Sc Agr
x
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas segala karunia-Nya sehingga penulis dapat menyelesaikan penelitian yang berjudul
“Prediksi Kandungan kimia Buah Kesemek (Diospyros kaki L.) dengan Spektroskopi NIR”.
Ucapan terima kasih penulis ucapkan kepada Dr Ir Y Aris Purwanto MSc, Dr Ir I Wayan Budiastra MAgr dan Prof Dr Ir Sobir MSi selaku pembimbing yang telah memberikan masukan dan saran pada penelitian ini. Bapak Dr Slamet Widodo STP MSc selaku penguji Ujian Tesis yang telah banyak memberikan masukan terhadap karya ilmiah ini. Penulis juga mengucapkan terima kasih kepada ketua PS Teknologi Pasca Panen, Ibu Rusmawati dan Bapak Ahmad Mulyatullah atas segala dukungan dan bantuan selama perkuliahan dan penelitian. Ungkapan terima kasih disampaikan kepada kepada Bapak Sulyaden dan Baskara Edi Nugraha di Laboratorium TPPHP departemen TMB IPB. Kepada kakak tingkat Herna Permata Sari, Yunisa Tri Suci, Noneng Fahri dan Zaqlul Iqbal yang telah memberikan masukan dan berbagi ilmu, penulis ucapkan terima kasih. Tidak lupa ucapan terima kasih juga penulis ucapkan untuk teman-teman di TPP angkatan 2014 khususnya Nur Hasnah Ar, Wildan Shalihy dan Gisbert Pattiruhu atas bantuan, diskusi dan kebersamaan selama ini. Kepada Gita Maiza, Anindya Lubiana, Ria Astuti, Ayu Suastyka, Nur Maullidiah, Rahmania Indi, Hendi Ikradianto, Sunariah Faniali dan Popi Mustamu diucapkan terima kasih atas segala dukungan dan semangatnya yang diberikan kepada penulis.
Ungkapan terimakasih yang tak terhingga penulis sampaikan kepada Ayahanda Drs H Sarhedi MSi dan Ibunda Dra Hj Rosyati MPd juga Dani Yustiawan, Fenny Febriani, Firza M Firdaus dan M Ikhlasul Amal dan seluruh keluarga yang telah memberikan dukungan, doa, semangat serta kasih sayang yang tiada henti kepada penulis. Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2017
Indah kurniasari
DAFTAR ISI
Total Padatan Tidak Terlarut 6
Near Infrared (NIR) Spectroscopy 6
Aplikasi NIR untuk Penentuan Mutu Buah Kesemek 7 Metode Kalibrasi dengan principle component regression (PCR) 7 Metode Kalibrasi dengan partial least square (PLS) 8
Metode Pengolahan Data NIR 8
METODE PENELITIAN
Waktu dan Tempat Penelitian 9
Bahan dan Alat 9
Metode penelitian 10
Persiapan Sampel 10
Sortasi dan Pembersihan Sampel 10
Pengukuran Reflektan NIR pada Buah Kesemek 11
Pengukuran Kadar Air 12
Pengukuran Kandungan Tanin 12
Pengukuran Total Padatan Tidak Terlarut 13
Pengolahan Data NIR 13
Kalibrasi dan Validasi 13
HASIL PEMBAHASAN
Analisis Spektra Reflektan NIR Buah Kesemek 15
Komponen Kimia Buah Kesemek 16
Kalibrasi dan Validasi Komponen Kimia Buah Kesemek dengan
Metode PCR 20
Kalibrasi dan Validasi Komponen Kimia Buah Kesemek dengan
Metode PLS 24
Perbandingan Hasil Kalibrasi dan Validasi Metode PCR dengan PLS 29 Pengaruh Pengolahan Data Spektra NIR Buah kesemek 30
KESIMPULAN 33
xii
Gambar 4 Sebaran data kandungan kimia buah kesemek berdasarkan umur panen (a) kadar air, (b) padatan tidak terlarut,
(c) kandungan tanin 18
Gambar 5 Sebaran data rata – rata kandungan kimia buah kesemek berdasarkan umur panen dan perlakuan penyimpanan
(a) kadar air, (b) padatan tidak terlarut (c) kandungan tanin 19 Gambar 6 Hasil kalibrasi dan validasi pendugaan kadar air metode PCR
dengan pengolahan data SNV 21
Gambar 7 Hasil kalibrasi dan validasi pendugaan padatan tidak terlarut metode PCR dengan pengolahan data MSC 23 Gambar 8 Hasil kalibrasi dan validasi pendugaan kandungan tanin
metode PCR dengan pengolahan data MSC 24 Gambar 9 Hasil kalibrasi dan validasi pendugaan kadar air metode PLS
dengan pengolahan data SNV 25
Gambar 10 Hasil kalibrasi dan validasi pendugaan kadar air metode PLS
dengan pengolahan data SNV 27
Gambar 11 Hasil kalibrasi dan validasi pendugaan kandungan tanin
metode PLS dengan pengolahan data dg1 28 Gambar 12 Pengaruh pengolahan data terhadap spektrum NIR buah
kesemek (a) turunan pertama Savitzky-Golay (dg1), (b)
multiplicative scatter correction (MSC) dan standard normal
variate (SNV) 30
DAFTAR TABEL
Tabel 1 Daftar komposisi kimia dan nilai gizi buah kesemek 5 Tabel 2 Data statistik komponen kimia buah kesemek 16 Tabel 3 Rata – rata kandungan kimia buah kesemek berdasarkan
umur panen 17
Tabel 4 Data statistik hasil kalibrasi dan validasi pendugaan kadar air
buah kesemek metode PCR 20
Tabel 5 Data statistik hasil kalibrasi dan validasi pendugaan padatan tidak
terlarut buah kesemek metode PCR 22
Tabel 6 Data statistik hasil kalibrasi dan validasi pendugaan kandungan
tanin buah kesemek metode PCR 23
Tabel 7 Data statistik hasil kalibrasi dan validasi pendugaan kadar air
buah kesemek metode PLS 25
Tabel 8 Data statistik hasil kalibrasi dan validasi padatan tidak terlarut
buah kesemek metode PLS 26
Tabel 9 Data statistik hasil kalibrasi dan validasi pendugaan kandungan
tanin buah kesemek metode PLS 28
Tabel 10 Perbandingan hasil kalibrasi dan validasi pendugaan kadar air, padatan tidak terlarut dan tanin buah kesemek metode PCR dan
PLS 31
DAFTAR LAMPIRAN
Lampiran 1 Spesifikasi NIRFlex N-500 Fiber Optik Solids 39
Lampiran 2 Dokumentasi Penelitian 40
1
PENDAHULUAN
Latar Belakang
Produk hortikultura seperti buah - buahan dan sayuran memiliki potensi besar untuk dikembangkan sehingga dapat memenuhi permintaan pasar dalam dan luar negeri baik dari segi kuantitas maupun kualitasnya. Kesemek (Diospyros kaki L.) merupakan salah satu buah yang tumbuh di dataran tinggi Indonesia dan mempunyai potensi untuk dikembangkan (Ishaq dan Sutrisna 2003). Buah kesemek dapat dikonsumsi segar maupun diolah menjadi sale, manisan, agar, selai, ice cream dan keripik. Kandungan yang terdapat pada buah kesemek antara lain adalah air, protein, lemak, dan karbohidrat. Buah kesemek juga banyak mengandung vitamin A, vitamin C, kalium, potassium dan phenol (Slunkhe and Kadam 1995). Kesemek memiliki banyak manfaat yaitu sebagai bahan baku industri kosmetik, zat pewarna alami. Kesemek dapat digunakan sebagai obat pencegah kanker dan penyakit jantung. Kesemek juga dapat dijadikan obat penurun tekanan darah tinggi (Salunkhe and Kadam 1995; Yahia 2011).
Buah kesemek memiliki kulit yang mengkilat dan bewarna merah kejinggaan yang sangat menarik. Tetapi buah kesemek memiliki rasa manis dan diikuti sepat. Rasa sepat ini berasal dari kandungan tanin pada buah kesemek yang tinggi. Senyawa tanin adalah senyawa astringent yang memiliki rasa pahit dari gugus polifenolnya yang dapat mengikat dan mengendapkan atau menyusutkan protein. Zat astringent dari tanin menyebabkan rasa kering dan puckery (kerutan) di dalam mulut setelah mengkonsumsi buah kesemek (Ismarani 2012).
