LINTONG MENGGUNAKAN NIR SPECTROSCOPY DAN PLS
SKRIPSI
SAHFITRI 150308015
PROGRAM STUDI KETEKNIKAN PERTANIAN FAKULTAS PERTANIAN
UNIVERSITAS SUMATERA UTARA
2019
LINTONG MENGGUNAKAN NIR SPECTROSCOPY DAN PLS
SKRIPSI
OLEH:
SAHFITRI
150308015/KETEKNIKAN PERTANIAN
Skripsi sebagai salah satu syarat untuk dapat memperoleh gelar sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian
Universitas Sumtera Utara
PROGRAM STUDI KETEKNIKAN PERTANIAN FAKULTAS PERTANIAN
UNIVERSITAS SUMATERA UTARA
2019
Riswanti Sigalingging, STP, M.Si, Ph.D Putri Chandra Ayu, STP, M.Si
Sulastri Panggabean, STP, M.Si
ABSTRAK
SAHFITRI : Identifikasi Kandungan Kadar Air, Lemak, dan Karbohidrat pada Kopi Green Bean Arabika Lintong Menggunakan NIR Spectroscopy dan PLS di bimbing oleh Adian Rindang.
Pengukuran komposisi kimia biasanya dilakukan demgan menggunakan metode kimia yang tidak efektif dan efesien. Saat ini, metode, Fourier Transform Near Infrared Spectroscopy (FT-NIRS) dikembangkan untuk mengukur kandungan kimia kopi dalam waktu singkat. Partial Least Squares (PLS) adalah metode untuk membangun model kalibrasi. Tujuan penelitian ini adalah untuk mendapatkan model kalibrasi terbaik untuk mengidentifikasi kandungan air, lemak dan karbohidrat pada kopi green bean arabika Lintong menggunakan metode PLS. Beberapa pretreatment data NIR digunakan, yaitu turunan pertama (dg1), turunan kedua (dg2), multiple scatter correction (MSC), standard normal variate (SNV) turunan pertama + MSC dan turunan kedua + MSC. Hasil penelitian menunjukkan bahwa model kalibrasi terbaik untuk masing-masing parameter, kadar air diperoleh menggunakan MSC dengan 7 faktor PLS, ditunjukkan oleh nilai r sebesar 0,860 dan residual predictive deviation (RPD) adalah 2,09. Lemak menggunakan turunan pertama dengan 3 faktor PLS, ditunjukkan oleh r sebesar 0,708 dan RPD adalah 1,51 dan karbohidrat, menggunakan MSC dengan 8 faktor PLS, ditunjukkan oleh r sebesar 0,854 dan RPD adalah 2,05.
Kata kunci: Kopi, Lintong, NIRS, PLS
ABSTRACT
SAHFITRI: : Identification of Water, Lipid, and Carbohydrate Contents in Lintong Arabica Green Bean Using NIR Spectroscopy and PLS method by Adian Rindang.
Measurement of chemical composition is usually done using chemical methods that are not effective and in efficient.Nowadays, Fourier Transform Near Infrared Spectroscopy (FT-NIRS) method is developed in measuring the chemical content of coffee in a short time. Partial Least Squares (PLS) is a method for constructing calibration model. The purpose of this study was to obtain the best calibration model to identify water, lipid and carbohydrate contents in Lintong arabica green bean coffee using the PLS method. Some NIR pretreatment data were used namely, first derivative (dg1), second derivative (dg2), multiple scatter correction (MSC), standard normal variate (SNV), first derivative + MSC and second derivative + MSC. Results showed that the best calibration model for each parameter were as follows: water content was obtained using MSC with 7 PLS factors, indicated by r value of 0.860 and residual predictive deviation (RPD) was 2.09. Lipid was using the first derivative with 3 PLS factors, indicated by r of 0.708 and RPD was 1.51 and carbohydrate, using MSC with 8 PLS factors, indicated by r of 0.854 and RPD was 2.05.
Keywords: Coffee, Lintong, NIRS, PLS
RIWAYAT HIDUP
Penulis dilahirkan di Suka Jadi pada tanggal 3 September 1996 dari Bapak Marino dan Ibu Sutiyah. Penulis merupakan anak pertama dari dua bersaudara.
Tahun 2015 penulis lulus dari MAN Kisaran dan di tahun yang sama penulis lulus di Fakultas Pertanian Universitas Sumatera Utara melalui jalur undangan (SNMPTN). Penulis memilih minat Processing, Program Studi Keteknikan Pertanian.
Selama mengikuti perkuliahan, penulis aktif sebagai Anggota Ikatan Mahasiswa Keteknikan Pertanian (IMATETA). Pengurus BKM Al-Mukhlisin 2017/2018. Selain itu penulis juga aktif sebagai Pengurus Ikatan Mahasiswa Teknik Pertanian Indonesia (IMATETANI) 2018/2019.
Penulis melaksanakan kuliah kerja nyata (KKN) di Desa Bagan Asahan, Kecamatan Tanjung Balai, Kabupaten Asahan pada bulan Juli sampai Agustus 2018. Penulis juga melaksanakan praktek kerja lapangan (PKL) di Pabrik Kelapa Sawit PT. Perkebunan Nusantara II Pagar Merbau pada bulan Januari 2019.
Penulis pernah mengikuti seminar International Conference Of Agriculture, Environment and Food Security (AEFS) pada bulan Oktober 2019 di Hotel Arya Duta Medan.
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan penelitian dan penulisan skripsi ini sebagai tugas akhir untuk memperoleh gelar sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian Universitas Sumatera Utara, Medan. Judul skripsi ini adalah “Identifikasi Kandungan Air, Lemak dan Karbohidrat Pada Kopi Green Bean Arabika Lintong Menggunakan NIR Spectroscopy dan PLS”
Pada kesempatan ini, penulis mengucapkan terima kasih kepada kedua Orangtua penulis yang telah membesarkan dan mendidik penulis. Penulis menyampaikan ucapan terimakasih kepada Ibu Adian Rindang, STP, M.Si selaku dosen pembimbing yang telah membimbing dan memberikan berbagai masukan, saran dan kritik yang bermanfaat bagi penulis, kepada Ibu Riswanti Sigalingging, STP, M.Si, Ph.D, Ibu Putri Chandra Ayu, STP, M.Si dan Ibu Sulastri Panggabean, STP, M.Si selaku dosen penguji, serta kepada semua staf pengajar dan pegawai di Program Studi Keteknikan Pertanian dan Universitas Sumatera Utara atas bantuannya dalam membantu dana penelitian penulisan TALENTA USU.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Oleh karena itu penulis mengharapkan kritik dan saran dari para pembaca yang bersifat membangun untuk melengkapi skripsi ini. Akhir kata, penulis mengucapkan terima kasih, semoga skripsi ini bermanfaat bagi pihak yang membutuhkan.