Konsumen menghendaki buah kesemek yang memiliki rasa manis dan tidak sepat, tekstur buah yang cukup keras (crispy) dan buah yang menarik (Pecis et al. 1986). Kandungan tanin mempengaruhi mutu buah kesemek, semakin tinggi kandungan tanin maka buah akan semakin sepat. Kadar air yang terkandung pada buah kesemek mempengaruhi kekerasan (crispy) dari buah. Penurunan kadar air sejalan dengan penurunan kekerasan buah (Ahmad et al. 2014). Pada daging buah kesemek terdapat guratan-guratan seperti serat kasar yang merupakan padatan tidak terlarut yang bermanfaat untuk sistem pencernaan manusia. Padatan tidak terlarut mempengaruhi kerenyahan dan sifat juicy dari buah kesemek. Padatan tidak terlarut ini terlihat jelas pada buah kesemek yang sudah matang dan memiliki tekstur yang lunak.
Kualitas buah tergantung dari penampilan fisik dan kandungan kimianya. Sebagai parameter kualitas buah kesemek kandungan kimia seperti kandungan tanin, kadar air dan padatan tidak terlarut sangat penting untuk diketahui. Pengukuran kandungan kimia suatu buah biasa dilakukan dengan metode kimia, metode ini bersifat destruktif (merusak), memakan waktu dan tidak dapat diterapkan untuk pengembangan grading secara on-line. Dengan berkembangnya zaman sekarang sudah berkembang metode untuk mengukur kandungan kimia buah tanpa merusak (non destruktif). Metode non destruktif didefinisikan sebagai metode mengidentifikasi sifat bahan tanpa menimbulkan kerusakan yang berarti, dengan waktu cepat, tepat dan akurat (Osborne et al. 1993).
2
buah sehingga menghasilkan kualitas buah yang seragam. Cepat dan mudah dilakukan karena tidak menggunakan bahan kimia, dalam satu kali pengambilan data NIR didapatkan komponen kualitas buah yang macam - macam. Hasil data kualitas buah yang didapat dengan menggunakan NIR memiliki tingkat keakurasian yang tinggi (Osborne et al. 1993).
NIR dapat mengetahui kandungan yang terdapat dalam suatu bahan baik nilai kualitatif maupun kuantitatifnya didapat dari hasil interaksi antara gelombang NIR yang dipancarkan pada bahan dengan senyawa organik penyusun bahan tersebut seperti air, karbohidrat, protein dan lemak (Pasquini 2003). Data kandungan kimia buah didapat setelah dilakukan analisis menggunakan metode kalibrasi multivariat. Beberapa metode kalibrasi yang dapat digunakan diantaranya yaitu metode
multivariate linier regression (MLR), principle component regression (PCR),
partial least square (PLS) dan jaringan saraf tiruan (JST) (Osborne et al. 1993). Penerapan NIR dalam bidang pertanian pertama kali dilakukan untuk memprediksi kadar air dalam biji – bijian pada tahun 1964 (Nicolai et al. 2007). Selain itu penerapan NIR sudah banyak dilakukan oleh para peneliti untuk mendeteksi kualitas pada buah - buahan diantaranya Liu et al. (2007) mengukur kandungan kimia buah pir menggunakan vis/NIR spectrometer, Suhandy (2008) memprediksi kualitas buah sawo menggunakan NIR dan Bobelyn et al. (2010) menerapkan NIR untuk memprediksi kualitas buah apel.
Pengukuran kandungan kimia pada buah kesemek dengan menggunakan NIR mulai dilakukan oleh peneliti. Zhang et al. (2011) memprediksi kandungan tanin pada buah kesemek kultivar Mophansi tipe astringent menggunakan vis/nir
spectroscopy dengan metode MPLS. Janook et al. (2014) memprediksi padatan terlarut buah kesemek dengan metode PLS. Zanamwe (2014) memprediksi kualitas pascapanen yaitu total padatan terlarut, kekerasan, total asam dan warna buah
kesemek ‘Thriumph’ tipe astringent menggunakan NIR dengan metode PLS.
Prediksi total padatan tidak terlarut buah kesemek dengan metode PCR dan PLS belum pernah dilakukan.
Berdasarkan uraian di atas dan melihat permasalahan yang ada maka peneliti mencoba melakukan penelitan untuk mengetahui kadar air, total padatan tidak terlarut dan kandungan tanin buah kesemek secara non destruktif dengan near infrared (NIR) spectroscopy menggunakan metode kalibrasi principle component regression (PCR) dan partial least square (PLS).
Rumusan Masalah
3
Pengukuran kandungan kimia buah biasa dilakukan dengan metode kimia yang bersifat destruktif (merusak), membutuhkan waktu yang lama, maka diperlukan penggunaan metode non destruktif dalam pengukuran kandungan kimia buah terutama kandungan tanin, kadar air dan padatan tidak terlarut pada buah kesemek agar tidak merusak buah tersebut dan dengan waktu yang cepat. Salah satu metode yang dapat digunakan yaitu dengan penggunaan near infrared (NIR)
spectroscopy.
Prediksi kandungan tanin buah kesemek dengan menggunakan NIR sudah dilakukan oleh Zhang et al. (2011) menggunakan metode MPLS. Tetapi prediksi terhadap padatan tidak terlarut buah kesemek sebagai salah satu kandungan kimia buah belum ada yang melakukan.
Tujuan Penelitian
Penelitian ini bertujuan untuk memprediksi kadar air, total padatan tidak terlarut dan kandungan tanin buah kesemek secara non destruktif dengan near infrared (NIR) spectroscopy menggunakan principle component regression (PCR) dan partial least square (PLS).
Manfaat Penelitian
Manfaat penelitian ini yaitu tersedianya informasi mengenai penggunaan
near infrared (NIR) Spectroscopy sebagai metode non destruktif untuk mengukur secara cepat kadar air, total padatan tidak terlarut dan kandungan tanin pada buah kesemek dengan menggunakan PCR dan PLS. diintroduksikan ke berbagai negara pada awal abad 19 atau sekitar tahun 1800-an, antara lain ke Korea dan Jepang bahkan sampai ke negara Itali, Israel, Amerika Serikat (California) dan Brazil (Salunkhe and Kadam 1995). Berikut klasifikasi buah kesemek.
Taksonomi tumbuhan kesemek adalah (Hutapea, 1994) Kingdom : Plantae
4
dari permukaan laut dengan curah hujan tinggi. Di Indonesia, kesemek banyak dijumpai di daerah Berastagi Sumatera Utara, Garut dan Ciloto Jawa Barat, Magetan, Malang dan Batu Jawa Timur (Baswarsiati et al. 2006).
Kesemek adalah tanaman dengan tinggi 6-8 m, memiliki batang berbentuk tegak, bulat, berkayu, kasar, dan berwarna hijau kotor. Daun tumbuhan kesemek merupakan daun tunggal, berseling, berbentuk lonjong, tepi rata, ujung runcing, bertangkai pendek dan berwarna hijau. Bunga berbentuk tunggal, tumbuh di ketiak daun, kelopak bentuk bintang dan berwarna hijau, panjang benang sari ± 1 cm berwarna hijau pucat, kepala putik bulat, mahkota berbulu. Kesemek musim berbunga pada bulan oktober – desember yang ditandai dengan gugurnya daun. Buah kesemek dapat dipanen setelah 5 – 7 bulan 150 – 190 hari setelah berbunga (HSB) (Salunkhe and Kadam 1995). Pada pangkal buah terdapat kelopak bunga yang terdiri dari 4. Pangkal buah agak cekung kedalam dan ditutupi dengan kelopak bunga berwarna hijau kecoklatan (Baswarsiati et al. 2006). Buah kesemek berbentuk bulat dengan diameter 6-8 cm, ketika masih muda berwarna hijau dan setelah tua berwarna kuning dan berakar tunggang. Buah kesemek dapat dilihat pada Gambar 1.
Gambar 1 Buah kesemek
Buah kesemek dapat diklasifikasikan ke dalam dua tipe (kategori) umum, yaitu tipe Astrinjen (astringent variety) dan non astrinjen (non astringent variety) (Salunkhe and Kadam 1995). Tipe Astrinjen, adalah tipe buah yang tidak dapat langsung dikonsumsi karena terdapat kandungan tanin yang tinggi yang dicirikan dengan rasa kesat. Untuk dapat dikonsumsi langsung dalam bentuk buah segar, buah tipe Astrinjen ini memerlukan perlakuan pemeraman dan perlakuan lainnya.
Manfaat Kesemek
Buah kesemek termasuk buah yang unik tetapi tidak begitu disukai banyak orang, sebenarnya buah kesemek memiliki banyak manfaat bagi tubuh manusia. Buah kesemek segar mengandung karbohidrat, terutama fruktosa dan glukosa, protein dan kalium. Kesemek juga kaya akan likopen yang berfungsi sebagai antioksidan pencegah kanker, phytochemical lutein, betakaroten dan serat (Salunkhe and Kadam 1995).
5
dan menjaga kesehatan sistem pencernaan. Buah kesemek dapat digunakan untuk mengatasi penyakit batuk, diare dan hipertensi.
Kadar air yang terkandung dalam buah kesemek sebanyak 78 %. Kadar air mempengaruhi juicy dan kekerasan dari buah kesemek. Komposisi gizi buah kesemek dapat dilihat pada Tabel 1.
Tabel 1 Daftar komposisi kimia dan nilai gizi buah kesemek
Kandungan Zat
Sumber : Direktorat Gizi Departemen Kesehatan, RI (1996) Tanin
Senyawa tanin adalah senyawa astringent yang memiliki rasa pahit dari gugus polifenolnya yang dapat mengikat dan mengendapkan atau menyusutkan protein. Tanin merupakan senyawa phenol yang larut dalam air dan memiliki berat molekul antara 500 dan 3000 Da. Tanin diklasifikasikan menjadi hydrolyzable tanin dan
condensed tanins (proanthocyanidins) (Ismarani 2012). Tanin merupakan molekul yang sangat hydroxylated dan dapat menjadi insoluble solid kompleks (tidak larut dalam air) karena dapat mengikat karbohidrat, protein, enzim pencernaan, asam, selulosa dan mineral condensed (Alkurd et al. 2008).
Tanin memiliki sifat umum, yaitu memiliki gugus phenol dan bersifat koloid, sehingga jika terlarut dalam air bersifat koloid dan asam lemah. Kelarutannya besar dan akan meningkat apabila dilarutkan dalam air panas. Begitu juga tanin akan larut dalam pelarut organik seperti metanol, etanol, aseton dan pelarut organik lainnya. Tanin dapat dihidrolisa oleh asam, basa, dan enzim (Ismarani 2012).
6
Total Padatan Tidak Terlarut
Total padatan tidak terlarut merupakan senyawa yang tidak terlarut oleh air. Padatan tidak terlarut yaitu berupa serat kasar yang tidak terlarut oleh air. Serat yang tidak larut dalam air bermanfaat untuk kesehatan pencernaan manusia. Serat tersebut berbentuk seperti sponge yang dapat menyerap air saat melewati tubuh, menambahkan massa untuk tinja dan mempercepat waktu transit, mencegah sembelit dan diverticulosis. Hal ini juga membantu mengurangi risiko kanker usus besar dengan memindahkan racun dan zat-zat penyebab kanker melalui saluran pencernaan lebih cepat (Cho 1999).
Serat tidak larut meliputi lignin, selulosa, dan hemiselulosa. serat tidak larut lebih umum ditemukan di sebagian besar buah, sayuran, kacang-kacangan serta biji-bijian (Caballero et al. 2015). Total padatan tidak terlarut mempengaruhi dari sifat juicy dan tekstur dari buah. Beberapa buah yang mengandung serat tidak terlarut diantaranya yaitu apel, blueberry, pear dan kesemek. Dalam 100 gram buah terkandung serat tidak terlarut sebanyak 1.8 gram pada buah apel, 2.4 gram blueberry, 2.0 gram dalam buah pear dan sebanyak 3.7 gram dalam buah kesemek (Cho 1999).
Near Infrared (NIR) Sprectrocopy
Metode near infrared (NIR) merupakan salah satu teknik yang menggunakan wilayah panjang gelombang infra merah pada spectrum elektromagnetik antara 700 sampai 2500 nm (Dryden 2003). Teknologi near infrared merupakan salah satu metode analitik yang dapat digunakan untuk menganalisis dengan kecepatan tinggi, ketelitian tinggi, tidak menimbulkan polusi, tidak menggunakan bahan kimia dan tidak destruksi (tidak merusak bahan).
NIR banyak digunakan untuk menentukan kandungan kimia suatu bahan organik, karena ikatan molekul bahan organik sangat peka pada kisaran panjang gelombang NIR tersebut. Bahan organik terdiri dari atom – atom utama seperti karbon, oksigen, hidrogen, nitrogen, phosphor, dan sulfur dengan sejumlah kecil elemen lain. Atom – atom ini berkombinasi melalui ikatan kovalen atau elektrokovalen membentuk molekul. Molekul bervibrasi pada frekuensi yang berkaitan dengan panjang gelombang dalam daerah NIR dari spektrum elektromagnetik. Karena sifat ikatannya, gaya elektrostatik ada dalam atom dan molekul tersebut. Ketika molekul-molekul tersebut disinari dengan sumber energi dari luar maka terjadi perubahan energi potensial dalam molekul (William dan Norris 1990).
7
= �� ... (1)
Dimana nilai I adalah intensitas energi yang keluar dari sampel, dan Io adalah energi yang mengenai sampel. Hukum Beer-Lambert menyatakan tentang penyerapan radiasi di dalam bahan. Nilai absorban dihitung dengan persamaan 2:
� �� = � = � = � ... (2)
Dimana nilai A merupakan absorban, k adalah konstanta proporsi, c adalah konsentrasi penyerapan molekul, dan l adalah jarak antara sumber energi ke sampel (William dan Norris 1990). Pada saat sinar radiasi mengenai partikel-partikel sampel maka radiasi dapat dipantulkan, diserap atau diteruskan (Osborne et al. 1993). Nilai yang terukur berupa nilai pancaran pantulan (diffuse reflectance) yang secara empirik berkaitan dengan konsentrasi penyerapan molekul (c).
Panjang gelombang NIR yang diberikan kepada objek mempengaruhi kedalaman daya tembus dari NIR tersebut, hasil penelitian Lammertyn et al (2000) yang mengukur daya tembus cahaya NIR pada berbagai panjang gelombang terhadap buah apel adalah sampai kedalaman 4 mm pada kisaran panjang gelombang 700 – 900 nm dan 2 – 3 mm pada kisaran panjang gelombang 900 – 1900 nm. Keunggulan dari gelombang near-infrared yaitu dapat menganalisis bahan makanan dengan kecepatan dan tingkat ketepatan yang tinggi dan kemudahan dalam melakukan percobaan atau prosedur tidak rumit (Osborne et al. 1993).
Aplikasi Near Infrared untuk Penentuan Mutu Buah Kesemek
Zhang et al. (2011) memprediksi kandungan tanin pada kesemek dengan menggunakan metode kalibrasi modified partial least square (MPLS) dan pengolahan data turunan pertama savitzky-golay (dg1). Didapatkan hasil yaitu nilai r sebsesar 0.72, SEC dan SEP 0.11% dan 0.15%. Janook et al. (2014) mengembangkan model kalibrasi untuk menentukan padatan terlarut (nilai Brix) buah kesemek dengan NIR menggunakan metode partial least square (PLS). Zanamwe (2014) memprediksi kualitas pascapanen buah kesemek ‘Triumph’ menggunakan NIR. Kualitas tersebut yaitu kekerasan, total padatan terlarut, total asam dan warna buah. Metode kalibrasi yang digunakan yaitu PLS.
Metode Kalibrasi dengan Principal Component Regression(PCR)
Hubungan antara spektrum dengan nilai referensi dari analisis kimiawi di laboratorium dapat diketahui dengan mendapatkan nilai kalibrasi dengan metode matematika. Beberapa metode kalibrasi yang dapat digunakan yaitu Stepwise multiple linear regression (SMLR), principal component regression (PCR), dan
partial least squares (PLS).
8
Regression (MLR) dalam merancang model kuantitatif untuk sampel yang kompleks (Chen dan Wang 2001).
PCR merupakan teknik analisis multivariat yang dilakukan dengan terlebih dahulu mereduksi komponen dengan teknik PCA dilanjutkan dengan teknik analisis regresi antara komponen utama yang baru terhadap respon. Metode PCR adalah suatu teknik reduksi data yang digunakan untuk mengekstrak beberapa variabel dari sejumlah besar variabel berguna untuk menghindari masalah overfitting (variabel baru disebut komponen utama) dan merupakan kombinasi linier pengukuran asli oleh karena itu memuat informasi dari seluruh spektrum (Osborne et al. 1993).