Medan, Desember 2019
Penulis
DAFTAR ISI
Hal.
ABSTRAK ... i
RIWAYAT HIDUP ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... iv
DAFTAR TABEL ... v
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vii
PENDAHULUAN... 1
Latar Belakang ... 1
Tujuan Penelitian ... 5
Manfaat Penelitian ... 5
TINJAUAN PUSTAKA... 6
Kopi ... 6
Kandungan kimia Kopi ... 7
Near Infrared Reflectance Spectroscopy (NIRS) ... 8
Pengolahan data NIR... 13
Partial Least Square (PLS) ... 14
Evaluasi Model... 16
METODOLOGI PENELITIAN ... 19
Waktu dan Tempat Penelitian ... 19
Bahan dan Alat ... 19
Metode Penelitian... 19
Akuisi Spektra Biji Kopi ... 19
Analisis Kimia ... 20
Analisis data penelitian ... 21
Evaluasi hasil kalibrasi dan validasi ... 23
HASIL DAN PEMBAHASAN ... 24
Pola Gelombang Spektra Reflektan NIRS Biji Kopi Lintong ... 24
Kandungan Kadar Air, lemak dan Karbohidrat Biji Kopi Lintong ... 29
Loading Plot Spektra Biji Kopi Lintong ... 31
Kalibrasi dan validasi dengan Metode PLS ... 33
KESIMPULAN DAN SARAN ... 41
DAFTAR PUSTAKA ... 42
LAMPIRAN ... 46
DAFTAR TABEL
No. Hal.
1. Komposisi kandungan kimia biji kopi arabika ... 7
2. Karakteristik kimia biji kopi (green bean) ... 7
3. Kandungan air, lemak dan karbohidrat biji kopi Lintong ... 29
4. Panjang gelombang kadar air, lemak dan karbohidrat ... 31
5. Hasil kalibrasi dan validasi untuk kandungan kadar air pada biji kopi ... 35
6. Hasil kalibrasi dan validasi untuk kandungan lemak pada biji kopi ... 36
7. Hasil kalibrasi dan validasi untuk kandungan karbohidrat pada biji kopi ... 38
DAFTAR GAMBAR
No. Hal.
1. Kopi Arabika ... . 6
2. Informasi vibrasi molekul gugus hidroksil X-H pada spektra absorbansi NIR produk hasil pertanian ... ... 8
3. Skema instrumentasi filter untuk pengukuran NIR... 10
4. Skema instrumentasi dispersi untuk pengukuran NIR ... 10
5. Respon bahan saat dikenai cahaya NIR ... 12
6. Teknologi kompresi data dengan PLS ... 16
7. Spektra original 90 absorban biji kopi lintong ...25
8. Spektra 90 data biji kopi lintong setelah di pretreatment dengan MSC... 25
9. Spektra 90 data biji kopi lintong setelah di pretreatment dengan SNV ... 26
10. Spektra 90 data biji kopi lintong setelah di pretreatment dengan turunan pertama (dg1) ... 27
11. Spektra 90 data biji kopi lintong setelah di pretreatment dengan turunan kedua (dg2) ... 27
12. Spektra 90 data biji kopi lintong setelah di pretreatment dengan turunan pertama dan Multiplicate Scatter Correction (MSC) ... 28
13. Spektra 90 data biji kopi lintong setelah di pretreatment dengan turunan kedua dan Multiplicate Scatter Correction (MSC) ... 28
14. Loading plot Multiplicate Scatter Correction (MSC) kadar air ... 32
15. Loading plot turunan pertama (dg1) lemak... 32
16. Loading plot Multiplicate Scatter Correction (MSC) karbohidrat ... 33
17. Prediksi kandungan kadar air biji kopi ... 35
18. Prediksi kandungan lemak biji kopi ... 37
19. Prediksi kandungan karbohidrat biji kopi ... 38
DAFTAR LAMPIRAN
No. Hal.
1. Flowchart Penelitian ... 46
2. Pengukuran Reflektan menggunakan FT-NIRS ... 47
3. Bahan dan Alat Penelitian ... 48
4. Data kandungan karbohidrat biji kopi arabika Lintong ... 49
5. Data kandungan kimia kadar air, lemak dan karbohidrat ... 50
6. Langkah pengolahan data dengan aplikasi unscrambler ... 51
7. Hasil Data Kalibrasi dan Validasi PLS untuk kadar air ... 55
8. Hasil Data Kalibrasi dan Validasi PLS untuk lemak ... 57
9. Hasil Data Kalibrasi dan Validasi PLS untuk Karbohidrat...59
10. Beberapa data spektra original kadar air ... 61
PENDAHULUAN
Latar Belakang
Indonesia adalah negara pengekspor kopi terbesar di dunia setelah Brazil,
Vietnam, dan Kolombia, dengan total ekspor sebesar 636 ribu ton (Siahaan, 2008). Kopi merupakan komoditi perkebunan yang memiliki nilai
ekonomis yang cukup tinggi dan memegang peranan penting bagi Indonesia.
Secara umum jenis kopi yang dibudidayakan di Indonesia ada dua jenis yaitu kopi arabika dan kopi robusta. Namun kopi arabika lebih menonjol dari segi produksi karena kualitas dan kuantitasnya, hal ini sesuai dengan literatur (AEKI, 2006) yang menyatakan bahwa kopi arabika dalam pasokan dunia tidak kurang dari 70%
dan kopi robusta yang mutunya di bawah kopi arabika, mengambil bagian 24%
produksi dunia.
Kualitas pada biji kopi dapat dilihat dari tampilan fisik, rasa dan komposisi kimianya (Athfiyah, 2017). Kandungan kimia dan mutu biji kopi berbeda-beda, bergantung pada tipe kopi, tanah tempat tumbuh dan proses pengolahan pascapanen kopi yang tepat (Panggabean, 2011). Perbedaan tersebut dapat mempengaruhi karakteristik flavor, cita rasa dan tekstur pada biji kopi.