Variabel baru diturunkan dalam arah menurun sehingga beberapa komponen pertama berisi sebanyak mungkin variasi data semula. Karena beberapa komponen pertama sudah berisi hampir seluruh variasi data asli, maka beberapa komponen utama pertama dapat digunakan untuk merepresentasikan data asli tanpa kehilangan informasi yang sangat berguna. Dasar dari analisis PCA ini adalah mendeskripsikan variasi sebuah set data dengan sebuah set data baru dimana variabel baru tidak berkorelasi satu sama lain (Miller dan Miller 2005). PC dihitung secara bertahap sehingga PC1 memiliki informasi terbesar dalam set data, sedangkan PC2 memiliki informasi data terbesar dari informasi sisa (setelah dikurangi dari PC1) dan seterusnya. Proses ini akan terus berlangsung sampai semua PC telah dihitung dan membentuk suatu set sumbu koordinat baru, dimana PC akan saling tegak lurus.
Metode Kalibrasi dengan Partial Least Square (PLS)
Metode partial least squares (PLS) digunakan untuk memperkirakan serangkaian variabel tidak bebas (respons) dari variabel bebas (prediktor) yang jumlahnya sangat banyak. PLS merupakan penggabungan model pendugaan sebagai pengembangan model – model kalibrasi yang melibatkan lebih dari dua peubah laten (bebas dan tidak bebas). Proses pendugaan dengan menggunakan metode PLS diaplikasikan pada persamaan hubungan model struktural dan model pengukuran.
PLS merupakan metode olah data yang berbasis linear. Metode PLS hampir sama dengan metode principal components regression (PCR). Perbedaannya terletak pada proses penentuan komponen utama atau principal components (PC). Dalam PCR, penentuan PC hanya berdasarkan variasi maksimum data spektra sedangkan dalam PLS, PC ditentukan berdasarkan variasi maksimum data spektra dan data destruktif secara bersamaan.
Metode PLS menggunakan regresi kuadrat terkecil dalam bentuk matriks membentuk model dari variabel yang ada untuk merangkai respons. Metode ini mempunyai keuntungan yaitu dapat mengoptimalkan hubungan prediktif antara dua kelompok peubah bebas dan tidak bebas dan pemodelannya mengasumsikan sebaran dari kedua peubah tersebut. Beberapa faktor PLS dipilih sebagai masukan data yang ditetapkan untuk mesin kuadrat terkecil dengan faktor sesuai dengan kehandalan akumulatif dari faktor (Liu & He 2007).
Metode Pengolahan Data NIR
9
dari sampel seperti terdapat background dan noise sehingga menyebabkab model prediksi kurang akurat. Pengolahan data spektra NIR digunakan untuk mendapatkan informasi kimia yang tersembunyi di dalam spektra. Metode pengolahan data yang umum digunakan untuk memperbaiki spektrum NIR diantaranya sebagai berikut (Nircal 5.2 Manual 2007; Cen and He 2007):
a. Smoothing Savitzky-Golay(SGs)
Merupakan metode yang sering digunakan untuk mengeleminasi noise.
Smoothing juga digunakan di dalam optimasi signal-to-noise rate. Pada umumnya, dikombinasikan dengan motode pengolah awal data lain untuk melakukan penghilangan noise.
b. First and Second Derivative Savitzky-Golay(dg1 dan dg2)
Turunan pertama dan turunan kedua Savitzky-Golay digunakan untuk menghilangkan background dan meningkatkan resolusi spektra. Derivative mampu mengeliminasi spektrum yang tumpang tindih atau mengurai spektra yang tersembunyi sehingga dapat memperjelas puncak dan lembah spektra absorban data NIR.
c. Normalization
Tujuan dari normalization ini adalah untuk mendapatkan semua data pada sekitar skala yang sama berdasarkan daerah, mean, selang, maksimum, puncak dan vektor satuan. Normalization spektrum berfungsi untuk mentransformasi spektum ke dalam satuan panjang sehingga nilai reflektan berada pada rentang yang lebih panjang.
d. Multiplicative Scatter Correction (MSC)
Metode MSC merupakan salah satu pendekatan untuk mengurangi
amplification (multiplicative, scattering) dan offset (additive, chemical) efek di NIR spektrum. MSC memutari dan mengoreksi setiap spektrum sehingga menemukan kecocokan semirip mungkin dengan spektrum standar yang mungkin sering menjadi mean spektrum.
e. Standard Normal Variate (SNV)
Metode ini adalah transformasi yang menghilangkan efek pembauran (scatter effects) dari spektrum dengan memusatkan dan membuat skala spektrum individual. Fungsi dari SNV adalah menghilangkan gangguan multiplicative interferences dari
scatter effects pada data spektrum. Hasil dari SNV kurang lebih mirip dengan MSC.
METODOLOGI PENELITIAN
Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada bulan Mei – Juli 2015 di Laboratorium Pascapanen, Pusat Kajian Hortikultura Tropika (PKHT) dan Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor.
Bahan dan Alat
10
memiliki tingkat kematangan yang berbedaa yaitu umur panen 150, 170 dan 190 hari setelah berbunga. Bahan lain yang digunakan adalah indigocarmin (C16H8N2Na2O8S2), kalium permanganat (KMnO4) pekat, petroleum eter, etanol 96 %, aquades, kertas saring.
Alat yang digunakan pada penelitian ini adalah Spektrometer NIRFlex N-500 (Buchi Switzerland) dengan panjang gelombang 1000-2500 nm untuk mengukur kandungan kimia buah dengan metode non-destruksi. timbangan digital Adventurer TM OHAUS AR2130 USA, labu takar 250 ml, batang pengaduk, cawan petridis, gelas ukur 100 ml, pipet tetes, penjepit, stoples kaca volume 3310 ml, erlenmeyer 250 ml, corong buchner, buret 50 ml, waterbath, keranjang plastik, kamera digital. Perangkat lunak untuk olah data software Microsoft Excel 2013 dan software
NIRCal, NIRWare Management Console.
Metode Penelitian
Penelitian ini terdiri dari tiga tahapan yaitu pengukuran kandungan kimia buah yaitu kandungan tanin, kadar air dan padatan tidak terlarut secara non destruktif dengan mengukur data spektra NIR menggunakan Near Infrared Spectrometer. Pengukuran kandungan kimia secara destruktif dan pengembangan model kalibrasi serta validasi yang didapatkan dari perbandingan data spektrum NIR dengan data hasil pengukuran secara destruktif menggunakan metode PCR dan PLS. Tahapan penelitian dapat dilihat pada Gambar 2.
Buah kesemek dikelompokkan berdasarkan tingkat kematangannya yaitu buah muda (dominan hijau; umur 150 HSB) tua (hijau kekuningan; umur 170 HSB) dan matang (kuning sampai orange; umur 190 HSB). Proses pengambilan data spektra NIR dilakukan dengan memberikan sinar inframerah pada buah kesemek. Pengukuran spektra NIR dilakukan pada tiga titik yang berbeda pada setiap sampelnya yaitu pangkal, tengah dan ujung buah. Setelah data spektra buah diambil selanjutnya pengukuran secara destruktif dilakukan pada bagian titik yang sama dengan pengukuran spektra NIR.
Persiapan Sampel
Buah kesemek sebanyak 147 dimasukkan ke dalam peti kontainer yang sudah dilapisi koran sebelumnya untuk dibawa ke Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) Institut Pertanian Bogor. Perjalanan yang ditempuh dari Kabupaten Garut ke kampus IPB Dramaga membutuhkan waktu kurang lebih 6 jam perjalanan. Buah kesemek yang digunakan berukuran antara 120 g – 150 g.
Sortasi dan Pembersihan Sampel
11
kesepatan (deastringency treatment) dengan menggunakan dry ice (CO2 padat) sebanyak 10 g, 20 g dan 30 g dan dengan lama treatment yaitu 1 hari, 2 hari dan 3 hari, kemudian buah kesemek disimpan dalam suhu ruang dan diamati selama 9 hari.
Gambar 2 Diagram Alir Penelitian
Pengukuran Reflektan NIR pada Buah Kesemek
Spectrometer NIRFlex N-500 fiber optic solid memiliki panjang gelombang 1000 nm – 2500 nm dengan interval 1 nm digunakan untuk mendapatkan data spektra NIR. Prinsip pengukuran spektra adalah menembakkan cahaya dari lampu halogen ke sampel buah. Masing – masing buah kesemek diukur sebanyak tiga titik yang berbeda yaitu pada pangkal, tengah dan ujung buah, dan tiap titiknya didapatkan 3 spektra NIR. Lamanya satu kali pengukuran spektrum kurang lebih selama 5 detik. Daerah yang disinari akan memberikan hasil berupa spektra yang
12
direkam oleh detektor. Informasi yang diperoleh merupakan hasil interaksi gelombang elektromagnetik dengan komponen penyusun bahan biologi dalam buah.
Pengukuran spektra NIR dilakukan setiap hari, data spektra NIR akan tersimpan di NIRWare management console yang terintegrasi dengan Spectrometer
NIRFlex N-500. Software ini berfungsi sebagai bank data hasil pengukuran dan dapat digunakan untuk pengolahan hasil spektra. Spectrometer NIRFlex N-500 ini dilengkapi dengan software NIRWare operator yang berfungsi untuk pengaturan data operasi pengukuran spektra NIR dan pengaturan data pertama untuk kalibrasi. Setelah data spektra NIR diperoleh selanjutnya data spektra dibagi menjadi dua kelompok secara random (acak) yaitu kelompok kalibrasi dan kelompok validasi dengan sampel yang berbeda dengan NIR Ware. Jumlah data yang digunakan untuk kalibrasi yaitu sebanyak 2/3 dan untuk validasi sebanyak 1/3 dari jumlah keseluruhan sampel.
Pengukuran Mutu Internal Buah Kesemek Secara Destruktif
Pengukuran Kadar Air (AOAC 2005)
Pengukuran kadar air buah kesemek dilakukan dengan metode oven. Prosedur pengukuran yaitu cawan kosong dikeringkan dalam oven dengan suhu 1050 C selama 15 menit dan didinginkan selama 10 menit dalam desikator, selanjutnya cawan ditimbang. Buah kesemek diiris tipis sebanyak 5 g dimasukkan ke dalam cawan dan ditimbang. Selanjutnya cawan yang berisi sampel dimasukkan ke dalam oven dikeringkan selama 21 jam dengan suhu 1050 C. Sampel yang telah kering didinginkan dalam desikator lalu ditimbang kembali. Perbedaan berat sampel sebelum dan sesudah pengeringan disebut sebagai persen basis basah, perhitungan kadar air menggunakan persamaan 3:
� = − × %... (3) Keterangan:
KA : Kadar air sampel dalam basis basah (%b.b) a : Berat sampel sebelum dikeringkan (g) b : Berat sampel setelah dikeringkan (g)
Pengukuran Kandungan Tanin (Alwala et al. 2014)
13
penambahan sebanyak 1 ml KMnO4 sampai warna berubah dari biru menjadi hijau. Selanjutnya titrasi dilakukan sehingga warna hijau menjadi kuning emas. Untuk mengukur kandungan tanin menggunakan persamaan 4:
= − � � � , 4 6× %... (4)
Dimana : KT: Kandungan tanin A;volume titrasi tanin (ml), B: volume titrasi blanko (ml), N;normalitas KmnO4 standar (N), 10;faktor pengenceran, 1ml KMnO4 0.1 N;setara dengan 0.00416 g tanin, C: Sampel (g)
Pengukuran Total Padatan Tidak Terlarut (Sari 2015)
Padatan tidak terlarut pada buah kesemek dapat diukur dengan cara buah dipotong dan diambil sebanyak 10 g kemudian dimasukkan ke dalam blender lalu dihancurkan selama 1 menit. Daging buah yang telah hancur disaring dengan menggunakan saringan ukuran 0.1 mesh. Daging buah yang tidak lolos atau tertinggal pada saringan kemudian ditimbang beratnya. Persentase padatan tidak terlarut didapatkan dengan persamaan 5: kemudian dilakukan pengolahan data. Pengolahan data NIR dilakukan untuk mengurangi eror akibat perbedaan partikel. Pengolahan data NIR yang dilakukan pada penelitian ini yaitu Multiplicative Scatter Correction (MSC) berfungsi untuk mengurangi amplification (multiplicative, scattering) dan offset (additive,
chemical) dan mereduksi variasi baseline dari efek yang terdapat pada spektrum NIR. MSC memutari dan mengoreksi setiap spektrum sehingga menemukan kecocokan.
Standard Normal Variate (SNV)berfungsi untuk menghilangkan gangguan
multiplicative interferences dari efek hamburan (scatter effects) pada data spektrum dengan memusatkan dan menskala dari spektrum. Turunan pertama Savitzky-Golay (dg1) berfungsi untuk menguraikan spektra NIR yang bersatu dan tumpang tindih sehingga nilai reflektan yang dihasilkan diturunkan untuk memperjelas masing-masing puncak dan lembah pada spektra selain itu dg1 dapat mereduksi pengaruh komponen - komponen lain selain komponen yang dianalisis serta memunculkan komponen yang diinginkan (Cen dan He 2007).
Kalibrasi dan Validasi
14
prediksi persamaan kalibrasi yang telah dibangun. Data spektra NIR dan data hasil destruksi buah kesemek yang telah diperoleh selanjutnya akan diolah dengan menggunakan NIRCal 5.2 (Buchi Labortechnik AG, Flawil, Switzerland) yang terintegrasi dengan spectrometer NIRFlex N-500. Data spektra akan dibagi menjadi dua kelompok yaitu kelompok kalibrasi dan kelompok validasi dengan sampel yang berbeda. Jumlah data spektra untuk kalibrasi sebanyak 2/3 dan validasi sebanyak 1/3 dari total sampel. Pada penelitian ini model kalibrasi dibangun dengan menggunakan metode PCR dan PLS.
Hasil kalibrasi dan validasi NIR dengan metode PCR dan PLS dievaluasi berdasarkan nilai koefisien korelasi (r), standar error (SE) dan koefisien keragaman (CV). Koefisien korelasi (r) menunjukkan besarnya kontribusi variabel bebas terhadap variabel terkaitnya. Untuk mendapatkan nilai r (koefisien korelasi) dapat dilihat pada persamaan 6:
= ∑ �−Ȳ ����−Ȳ���
√ �−Ȳ2∑ ����−Ȳ��� ...(6)
Dimana: Y; komposisi kimia uji laboratorium, Ȳ; rata-rata komposisi kimia uji
laboratorium; YNIR; komposisi kimia dugaan NIR, ȲNIR; rata-rata komposisi kimia dugaan NIR.
Standar error (SE) merupakan selisih antara nilai hasil dugaan dan nilai sebenarnya. Semakin kecil nilai SE maka semakin baik pendugaannya, nilai kecil yang baik mendekati nol. Standar eror (SE) diperoleh dengan persamaan 7:
= √∑ � ��−�����
� ...(7)
Dimana; n adalah jumlah sampel, Ynir adalah komposisi kimia dugaan NIR, Yukur adalah komposisi kimia (uji laboratorium).
CV (koefisien keragaman) menunjukkan besarnya error sebanding dengan rata-rata hasil analisis kimiawi laboratorium (data referensi). SE dan CV terkecil menunjukkan hasil yang paling baik. Untuk menghitung CV dapat dilihat pada persamaan 8:
� = � × % ...(8)
Dimana; SE adalah standar error validasi, Y adalah rataan komposisi kimia aktual (uji laboratorium)
RPD (residual predictive deviation) adalah nisbah standar deviasi (SD) metode pembanding terhadap nilai standar error validasi (SEP). Untuk menghitung RPD dapat digunakan persamaan 9:
� = �× % ... (9)
Konsistensi adalah nisbah antara standar error kalibrasi (SEC) dan standar error validasi (SEP). Model kalibrasi dibangun dengan faktor yang optimum berdasarkan nilai konsistensi. Nilai konsistensi yang baik yaitu dalam kisaran nilai 80-110% (NIRCal 5.2 Manual 2007). Konsistensi diperoleh dengan persamaan 10:
15
HASIL DAN PEMBAHASAN
Analisis Spektra Reflektan NIR Buah Kesemek
NIRFlex Solid Petri N-500 digunakan dalam penelitian ini sebagai metode non destruktif untuk menduga kandungan kimia buah kesemek diantaranya yaitu kadar air, padatan tidak terlarut dan kandungan tanin. Spektra original reflektan NIR buah kesemek ditunjukkan pada Gambar 3. Radiasi NIR dengan panjang gelombang 1000-2500 nm pada buah kesemek menghasilkan spektra pantulan (reflektan). Bahan organik yang dikenai radiasi NIR akan mengalami penyerapan (absorption), pemantulan (body reflection), penyebaran (scaterring) dan penerusan cahaya (transmitten). Sekitar 96% sinar radiasi NIR akan masuk ke dalam bahan dan sisanya sekitar 4% akan dipantulkan kembali ke permukaan luar (regular refraction) bahan tersebut (Mohsenin 1984). Cahaya yang ditembakkan oleh NIR hanya akan masuk ke dalam bahan organik hingga sekitar 5 mm saja kedalamannya. Bila kandungan yang akan diukur lebih dari 5 mm kedalamannya maka tingkat keakuratan dari prediksi oleh NIR akan menurun.