Kadar air salah satu karakteristik yang mempengaruhi cita rasa, tekstur dan penampakan pada kopi (Winarno, 2008). Kadar air pada kopi green bean untuk penyimpanan maksimal 12,5% (AEKI, 2006). Nilai ini tergolong cukup baik, dikarenakan pada kadar air biji kopi >12,5% akan memacu pertumbuhan mikroba pada saat penyimpanan sedangkan <8,5% dapat menurunkan kualitas. Sehingga nilai kadar air harus lebih diperhatikan untuk mempertahankan kualitas (Farah, 2012).
Lama fermentasi dan penyangraian akan mempengaruhi nilai kadar lemak dari kopi. Jumlah kandungan lemak yang terkandung di dalam biji kopi mempengaruhi cita rasa bubuk kopi. Buffo dan Cardelli Freire (2004) menyatakan bahwa Kopi yang direndam dan disangrai lebih lama memiliki kadar lemak dan kafein yang lebih besar. Hayati dkk. (2012), menyatakan bahwa kandungan lemak kopi arabika 5,66% dengan perlakuan lama fermentasi biji selama 36 jam.
Karbohidrat adalah unsur utama kopi yang terdiri dari polisakarida berkisar antara 34-44% pada kopi jenis arabika dan 48-55 % kopi jesis robusta, namun, kopi terkenal dengan rasa pahit, hal ini disebabkan karena molekul gula yang sudah terpecah akibat reaksi Maillard yaitu reaksi kimiawi antara asam amino dengan molekul gula direduksi, sehingga biji kopi hijau akan berubah warna menjadi coklat hingga berwarna gelap dan mengeluarkan aroma yang khas (Farah, 2012).
Pada umumnya metode destruktif dilakukan untuk analisis kandungan kimia kopi. Kafein dapat ditentukan kadarnya dengan menggunakan Learning content management system (LCMS), bersamaaan dengan Diode Array Detector (DAD) dapat digunakan untuk menganalisis kandungan trigonelin, dan asam nikotin (Casal dkk., 1998).
Hayati dkk. (2012), melakukan analisis destruktif kuantitatif (ADK) untuk menentukan kadar air dan kandungan lemak pada kopi. Naripati (2017) menentukan kadar lemak berdasarkan AOAC (2006) dengan metode ekstraksi soxhlet. Metode destruktif kurang efektif dilakukan dalam menganalisis kandungan kopi, karena metode tersebut membutuhkan waktu yang lama, sehingga tidak sesuai dengan kebutuhan pabrik kopi yang akan diekspor. Oleh
karena itu, diperlukan metode yang mampu menetukan kualitas dan keaslian kopi dengan cepat, objektif, akurat dan non destruktif yaitu dengan metode Fourier Transform Near Infrared Spectroscopy (FT-NIRS).
FT-NIRS merupakan metode Non-Destruktif yang dilakukan untuk menganalisis serta mendapatkan informasi kandungan kimia dari suatu bahan yang bersifat kualitatif dan kuantitatif dengan cepat, tidak memerlukan persiapan sampel khusus, dan tanpa penggunaan bahan kimia. Metode FT-NIRS juga dapat dijadikan dasar untuk melakukan sortasi otomatis.
Zhang dkk. (2013) menggunakan FT-NIRS dalam penentuan konsentrasi kafein pada kopi sangria. Rosita (2016), melakukan prediksi kandungan air dan kafein kopi Gayo. Ayu (2017), prediksi kandungan kafein, trigonelin dan asam klorogenat kopi Java preanger. Naripati (2017), menentukan kandungan kimia utama biji kopi arabika Java preanger secara non destruktif. Kurniawan (2017), analisis perbedaan karakteristik biji kopi Java arabika berdasarkan indikasi geografis. Caporaso dkk. (2018) penentuan kadar air, kandungan lemak, analisis kandungan sukrosa, kafein dan trigoneline pada biji kopi tunggal. Metode NIRS ini dianggap mampu memprediksi komponen pada bahan secara cepat, tidak merusak bahan, tanpa penggunaan bahan kimia dan tidak menimbulkan polusi sehingga lebih efektif dan efesien (Schwanninger dkk., 2011).
Komposisi kopi berupa kandungan air, lemak, dan karbohidrat dapat diperoleh dengan metode NIRS, di mana cahaya NIR ditembakkan ke bahan sehingga akan diperoleh pantulan spektra reflektan, absorban dan transmiten baik secara langsung maupun semu. Ayu (2017), menyatakan bahwa respon pantulan semu akan dimanfaatkan untuk mendapatkan informasi kimia pada bahan dan
akan digambarkan dalam spektra panjang gelombang dari 1000 – 2500 nm. Data spektra ini merupakan nilai intensitas reflektan (pantulan) dan merupakan data mentah yang masih terdapat noise. Selanjutnya diolah dengan metode pengolahan data NIR untuk mengurangi pengaruh interfensi gelombang dan gangguan (noise) pada data spektra agar diperoleh hasil yang lebih akurat (Jannah, 2018).
Teknik kalibrasi data NIRS menggunakan partial least square (PLS) merupakan suatu tahapan yang dilakukan untuk membangun model yang menghubungkan respon spektra dari masing-masing sampel pada tiap panjang gelombang terhadap konsentrasi kimia yang diketahui dari analisis laboratorium, di mana metode PLS menggunakan kombinasi linear untuk menduga variabel bebas dan variabel asli (Cahyo, 2016). Miler (2005) menyatakan bahwa kombinasi linier dipilih untuk mengambil asumsi bahwa variabel yang memperlihatkan korelasi yang sangat tinggi dan variabel bebas diberi bobot yang sama besar karena variabel tersebut akan lebih efektif dalam pendugaan, sehingga diharapkan menghasilkan sedikit kombinasi linear dari variabel bebas yang dibutuhkan untuk menjelaskan sebagian besar variasi.
Pengukuran kandungan kadar air, lemak dan karbohidrat pada kopi green bean arabika Lintong belum dilakukan. Penelitian ini diharapkan berguna untuk industri kopi Indonesia khususnya Sumatera Utara untuk menentukan karakteristik dan keaslian kopi secara cepat, efesien dan non-destruktif, sehingga dapat dihindari terjadinya pemalsuan asal dan varietas biji kopi Sumatera dalam bentuk kopi beras.
Tujuan Penelitian
Untuk mendapatkan model kalibrasi terbaik untuk menduga kandungan air, lemak dan karbohidrat pada kopi tersebut menggunakan metode Partial Least Square (PLS).
Manfaat Penelitian
1. Untuk mendapatkan data penyusunan Skripsi sebagai salah satu syarat untuk mendapatkan gelar sarjana Pertanian di Fakultas Pertanian Universitas Sumatera Utara.