Gambar 3 Spektra reflektan buah kesemek
Dari Gambar 3 dapat dilihat bahwa spektra reflektan NIR buah kesemek memiliki spektra yang lebar dan terdapat beberapa puncak dan lembah. Puncak dan lembah pada spektra NIR terjadi karena adanya pengaruh dari kandungan kimia di dalam suatu bahan (Blanco dan Villarroya 2002). Puncak dan lembah yang terjadi dari masing-masing spektra dapat diinterpretasikan bahwa memiliki kandungan kimia yang berbeda-beda (Osborne et al. 1993). Pada spektra reflektan terjadinya penyerapan panjang gelombang terhadap kandungan kimia suatu bahan ditunjukkan dengan adanya lembah. Lembah-lembah penyerapan terjadi karna adanya getaran dan regangan pada kelompok ikatan atom O-H, N-H, dan C-H yang merupakan komponen utama sebagai pembentuk senyawa organik (Mohsenin 1984). Semakin besar persentase kandungan kimia suatu bahan, maka penyerapan akan smakin besar atau lembah pada spektra reflektan akan semakin dalam.
Lembah-lembah penyerapan pada spektra reflektan NIR buah kesemek terjadi antara panjang gelombang 1130-1270 nm, 1380-1650 nm, 1735-1840 nm,
0
1000 1250 1500 1750 2000 2250 2500
16
1860-2220 nm dan 2220-2300 nm. Lembah penyerapan yang terjadi pada pada panjang gelombang 1460 nm dan 1910 nm mengindikasikan adanya kandungan air dalam buah kesemek (William dan Norris 1990). Lembah penyerapan ini terjadi karena terdapat ikatan O-H pada panjang gelombang tersebut (Osborne 1993). Persentase kadar air dalam suatu bahan mempengaruhi bentuk spektrum NIR dan mempengaruhi penyerapan gelombang NIR oleh suatu bahan (Gayo 2006). Tanin merupakan senyawa polifenol dengan stuktur kimia C14H20O9 pada panjang gelombang 2120 nm merupakan panjang gelombang yang terindikasikan terdapat penyerapan kandungan tanin pada sorgum (Shayo 1988). Padatan tidak terlarut berupa serat kasar yang tidak dapat terlarut dalam air. Panjang gelombang 1425 nm dan 1825 nm diindikasikan bahwa adanya penyerapan serat kasar berupa selulosa (William dan Norris 1990).
Kandungan Kimia Buah Kesemek
Pengukuran kondungan kimia buah kesemek terdiri dari kadar air, padatan tidak terlarut, dan tanin dilakukan secara destruktif. Data hasil pengukuran tersebut digunakan sebagai data referensi dalam pengembangan model prediksi. Data pengukuran kandungan kimia buah kesemek secara destruktif menentukan keberhasilan dalam pendugaan nilai parameter mutu buah kesemek dengan menggunakan NIR. Kalibrasi dan validasi dilakukan untuk mendapatkan model prediksi komponen kimia buah kesemek. Metode PCR dan PLS digunakan untuk mengembangkan model kalibrasi dari komponen kimia buah kesemek. Model prediksi didapat dari korelasi antara spekra NIR yang ditembakkan ke bahan dengan data referensi komponen kimia secara destrukstif.
Data kimia (referensi) yang terdiri dari kadar air, total padatan tidak terlarut dan kandungan tanin buah kesemek dapat dilihat pada Tabel 2. Set kalibrasi dan validasi sebelumnya dilakukan eliminasi terhadap data yang jelek atau kurang baik. Data tersebut merupakan pencilan yang dapat mempengaruhi model prediksi menjadi kurang baik, maka perlu dilakukan eliminasi terhadap data pencilan tersebut (Andasuryani 2014). Penentuan set kalibrasi dan set validasi yaitu sebanyak 2/3 dari jumalah total data digunakan untuk set kalibrasi dan 1/3 untuk set validasi. Nilai tertinggi (maksimum) dan terendah (minimum) ditempatkan pada set kalibrasi (Yan et al. 2009).
Tabel 2 Data statistik kandungan kimia buah kesemek
Parameter Jumlah Maksimum Minimum Standar Rata-
data deviasi rata
17
memiliki rentang kandungan yang terukur berkisar 0.55-9.91% dari berat total. Untuk nilai dari hasil analisis kandungan tanin buah kesemek pada penelitian ini berada pada kisaran 0.01-0.55%. Nilai kandungan tanin buah kesemek yang didapat pada penelitian ini lebih kecil dibandingkan dengan kultivar Yokono dari Jepang yang memiliki kandungan tanin berkisar antara 1.94-4.87% (Ito 1978). Hal ini terjadi karena adanya perlakuan penurunan tanin menggunakan gas CO2 padat. Standar deviasi merupakan banyaknya keragaman yang terdapat dalam satu kumpulan data yang dianalisis. Kadar air dan padatan tidak terlarut memiliki nilai standar deviasi yaitu sebesar 3.07% dan 2.45% nilai tersebut lebih tinggi dibandingkan dengan kandungan tanin yang memiliki nilai sebesar 0.16%.
Pada penelitian ini buah kesemek yang digunakan memiliki tiga tingkat kematangan yang berbeda yaitu muda, tua dan matang berdasarkan umur panennya yaitu 150 hari setelah berbunga (HSB), 170 HSB dan 190 HSB. Untuk melihat apakah ada perbedaan kandungan kimia berdasarkan tingkat kematangan buah maka disajikan dibawah ini rata – rata kandungan kimia dari setiap tingkat kematangan buah kesemek pada Tabel 3.
Tabel 3 Data statistik kandungan kimia buah kesemek berdasarkan umur panen
Parameter
Tabel 3 menunjukkan bahwa adanya perbedaan kandungan kimia buah kesemek berdasarkan tingkat kematangannya. Buah kesemek dari muda sampai matang mengalami penurunan kadar air yaitu 78.58% menjadi 74.34%. Sama halnya dengan padatan tidak terlarut juga mengalami penurunan yaitu sebesar 7.29% menjadi 2.97%. Kandungan tanin pada buah muda sebesar 0.18% dan pada buah matang sebesar 0.10%. Penurunan kandungan kimia yang terjadi pada buah kesemek hal ini disebabkan karena adanya penyimpanan yang dilakukan pada penelitian selama 9 hari untuk treatment deastrigency (penurunan kandungan tanin) menggunakan gas CO2 padat. Standar deviasi pada kadar air cukup tinggi dan terdapat perbedaan antar umur panennya, sedangkan pada padatan tidak terlarut dan kandungan tanin standar deviasi antar umur panen hampir sama.
18
Gambar 4 Sebaran data kandungan kimia buah kesemek berdasarkan umur panen (a) kadar air, (b) padatan tidak terlarut, (c) kandungan tanin
19
(a)
(b)
(c)
Gambar 5 Sebaran data rata – rata kandungan kimia buah kesemek berdasarkan umur panen dan perlakuan penyimpanan (a) kadar air, (b) padatan tidak terlarut (c) kandungan tanin
Model prediksi kandungan kimia suatu bahan yang telah dibangun dikatakan sudah cukup baik dilihat dari nilai koefisien korelasi (r), standar error (SE), RPD, koefisien keragaman (CV) dan konsistensi. Nilai koefisien korelasi digunakan
20
untuk mengetahui besarnya kontribusi variabel bebas terhadap variabel terkaitnya. Standar error merupakan selisih antara nilai hasil dugaan oleh NIR dan nilai sebenarnya (referensi). Model prediksi yang baik memiliki nilai r yang besar, SE yang rendah, RPD yang tinggi, CV yang rendah dan konsistensi berkisar antara 80-110%. Nilai r yang besar mendekati 1 dan SE yang kecil mendekati nilai 0 dikatakan model dapat memprediksi dengan tepat (Kleinbaum et al. 2008).