2. Untuk referensi dalam menentukan karakteristik biji kopi arabika Sumatera Utara agar tidak terjadi pemalsuan asal dan jenis kopi Sumatera dalam bentuk kopi beras.
3. Untuk memberikan metode yang cepat, efisien dan non-destruktif untuk menentukan keaslian biji kopi Sumatera.
TINJAUAN PUSTAKA
Kopi
Kopi dikenal pertama kali di benua Afrika tepatnya di Ethiopia. Pada awalnya kopi belum dibudidayakan oleh penduduk, melainkan masih tumbuh liar di hutan-hutan dataran tinggi. Minuman kopi sangat digemari oleh bangsa Ethiopia dan Abessinia karena berkhasiat menyegarkan badan. Lambat laun kopi tersebar dibeberapa Negara yaitu Arab, Persia, Yaman, Eropa, Asia, dan Amerika (Najiyati dan Danarti, 1989).
Gambar 1. Biji kopi green bean arabika Lintong
Kopi arabika paling optimal ditanam pada ketinggian 1250-1850 m dari permukaan laut dengan suhu sekitar 17-21 oC, namun juga dapat tumbuh di dataran rendah dan lebih tinggi, tetapi hasilnya kurang produktif karena di dataran rendah kopi akan mudah terserang penyakit hemileia vastatrix sedangkan pada dataran lebih tinggi udara sangat dingin akan mempengaruhi tumbuh vegetatif saja, di Indonesia kopi arabika dapat tumbuh secara produktif dan tahan terhadap penyakit hemileia vastatrix jika ditanam pada ketinggian 1000-1750 m dari permukaan laut dengan suhu sekitar 16-20 oC (Aak, 1988).
Kandungan kimia biiji kopi
Dalam industri kopi, penentuan standar mutu biji kopi dapat di lihat dari kandungan kimia biji kopi. Beberapa komponen mutu kopi yang diperhatikan yaitu kandungan karbohidrat, lemak, protein, kadar air, kafein, trigonelin, dan CGA. Kadar air kopi sesuai SNI yaitu 10-13% (Najiati dan Danarti, 2006).
Tabel 1. Komposisi kandungan kimia biji kopi arabika
No Komponen Green Bean (% db)
1 Mineral 3 – 4,2
2 Kafein 0,9 – 1,2
3 Lipid 12,0 – 18,0
4 Total asam chlorogenic 5,5 – 8,0
5 Asam alifatik 1,5 – 2,0
6 Oligosakarida 6,0 – 8,0
7 Asam Amino 2,0
8 Protein 11,0 – 13,0
9 Trigonelin 1,0 – 1,2
10 Total Polisakarida 50,0 – 55,0
*db = dry basis (basis kering).
Sumber: Clark dan Macrae (1985).
Perbedaan karakteristik tanah, mikroklimat, cara bercocok tanam, sampai pada pascapanen dari masyarakat daerah asal penghasil kopi akan berpengaruh terhadap karakteristik kopi yang akan dihasilkan (Kurniawan, 2017). Hal ini akan mempengaruhi flavor, cita rasa, dan tekstur yang merupakan hal yang sangat penting pada kopi tersebut. Beberapa karakteristik kandungan kimia dari tiga daerah di Jawa, dapat dilihat pada Tabel 2.
Tabel 2. Karakteristik kimia biji kopi (green bean)
Parameter Java Preanger Bondowoso Malang
Kadar Air (%) 12,22 9,87 12,92
Kadar Abu (%) 4,71 3,99 3,52
Protein (%) 13,16 14,59 14,17
Lemak (%) 13,47 13,15 13,71
Karbohidrat (%) 57,52 58,40 55,67
Kafein (%) 1,32 1,42 1,31
Trigonelin (%) 0,96 0,99 0,98
Asam Klorogenat (%) 6,04 9,10 8,32
Sumber:Kurniawan, 2017
Near Infrared Reflectance Spectroscopy (NIRS)
NIRS adalah metode yang menggunakan radiasi sinar inframerah dekat untuk menganalisis komposisi kimia dari bahan organik. Metode NIRS memberikan informasi kandungan kimia dari pantulan spektra bahan saat diberi radiasi sinar inframerah dekat. Setiap objek biologi memiliki karakteristik sifat optik dan elektromagnetik tertentu yang dapat dianalisis menjadi informasi kandungan kimia objek tersebut (Strang, 2004). NIRS berada pada panjang gelombang 780 sampai 2500 nm (12.500 sampai 4.000 cm-1) dan mengandung lebih banyak struktur informasi yang komplek karena pola kombinasi ikatan kimia. Ikatan ini menyebabkan perubahan energi getaran ketika teradiasi oleh frekuensi NIRS, yaitu getaran meregang (strecth) dan tertekuk (bent) (Cen dan He, 2007). Vibrasi molekul pada bahan pertanian melibatkan gugus hidroksil dengan keragaman atom seperti O-H, N-H, dan C-H yang merupakan komponen yang membentuk senyawa organik (Gambar 2) (Mohsenin, 1984).
Gambar 2. Informasi vibrasi molekul gugus hidroksil X-H pada spectra absorbansi NIR produk hasil pertanian (sumber: Burns dan Ciurczak, 2008)
Wilayah nada Wilayah
getaran diseluruh spektra
Panjang gelombang (nm)
Produk pertanian yang dikenai cahaya NIR akan menghasilkan spektra dengan luasan gelombang yang timbul dan tumpang tindih karena adanya penyerapan kimia pada sampel, disebabkan oleh kombinasi getaran yang melibatkan C-H, N-H, O-H dan S-H yang merupakan kompenen penting dalam pembentukan senyawa kimia. Penyerapan spektroskopy secara prinsip dapat digunakan untuk menentukan konsentrasi unsur seperti air, lemak dan karbohidrat (Blanco dan Villarrova, 2002).
Spectroscopy pada awalnya dipelajari melalui sebuah cahaya tampak yang didispersikan ke dalam panjang gelombang masing-masing melalui sebuah prisma. Data spektroskopik biasanya disajikan dalam bentuk spektra, yaitu berupa plot data yang menggambarkan fungsi dari frekuensi dan panjang gelombang.
Spektrometer adalah instrument yang digunakan untuk mengaktifkan energi gelombang elektromagnetik tertentu. Spektromagnetik memiliki detektor yang sesuai dengan daerah gelombang elektromagnetik yang berfungsi untuk menangkap kembali tingkat absorban energi oleh sampel (Rindang, 2011).
Spektroskopi pada Inframerah dekat telah dikembangkan dalam menganalisis komponen kandungan kimia pada suatu bahan secara cepat dan efesien serta dapat disesuaikan dengan bentuk sampel yang berbeda serta dapat menghasilkan spektra dalam jumlah yang besar sehingga masih banyak terdapat noise yang dipengaruhi oleh jumlah variabel fisik, kimia dan struktur sampel, pembedaan spektra akan sulit dilakukan (Blanco dan Villarroya, 2002).
Spektroskopi dalam analisis kemometrik berfungsi dalam menganalisis spektra yang tumpang tindih pada data spektra yang diperoleh dari NIRS dan tidak hanya mengandung informasi komponen pada sampel saja tetapi juga
mengandung informasi latar belakang dan noise (Cen dan He, 2007), oleh karena itu perlu dilakukan pengolahan data NIRS terdahulu sebelum membangun model kalibrasi.
FT-NIRS merupakan jenis instrumentasi NIR yang berkembang sejak tahun 1990. Pada instrumentasi filter (1970) hanya sedikit spektra panjang gelombang yang diukur, di mana satu filter hanya dapat digunakan untuk satu rentang panjang gelombang (Gambar 3). Pada instrumentasi dispersi (1973), cahaya ditembakkan ke prisma (grating) yang digerakkan oleh motor, sehingga panjang gelombang yang sampai ke sampel disesuaikan dengan sudut yang dibentuk cahaya saat dipantulkan dari prisma (Gambar 4). Pada instrumentasi ini, semua spektra NIR di scan dengan interval tertentu yang digunakan untuk analisis sampel (Ayu, 2017).
Gambar 3. Skema instrumentasi filter untuk pengukuran NIR (Ayu, 2017).
Gambar 4. Skema instrumentasi dispersi untuk pengukuran NIR (Ayu, 2017).
Cahaya inframerah dekat yang mengenai suatu bahan memiliki energi yang kecil dan hanya menembus sekitar satu millimeter permukaan bahan, tergantung dari komposisi bahan tersebut. Jika cahaya mengalami penyebaran, spektra tersebut tetap mengandung informasi contoh penyerapan permukaan bahan tetapi terjadi distorsi pada puncak gelombang. Variasi pada ukuran dan suhu partikel
sampel mempengaruhi penyebaran radiasi inframerah pada saat melewati sampel.
Partikel berukuran besar tidak dapat menyebarkan radiasi inframerah sebanyak partikel kecil (Dryden, 2003).
Osborne dkk. (1993), menyatakan bahwa hamburan cahaya yang terjadi dalam spektroskopi reflektansi NIRS yang menyebar dipengaruhi oleh presentasi sampel akibatnya terjadi gangguan dalam spektra (nonlinier), namun spektra yang dihasilkan tidak terkait dengan keandalan model kalibrasi multivariat. Panjang gelombang pada NIRS dipengaruhi oleh hamburan cahaya yang berbeda, sehingga menyebabkan penyerapan cahaya sering mengalami gangguan dalam mengekstrak informasi kimia dan fisik bahan. Hal ini dapat diatasi dengan beberapa pendekatan matematika yang berupa pengolahan data NIRS, misalnya derivative (Rosita, 2016).
Sampel yang dikenai radiasi NIR akan menerima energi yang memicu terjadinya getaran dan regangan pada kelompok ikatan atom O-H, N-H, dan C-H yang merupakan komponen utama pembentuk senyawa organik. Sebagian energi akan diserap dan sebagian lainnya akan dipantulkan. Energi yang dipancarkan ke bahan organik sekitar 4% akan dipantulkan kembali oleh permukaan luar (regular refleksion) dan sekitar 96% akan masuk ke dalam bahan kemudian mengalami penyerapan, pemantulan, penyebaran dan penerusan cahaya (Mohsenin, 1984).
Pengujian pada sampel menggunakan NIR spektroskopi memiliki tiga faktor utama yang harus diperhatikan yaitu ukuran partikel pada sampel, kadar air, dan
suhu bahan yang akan diuji (Burn dan Ciurczak, 2008). Selanjutnya Naes dkk. (2004) menjelaskan bahwa reflektansi sebaran (diffuse reflectance) dan
transmisi (transmittance) dari spektra NIR merupakan hasil dari perpaduan antara
alat dan sampel yang digunakan, yaitu geometri atau bentuk alat, ukuran bahan yang diuji (berupa partikel atau titik pengujian), bentuk dan distribusi bahan saat pengujian.
Menurut Munawar (2008), ketika sebuah sinar yang berasal dari sebuah sumber jatuh mengenai objek, maka akan terjadi interaksi antara obyek dan sinar tersebut yang mana objek akan memberi respon berupa pantulan, serapan dan terusan (Gambar 5). Respon pantulan (reflectance) dapat berupa pantulan langsung (specular reflectance) yang mana sinar sepenuhnya dipantulkan kembali oleh obyek, pantulan semu (diffuse reflectance) yang mana sinar diserap terlebih dahulu dan kemudian dipantulkan sedangkan respon serapan (absorbance) adalah situasi dimana seluruh sinar pada panjang gelombang tertentu diserap sepenuhnya oleh bahan, dan respon terusan (transmittance) merupakan respon dimana sinar pada panjang gelombang tertentu menembus bahan.
Serapan
Gambar 5. Respon bahan saat dikenai cahaya NIR (Munawar, 2008).
Transmitan
Pantulan langsung
Bahan utuh Sumber cahaya
Pantulan semu
Pada metode spektroskopy FT-NIR, respon pantulan semu dimanfaatkan untuk menyerap informasi kimia dalam bahan dan menggambarkannya dalam spektra panjang gelombang 1000-2500 nm, namun tidak dapat dijelaskan secara langsung, sehingga dibutuhkan metode untuk merubah informasi tersebut melalui kalibrasi multivariat dengan menggambarkan hubungan matematis antara spektra NIR dan parameter kandungan kimia, sehingga dapat ditentukan bagaimana kandungan kimia dari bahan yang diukur (Ayu, 2017).
Pengolahan Data NIR
Pengolahan data spektra dilakukan untuk mengurangi pengaruh interferensi gelombang dan noises (gangguan) pada spektra yang diperoleh hasil pengukuran agar diperoleh model yang lebih akurat dan bersifat stabil (Rosita, 2016).