Kalibrasi dan Validasi Komponen Kimia Buah Kesemek dengan Metode PCR
Model prediksi kandungan kimia buah kesemek dikembangkan menggunakan metode PCR. Pada metode PCR terdapat proses reduksi data gelombang NIR yang memiliki jumlah banyak menjadi variabel baru atau disebut dengan komponen utama (PC) dengan jumlah yang lebih sedikit. PC yang telah didapat tetap memiliki informasi asli dari gelombang NIR. Akurasi dari model prediksi kandungan kimia suatu bahan menggunakan metode PCR ditentukan dari pemilihan jumlah PC yang optimum dan pemilihan metode pengolahan data spektra NIR yang digunakan (Andasuryani 2014). Chen et al. (2013) mengatakan bahwa pemilihan jumlah PC yang optimum sangat penting agar mendapatkan informasi yang banyak dan untuk mengurangi noise dari spektra NIR.
Kadar Air
Secara umum prediksi kadar air buah kesemek menggunakan metode PCR cukup baik. Air merupakan komponen utama yang terdapat dalam buah kesemek. Buah kesemek memiliki kandungan air yang tinggi yaitu sekitar 78% dari berat total 100 g buah. Kandungan air dalam buah dapat mempengaruhi spekta NIR. Model prediksi kadar air buah kesemek dibangun dengan menggunakan metode PCR. Data statistik hasil kalibrasi dan validasi pendugaan kadar air buah kesemek metode PCR dapat dilihat pada Tabel 4.
Tabel 4 Data statistik hasil kalibrasi dan validasi pendugaan kadar air buah kesemek metode PCR dengan berbagai pengolahan data. Pengolahan data yang digunakan pada penelitian ini yaitu turunan pertama Savitzky-Golay (dg1), multiplicative scatter correction
21
yang lebih buruk dibandingkan dengan tanpa pengolahan (original). Hal ini terjadi karena kandungan air dalam buah kesemek memiliki persentase yang besar tidak cocok bila menggunakan turunan pertama Savitzky-Golay (dg1).
Nilai r, SEP, RPD dan CV yang didapat dari pengolahan data MSC dan SNV memiliki nilai yang sama. Pada dasarnya MSC dan SNV berfungsi untuk menghilangkan adanya efek pembauran pada data spektrum, sehingga menghasilkan model yang mirip (Iqbal et al. 2014). Maka model prediksi kadar air buah kesemek metode PCR yang terbaik didapatkan pada pengolahan data menggunakan MSC dan SNV. Penggunaan pengolahan data MSC dan SNV PC 8 didapatkan nilai r, SEP, RPD dan CV yang sama, hanya nilai SEC dan konsistensi yang berbeda sedikit. Nilai SEC yang didapat pada pengolahan MSC sebesar 1.46% dan SNV sebesar 1.45%, nilai SEP keduanya sama yaitu 1.75% dan selisih antara SEC dan SEP tersebut kecil. Nilai CV dari metode MSC dan SNV didapat sebesar 2.29%, nilai CV tersebut kecil yaitu kurang dari 10%. Mlček et al. (2006) menyatakan bahwa persamaan yang dibangun handal jika CV kurang dari 10%. Nilai konsistensi dari kedua metode pengolahan data masih berada pada kisaran 80-110%. Metode MSC dan SNV didapatkan nilai r 0.90. Nilai r sebesar 0.90 menunjukkan bahwa adanya korelasi yang kuat antara variabel data aktual (referensi) dengan data spektrum NIR (Andasuryani et al. 2014). Parameter evaluasi model kalibrasi yang baik dapat dilakukan dengan melihat nilai RPD. Nilai RPD yang didapat pada penelitian ini yaitu sebesar 1.47 dapat dikatakan bahwa model prediksi yang dibangun berpotensi untuk digunakan tetapi dengan dilakukan perbaikan (Munawar 2014). Dilihat dari nilai r, selisih antara SEC/SEP, nilai RPD, nilai CV dan konsistensi maka dapat dikatakan bahwa model prediksi yang telah dibangun berpotensi untuk menduga kadar air buah kesemek. Plot sebaran hasil kalibrasi dan validasi pendugaan kadar air metode PCR dengan pengolahan data SNV dapat dilihat pada Gambar 6.
Gambar 6 Hasil kalibrasi dan validasi pendugaan kadar air metode PCR dengan pengolahan data SNV
Total Padatan Tidak Terlarut
Secara umum prediksi total padatan tidak terlarut buah kesemek menggunakan metode PCR cukup baik. Data statistik hasil kalibrasi dan validasi pe
22
ndugaan padatan tidak terlarut buah kesemek metode PCR dapat dilihat pada Tabel 5. Dari hasil yang didapat penggunaan pengolahan data MSC dan SNV dapat meningkatkan model kalibrasi dari pendugaan padatan tidak terlarut buah kesemek dibandingkan dengan pengolahan data dg1. Model prediksi yang didapat dari metode MSC dan SNV hampir sama. Metode MSC dan SNV sama - sama memiliki kinerja menghilangkan efek pembauran pada data spektrum. Hasil kalibrasi dan validasi terbaik untuk pendugaan total padatan tidak terlarut buah kesemek metode PCR yaitu dengan menggunakan pengolahan MSC karena nilai RPD yang lebih tingi, selisih antara SEC/SEP dan nilai CV yang lebih kecil dibandingkan dengan pengolahan SNV. Hasil ini sesuai dengan hasil penelitian yang didapatkan oleh Sari (2015) pada mangga gedong gincu.
Tabel 5 Data statistik hasil kalibrasi dan validasi pendugaan padatan tidak terlarut buah kesemek metode PCR
23
Gambar 7 Hasil kalibrasi dan validasi pendugaan padatan tidak terlarut metode PCR dengan pengolahan data MSC
Kandungan Tanin
Secara umum prediksi NIR untuk kandungan tanin belum akurat hal ini disebabkan karena data destruksi kandungan tanin tidak mempunyai trend kecendrungan dan kandungan tanin pada buah kesemek sangat kecil yaitu rentang 0.01-0.55% sehingga NIR sulit untuk memprediksinya. Kandungan tanin menjadi semakin menurun karena dilakukan perlakuan deastingency meggunakan CO2 padat, tanin yang sebelumnya terlarut menjadi tidak terlarut dan NIR memprediksi tanin yang terlarut. Schmilovitch et al. (2000) mengatakan bahwa NIR sulit untuk memprediksi kandungan kimia buah jika jumlahnya sedikit. Dilihat dari nilai RPD dan r yang tinggi, selisih antara SEC/SEP dan nilai CV yang kecil, dan penggunaan PC (komponen utama) yang sedikit maka pendugaan kandungan tanin buah kesemek metode PCR yang terbaik yaitu menggunakan pengolahan multiplicative scatter correction (MSC). Data statistik hasil kalibrasi dan validasi pendugaan kandungan tanin buah kesemek metode PCR dapat dilihat pada Tabel 6.
Tabel 6 Data statistik hasil kalibrasi dan validasi pendugaan kandungan tanin buah kesemek metode PCR
24
didapatkan nilai RPD sebesar 1.14. Nilai konsistensi sebesar 85.27% dikatakan bahwa persamaan yang dibangun baik (Tiaprasit dan Sangpithukwong 2010). Nilai CV yang didapat sangat besar yaitu 85.27%. Dilihat dari nilai RPD yang kecil dan nilai CV yang besar hal ini menunjukkan bahwa NIR belum dapat memprediksi kandungan tanin dalam buah kesemek secara tepat. Plot sebaran data hasil kalibrasi dan validasi pendugaan kandungan tanin buah kesemek metode PCR dengan pengolahan data dg1 dapat dilihat pada Gambar 8.
Gambar 8 Hasil kalibrasi dan validasi pendugaan kandungan tanin metode PCR dengan pengolahan data MSC
Kalibrasi dan Validasi Komponen Kimia Buah Kesemek dengan Metode PLS
Model prediksi didapat dari korelasi antara spekra NIR yang ditembakkan ke bahan dengan data referensi kadar air, padatan tidak terlarut dan kandungan tanin buah kesemek secara destrukstif. Model kalibrasi dibangun dengan menggunakan metode partial least square (PLS). Kalibrasi merupakan tahap untuk mendapatkan korelasi antara spektra reflektan NIR dengan hasil pengujian kadar air dan kandungan tanin buah kesemek metode destruktif. Validasi bertujuan untuk menguji ketepatan prediksi persamaan kalibrasi yang telah dibangun.