Beberapa metode pengolahan data spektra NIR yang umum digunakan antara lain turunan pertama dan kedua, normalisasi, Strandart Normal Variate (SNV), Multiple Scatter Correction (MSC) dan Orthogonal Signal Correction (OSC) (Cen dan He, 2007).
Pengolahan data dengan turunan pertama dan kedua berfungsi untuk menguraikan komponen kimia yang tumpang tindih, memunculkan informasi komponen kimia yang tersembunyi dalam spektra serta menekan komponen yang tidak diinginkan sehingga akan memunculkan komponen yang diinginkan (Lengkey dkk. 2013). Metode MSC dan SNV adalah metode pengolahan data yang bertujuan untuk mengkoreksi efek pencaran (scatter) pada data original (Arnita dan Sutarman, 2011). Metode 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 metode SNV, nilai pada masing-masing spektra dipusatkan pada nilai nol (Ayu, 2017).
Kalibrasi
Kalibrasi dilakukan untuk menentukan hubungan antara kandungan kimia biji kopi yang didapatkan dari penentuan secara destruktif dengan reflektansi NIRS (Naripati, 2017). Analisis data NIR dilakukan tanpa mempelajari hubungan antara data NIR dengan sifat bahan yang diukur. Untuk mempelajari hubungan tersebut dilakukan dengan metode kalibrasi multivariat. Beberapa metode kalibrasi multivariat untuk menganalisis data spektra NIR yaitu seperti metode Principal Component Analysis (PCA), Principal Component Regression (PCR), Partial Least Square (PLS) dan Stepwise Multiple Linier Regression (SMLR) (Ayu, 2017).
Validasi
Setelah didapatkan model persamaan regresi kalibrasi, dilakukan tahap validasi dengan menggunakan sisa data yang lain. Data sampel yang berbeda tersebut dimasukkan ke dalam persamaan regresi kalibrasi, sehingga diperoleh data komposisi kimia (kadar air lemak dan karbohidrat) biji kopi dugaan NIR.
Validasi bertujuan menguji ketepatan pendugaan komposisi kimia dengan persamaan regresi kalibrasi yang telah dibangun (Rosita, 2016).
Partial Least Square (PLS)
Metode Partial Least Squares (PLS) merupakan metode yang digunakan untuk memperkirakan serangkaian variabel tidak bebas (respons) dari variabel bebas (prediktor) yang jumlahnya sangat banyak, memiliki struktur sistematik linier atau nonlinier, dengan atau tanpa data yang hilang, dan memiliki
kolinearitas yang tinggi (Heruwati, 2011).
PLS dapat digunakan untuk semua data karena merupakan suatu metode analisis yang powerful, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS juga digunakan untuk membangun hubungan yang belum ada landasan teorinya dan PLS dapat digunakan untuk pemodelan struktural dengan indikator bersifat reflektif ataupun formatif (Meihani, 2019).
PLS adalah teknik kalibrasi multivariate yang digunakan dalam analisis kuantitatif data spectroscopy dan elektrokimia. PLS lebih mudah diterapkan untuk membuat model kalibrasi dan mutu model yang dihasilkan cukup baik.
Selanjutnya PLS juga memiliki struktur yang sistematik linier atau nonlinier, ada atau tidaknya data yang hilang, dan memiliki multikolinearitas yang tinggi. PLS merupakan metode yang digunakan untuk menghitung nilai (score) dari matriks X dan Y serta untuk membuat metode regresi antara nilai-nilai tersebut (Abdollah dkk., 2003).
Metode PLS dalam membangun model kalibrasi mampu memprediksi korelasi yang baik antara hasil analisis kimia (laboratorium) dan data spektra NIR dengan menggunakan data kalibrasi 2/3 dari spektra data keseluruhan dan data validasi 1/3 dari jumlah spektra yang dipilih secara acak (Djuuna dkk., 2011).
Metode kalibrasi menggunakan PLS mampu memprediksi dengan baik ketika terdapat spektra yang tumpang tindih, selain itu metode PLS lebih efektif digunakan karena hanya menggunakan variabel yang paling berkorelasi terhadap variabel respon dan mampu menggunakan informasi dari spektra NIRS secara bersamaan dengan menghitung kontribusi spektra lain yang dapat mengganggu spektra (Sohbari dkk., 2009).
PLS merupakan salah satu metode analisis kuantitatif yang banyak direferensikan untuk mengevaluasi mutu pangan, dan PLS mampu mereduksi dimensi data untuk mencari faktor-faktor yang paling relevan dalam memprediksi dan menginterpretasi data karena PLS fokus pada kovarians di antara respon dan prediktor-prediktor, dengan jalan menyeimbangkan informasi antara prediktor dan respon, estimasi kesalahan prediktor ditingkatkan dengan cara validasi silang, PLS dipakai karena data yang didapat merupakan data numerik (Zulfahrizal, 2014).
Williams dan Noris (1990), memaparkan bahwa PLS merupakan pendekatan untuk regresi linier dan algoritma, metode ini sangat cocok untuk kalibrasi pada sejumlah kecil sampel dengan penggabungan hasil eksperimen yaitu data kimia dan data NIRS. Analisis yang dilakukan untuk pendugaan kadar air, lemak dan karbohidrat menggunakan metode PLS merupakan suatu pendekatan regresi dengan dibantu beberapa metode pretreatment yaitu (MSC), (SNV), turunan pertama dan kedua, serta kombinasi dari dua pretreatment.
Evaluasi Model
Model yang diperoleh dievaluasi dengan nilai koefisien korelasi (r), standart error (SE), koefisien varian (CV) dan residual predictive deviation (RPD). Nilai r menunjukkan kemampuan model dalam menjelaskan keragaman nilai peubah tak bebas dengan kisaran nilai antara 0-1, semakin besar nilai r menunjukkan bahwa model semakin akurat (Ayu 2017). Untuk menghitung nilai r digunakan Persamaan (1)
r = n- n n- n
√ n- n n- n ... (1)
Di mana,
𝑋𝑛 = data kimia (uji laboratorium) 𝑋 𝑛 = data kiia (uji laboratorium) rataan 𝑌𝑛 = data kimia (dugaan NIR)
𝑌 𝑛 = data kimia (dugaan NIR) rataan
Standard error (SE) adalah selisih antara nilai referensi dengan nilai prediksi. Semakin kecil nilai SE menunjukkan model yang diperoleh semakin baik (Lammertyn dkk., 2000). Untuk menghitung SE digunakan Persamaan (2).
√ ... (2) Di mana:
SE = standard error
YNIRS = data kimia (dugaan NIRS) Y = data kimia (uji laboratorium) n = jumlah sampel
Nilai CV berfungsi untuk membandingkan dua keragaman kelompok data yang rentang nilainya jauh berbeda, dan dapat digunakan untuk membandingkan keragaman dua atau lebih kelompok data walaupun satuan pengukurannya berbeda (Ayu, 2017). Untuk menghitung CV digunakan Persamaan (3).
C SE ... (3) Nilai RPD antara 1,5-1,9 menunjukkan prediksi masih kasar, sedangkan nilai RPD antara 2-2,5 cukup baik dan nilai RDP antara 2,5-3 baik dan cukup baik (Budiastra dan Sutrisno, 2016). Untuk menghitung RPD digunakan Persamaan (4).
PD SD
SEP ... (4) Untuk menghitung konsistensi digunakan Persamaan (5).
Konsistensi SEC
SEP ... (5) Kinerja model regresi dievaluasi dengan Root Mean Square Error Prediction (RMSEP). RMSEP adalah nilai varians dari residual yang dapat menunjukkan keakuratan suatu model. RMSEP mempunyai nilai minimal 0, semakin kecil nilai RMSEP menunjukkan bahwa perbedaan antara nilai dugaan hasil pemodelan dengan data aktualnya semakin kecil. Sehingga model yang baik yaitu model dengan nilai RMSEP terkecil (Anitawati dan Sutikno, 2010).
`
METODOLOGI PENELITIAN
Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Juni-Agustus 2019, di Laboratorium Biosistem Program Studi Keteknikan Pertanian Fakultas Pertanian USU, Laboratorium Biosain Politeknik Negeri Jember dan Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian IPB.
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah kopi green bean arabika Lintong sebanyak 5 kg (KA 13%) yang diperoleh dari Kabupaten Humbang Hasundutan. Dipersiapkan 90 sampel yang terbagi menjadi 60 sampel untuk kalibrasi dan 30 sampel untuk validasi. Pengukuran reflektan NIR menggunakan sampel yang ditimbang masing-masing 96 gram dan untuk analisis kimia di timbang sebanyak 10 gram untuk setiap sampel selanjutnya dihaluskan.
Alat yang digunakan dalam penelitian ini adalah timbangan digital, cawan petri, grinder, saringan ukuran 50 mesh, pipet mikro, gelas ukur, oven, desikator, Spektrometer FT-NIR (NIRFlex N-500, diproduksi oleh BUCHI Labortechnik AG, Switzerland), HPLC dan komputer yang dilengkapi dengan software unscramble v 10.3 (CAMO, Norway), dan software Ms Excel.
Metode Penelitian Akuisisi Spektra biji kopi.
Akuisisi spektra reflektan dilakukan terhadap sampel biji kopi beras, yang dilakukan pada cawan petri sebanyak 96 gram. Kopi ditata secara merata, dan rapat dengan 4 lapis tumpukan (diharapkan tidak ada ruang kosong di dalam
cawan selama pengukuran berlangsung). Pengukuran reflektan dilakukan dengan memindai masing-masing sampel sebanyak 3 kali pada 3 titik berbeda dengan mengatur cawan petri berputar 360 derajat selama pemindaian sampel. Rentang panjang gelombang NIR yang digunakan yaitu 1000-2500 nm dengan interval 2 nm. Hasil pindai (spektra) biji kopi, tersimpan pada alat spectrometer yang kemudian diunduh dan diolah.
Analisis Kimia
Kadar Air (Metode Thermogravimetri)
Cawan keramik kosong dikeringkan dalam oven dengan suhu 105 oC selama 15 menit dan didinginkan dalam desikator selama 10 menit, kemudian ditimbang. Sampel yang sudah diambil data spektranya ditimbang 4 gram kemudian dimasukkan ke dalam cawan. Cawan beserta isinya kemudian dimasukkan ke dalam oven dengan suhu 105 oC selama 72 jam. Selanjutnya cawan dikeluarkan dari oven dan didinginkan kembali dalam desikator dan ditimbang kembali. Berat kopi sebelum dioven (A) merupakan berat total (kopi dan cawan) dikurangi berat cawan, sedangkan berat kopi setelah dioven (B) adalah berat total setelah dioven dikurangi berat cawan. Berdasarkan berat basah kadar air mempunyai batas maksimum teoritis sebesar 100%, sedangkan berdasarkan berat kering kadar air dapat lebih dari 100% (Syarif dan Halid, 1993).
Kadar air dapat dihitung berdasarkan Persamaan (6) (Athfiyah, 2017).
Kadar air (%𝑏𝑏) = 𝐴−𝐵/ 𝐴 𝑥100% ... (6) Kadar Lemak (AOAC 2006)
Labu lemak disediakan sesuai ukuran alat ekstraksi soxhlet yang digunakan. Labu dikeringkan dalam oven dengan suhu 105-110 oC selama 15
menit, kemudian didinginkan dalam desikator lalu ditimbang (A). Sampel sebanyak ± 5 gram ditimbang dalam kertas saring (B), kemudian ditutup dengan kapas bebas lemak. Kertas saring beserta isinya dimasukkan ke dalam ekstraksi soxhlet dan dipasang pada alat kondensor. Pelarut heksan dituangkan ke dalam labu soxhlet secukupnya. Dilakukan refluks selama 5 jam sampai pelarut yang turun kembali menjadi bening. Pelarut yang tersisa dalam labu lemak didestilasi, lalu labu dipanaskan dalam oven pada suhu 105 oC. Setelah dikeringkan sampai berat tetap dan didinginkan dalam desikator, kemudian labu beserta lemak ditimbang (C) dan dilakukan perhitungan kadar lemak seperti pada Persamaan (7) (Athfiyah, 2017).
Kadar lemak (%𝑏𝑏) = 𝐶−𝐴 / 𝐵 𝑥100% ... (7) Kadar Karbohidrat Metode by difference (SNI 01-2892-1992)
Kadar karbohidrat dihitung berdasarkan metode by difference dengan perhitungan pada Persamaan (8).
Kadar karbohidrat (%𝑏𝑏 − A + L ... (8) Keterangan:
A = Kadar air (%bb) L = Kadar lemak (%bb) Analisis Data Penelitian
Data spektra yang diperoleh dari pengukuran NIR spectroscopy berupa data reflektan, untuk memperoleh korelasi yang linier antara nilai serapan NIR dengan dengan data kimia dilakukan transformasi reflektan menjadi spektra absorban dengan Persamaan (9).