Pada metode PLS pemilihan jumlah faktor dan pemilihan metode pengolahan data spektra sangat mempengaruhi model kalibrasi yang dibangun (Andasuryani et al. 2014). Jumlah faktor PLS menunjukkan perbedaan performance model kalibrasi berdasarkan nilai reflektan dengan pengolahan data. Pemilihan jumlah faktor PLS dapat mengurangi gangguan pada spektra (Chen et al. 2013). Pengolahan data NIR yang digunakan pada metode PLS yaitu turunan pertama savitzky-golay (dg1),
multiplicative scatter correction (MSC) dan standard normal variate (SNV).
Kadar Air
Secara umum prediksi kadar air buah kesemek menggunakan metode PLS cukup baik. Data statistik hasil kalibrasi dan validasi pendugaan kadar air buah kesemek metode PLS dapat dilihat pada Tabel 7. Dari Tabel 7 menunjukkan bahwa
25
penggunaan pengolahan data MSC dan SNV pada prediksi kadar air buah kesemek memberi pengaruh nyata untuk meningkatkan kinerja PLS hasil pendugaan. Hal ini terlihat dari nilai r dan RPD yang meningkat dan nilai SEC, SEP, CV yang semakin menurun.
Tabel 7 Data statistik hasil kalibrasi dan validasi pendugaan kadar air buah kesemek metode PLS
Pada Tabel 7 dapat dilihat dari nilai RPD yang tinggi, nilai r yang tinggi, nilai SEC dan SEP yang kecil dan nilai CV yang kecil maka prediksi kadar air metode PLS terbaik diperoleh menggunakan pengolahan data SNV dan 8 faktor PLS. Nilai r dan RPD yang didapat meningkat dibandingkan dengan tanpa pengolahan yaitu dari 0.90 menjadi 0.92 untuk r dan 1.39 menjadi 1.68 untuk RPD. Dilihat dari nilai r diatas 0.90 dan nilai RPD antara 1.51-2.00 maka menunjukkan adanya korelasi yang kuat antara spektra NIR dengan data aktual dan model prediksi yang dikembangkan baik (Andasuryani et al. 2014; Munawar 2014). Dengan metode SNV nilai SEC dan SEP yang didapat menurun berturut turut dari 1.48% menjadi 1.29% dan dari 1.85% menjadi 1.53%. Selisih antara SEC dan SEP kecil dan masih berada pada nilai konsistensi baik antara 80-110% (Tiaprasit dan Sangpithukwong 2010). Nilai CV yang didapat kecil yaitu 2.00% menunjukkan persamaan yang dibangun sudah handal untuk prediksi kadar air buah kesemek (Mlček et al. 2006). Dilihat dari nilai r, selisih antara SEC/SEP, nilai RPD, nilai CV dan konsistensi maka model prediksi yang dibangun dapat menduga kadar air buah kesemek cukup baik. Plot penyebaran hasil kalibrasi dan validasi pendugaan kadar air metode PLS dengan pengolahan data SNV dapat dilihat pada Gambar 9.
26
Total Padatan Tidak Terlarut
Secara umum predisi total padatan tidak terlarut metode PLS cukup baik. Data statistik hasil kalibrasi dan validasi pendugaan padatan tidak terlarut buah kesemek metode PLS dapat dilihat pada Tabel 8. Model prediksi pendugaan padatan tidak terlarut buah kesemek menggunakan pra pengolahan MSC dan SNV lebih baik dibandingkan dengan pra pengolahan dg1 pada metode PLS karena mampu menghilangkan efek pembauran pada data spektrum. Dilihat dari nilai r yang tinggi dan nilai SEC yang kecil model prediksi terbaik ditunjukkan oleh pra pengolahan SNV. Selain itu dapat dilihat dari nilai RPD yang tinggi, selisih antara SEC dan SEP yang kecil dan jumlah faktor yang lebih sedikit ditunjukkan oleh pra pengolahan MSC. Maka model kalibrasi terbaik untuk pendugaan total padatan tidak terlarut buah kesemek yaitu menggunakan pra pengolahan MSC. Hasil ini sesuai dengan hasil penelitian yang didapatkan oleh Sari (2015) pada mangga gedong gincu.
Tabel 8 Data statistik hasil kalibrasi dan validasi padatan tidak terlarut buah kesemek metode PLS
Pengolahan Faktor/ r SEC SEP RPD CV Konsistensi
data PC (%) (%) (%) (%)
Original 8 0.83 1.39 1.49 1.58 31.21 93.74
dg1 3 0.79 1.55 1.80 1.30 37.80 86.24
MSC 7 0.83 1.42 1.48 1.59 31.04 92.28
SNV 8 0.85 1.33 1.49 1.58 31.25 89.29
27
Gambar 10 Hasil kalibrasi dan validasi pendugaan kadar air metode PLS dengan pengolahan data SNV
Kandungan Tanin
Secara umum prediksi kandungan tanin buah kesemek metode PLS belum akurat. Prediksi kandungan tanin pada buah kesemek tanpa pengolahan data menunjukkan model yang belum baik. Maka dilakukan pengolahan data untuk meningkatkan hasil model prediksi menjadi lebih baik. Model prediksi kandungan tanin buah kesemek yang baik dilihat dari nilai RPD yang tinggi dan selisih antara SEC dan SEP yang kecil ditunjukkan oleh pengolahan data dg1 dan SNV. Selain itu dapat dilihat dari nilai r yang tinggi, nilai CV yang kecil dan jumlah faktor yang sedikit diperoleh dengan menggunakan pengolahan data turunan pertama Savitzky-Golay (dg1). Karena itu pra pengolahan data dg1 merupakan pengolahan data terbaik untuk pendugaan kandungan tanin buah kesemek metode PLS. Hasil ini sama dengan yang didapatkan oleh Zhang et al. (2011) yaitu metode terbaik untuk memprediksi kandungan tanin buah kesemek Mopanshi menggunakan pra pengolahan data dg1. Hal ini terjadi karena kandungan tanin yang terdapat dalam buah kesemek persentasenya sedikit sehingga diperlukan metode turuna pertama Savitzky Golay (dg1) untuk memprediksinya. Pengolahan dg1 berfungsi untuk menguraikan spektra NIR yang bersatu dan tumpang tindih sehingga nilai reflektan yang dihasilkan diturunkan untuk memperjelas masing-masing puncak dan lembah pada spektra selain itu dg1 dapat mereduksi pengaruh komponen - komponen lain selain komponen yang dianalisis serta memunculkan komponen yang diinginkan (Cen dan He, 2007).
28
Jumlah faktor yang terlalu banyak dapat mengurangi kemampuan NIR untuk memprediksi komponen kimia suatu bahan karena terjadinya gangguan pada spektra NIR (Andasuryani et al. 2014).
Tabel 9 Data statistik hasil kalibrasi dan validasi pendugaan kandungan tanin buah kesemek metode PLS
Nilai RPD yang didapatkan yaitu 1.06 nilai ini termasuk kecil dan model yang dibangun kurang baik. Nilai CV yang didapat sangat besar yaitu 92.07% hal ini diduga karena data kimia tanin yang tidak tersebar secara normal dan kandungan tanin pada buah kesemek sangat kecil, NIR sulit untuk memprediksi kandungan kimia buah jika jumlahnya sedikit (Schmilovitch et al. 2000). Data kimia yang tidak tersebar secara normal hal ini terjadi karena pengaruh dari perlakuan penurunan tanin sebalum buah ditembakan dengan NIR. Tanin yang diprediksi oleh NIR yaitu tanin yang terlarut, sedangkan tujuan dari perlakuan penurunan tanin tersebut yaitu merubah tanin yang terlarut menjadi tanin yang tidak terlarut dalam air sehingga buah menjadi tidak sepat pada saat dimakan. Kandungan tanin yang terlarut dalam buah kesemek yang diteliti menjadi sangat sedikit dan tidak tidak memiliki trend kecendrungan sehingga mendapatkan nilai RPD kecil dan nilai CV yang besar. Dilihat dari nilai RPD yang kecil yaitu 1.06 dan nilai CV yang besar yaitu 92.07% mengindikasikan bahwa model prediksi yang dibangun belum baik dan prediksi kandungan tanin oleh NIR belum dapat dilakukan secara tepat. Plot sebaran data hasil kalibrasi dan validasi pendugaan kandungan tanin buah kesemek metode PLS dengan pengolahan data dg1 dapat dilihat pada Gambar 11.