Log (1/R) ... (9)
Setelah itu, berdasarkan variasi data kimianya, spektra absorban dan data kandungan kimia dibagi menjadi 2/3 bagian (60 sampel) data kalibrasi dan 1/3 bagian (30 sampel) untuk data validasi.
Setelah itu dilakukan pretreatment data untuk menghasilkan model kalibrasi yang baik. Pada penelitian ini digunakan beberapa pengolahan data spektra NIR seperti turunan pertama dan kedua, Multiple Scatter Correction (MSC), Standartd Normal Variate (SNV) dan kombinasi dari dua metode pretreatment.
MSC dan SNV adalah metode pengolahan data yang digunakan untuk menghilangkan pengaruh multiplicative interference pada data NIR yang disebabkan oleh scatter, ukuran partikel, jarak sinar an rongga udara (Ayu, 2017).
Turunan pertama dan kedua berfungsi untuk memisahkan spektra yang tumpang tindih, sehingga dapat memunculkan informasi komponen kimia yang tersembunyi serta menekan komponen kimia yang tidak diinginkan untuk memunculkan komponen kimia yang diinginkan (Lengkey dkk., 2013).
Pada penelitian ini digunakan metode kalibrasi PLS untuk mengidentifkasi kandungan kadar air, lemak, dan karbohidrat menggunakan data NIRS. Proses kalibrasi dengan metode PLS ditunjukkan pada Lampiran 1. Pengambilan data spektra dilakukan secara random, jumlah faktor PLS yang digunakan akan berpengaruh pada model yang akan dihasilkan. Pengambilan faktor PLS dapat dipengaruhi oleh jumlah persentase pada kandungan kimia dan jumlah sampel yang digunakan. Jika pengambilan faktor yang terlalu besar akan menyebabkan nilai prediksinya rendah, sehingga data akan overfitting karena kelebihan faktor x (Rosita, 2016), namun jika terlalu kecil akan menyebabkan model yang dihasilkan underfitting (Ayu, 2017).
Kalibrasi dan validasi NIRS dilakukan terhadap kadar air, lemak dan karbohidrat. Model kalibrasi merupakan model yang menunjukkan tingkat korelasi antara data analisis kimia dengan data reflektan NIRS. Setelah diperoleh model kalibrasi selanjutnya dilakukan validasi. Data tersebut dimasukkan ke dalam persamaan regresi kalibrasi, sehingga diperoleh kandungan air, lemak, dan karbohidrat dari biji kopi yang diprediksi dengan NIRS. Tujuan validasi yaitu menguji ketepatan prediksi kandungan kimia dengan model kalibrasi yang telah dibangun.
Evaluasi Hasil Kalibrasi dan Validasi
Penggunaan metode NIRS dalam memprediksi kandungan kadar air, lemak dan karbohidrat dapat dievaluasi dengan nilai koefisien korelasi (r), standar eror kalibrasi (SEC), standar eror prediksi (SEP), koefisien variasi (CV) dan residual predictive deviation (RPD) (Mouazen dkk. 2005). SEC menunjukkan keakuratan persamaan kalibrasi yang diperoleh dari data kimia dan NIRS. Nilai SEC yang kecil menunjukkan kesalahan yang rendah pada prediksi kalibrasi data, sedangkan SEP menunjukkan keakuratan model validasi, semakin kecil nilai SEP maka model semakin akurat, CV menunjukkan eror sebanding dengan rata-rata data kimia pada bahan dan RPD menunjukkan rasio antara standar deviasi dari data kimia dengan SEP (Ayu, 2017). Berdasarkan Nircal 5.5 manual (2013) model prediksi yang baik adalah nilai r mendekati 1 dengan nilai konsistensi yaitu 80- 110 %. Nilai RPD pada rentang 1,5 – 1,9 menunjukkan prediksi kasar, rentang 2 – 2,5 menunjukkan model kalibrasi yang cukup baik dan pada rentang 2,5 – 3
atau lebih menunjukkan akurasi model prediksi yang sangat baik (Mouazen dkk,. 2005).
HASIL DAN PEMBAHASAN
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
1. Gayo Kadar air
Lemak Karbohidrat
1428-1492nm 1639-2325nm 1282-1315 nm 2. Java preanger Kadar air
Lemak Karbohidrat
1450 m dan 1940 nm 1477 nm dan 1680 nm 1477 nm dan 2128 nm 3. Bondowoso Kadar air
Lemak Karbohidrat
1883 nm 1920-1933 nm 1410, 1700, dan 1892 nm 1429 nm dan 1453 nm 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 Lintong
Pengolahan awal data
Faktor
point R SEC SEP CV RPD Konsistensi Original 7 0,815 0,13 0,15 1,30 1,84 88,93%
MSC 7 0,860 0,12 0,14 1,14 2,09 86,82%
SNV 7 0,860 0,12 0,14 1,14 2,09 86,63%
dg1 3;4 0,845 0,12 0,14 1,20 2,00 85,94%
dg2 1 0,848 0,12 0,16 1,19 2,00 79,24%
dg1 +msc 3;3 0,86 0,11 0,16 1,11 2,15 73,96%
dg2 +msc 1;1 0,78 0,15 0,18 1,40 1,70 81,96%
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 r = 0, 860
n = 90
10.3 10.4 10.5 10.6 10.7 10.8 10.9 11 11.1 11.2 11.3
1 0 . 2 1 0 . 4 1 0 . 6 1 0 . 8 1 1 1 1 . 2 1 1 . 4
Kadar Air Prediksi (%)
Kadar Air Referensi(%)
kalibrasi validasi
Linear (kalibrasi)
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.
Tabel 5. Hasil kalibrasi dan validasi untuk kandungan lemak pada biji kopi Lintong
Pengolahan awal data
Faktor
point R SEC SEP CV RPD Konsistensi Original 7 0,601 0,83 0,89 5,11 1,33 93,80%
MSC 7 0,645 0,79 0,89 4,89 1,39 88,92%
SNV 7 0,651 0,79 0,89 4,85 1,4 88,25%
dg1 3;1 0,708 0,73 0,89 4,52 1,51 82,63%
dg2 1;1 0,758 0,68 0,97 4,14 1,63 69,94%
dg1 +msc 2;1 0,725 0,71 0,96 4,4 1,55 74,28%
dg2 +msc 1;1 0,775 0,66 1,01 4,04 1,69 65,40%
Pada Gambar 16 menunjukkan plot hasil kalibrasi dan validasi dengan 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
