PENENTUAN KANDUNGAN KIMIA BIJI KOPI ARABIKA

GAYO SECARA NON DESTRUKTIF DENGAN NEAR

INFRARED SPECTROSCOPY

RINI ROSITA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016
PERNYATAN MENGENAI TESIS DAN SUMBER INFORMASI
SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul penentuan kandungan kimia biji
kopi arabika Gayo secara non destruktif dengan Near infrared Spectroscopy 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, Juni 2016

Rini Rosita
F152140061
 RINGKASAN

RINI ROSITA. Penentuan Kandungan Kimia Kopi Arabika Gayo secara Non
destruktif dengan Near Infrared Spectroscopy. Dibimbing oleh I WAYAN
BUDIASTRA dan SUTRISNO.

Kopi merupakan salah satu komoditas ekspor andalan Indonesia yang

mendatangkan devisa bagi negara. Kadar air dan kadar kafein merupakan
kandungan yang penting pada biji kopi, selama ini analisis yang digunakan adalah
metode destruktif secara kimiawi dalam penentuan mutu biji kopi. Cara ini kurang
efisien dari segi waktu dan biaya serta menghasilkan mutu yang kurang seragam,
sehingga diperlukan metode pengukuran non destruktif salah satunya metode Near
Infrared Specroscopy (NIRS). Aplikasi NIRS untuk kopi dan produk turunannya
sudah banyak dilakukan dalam bentuk bubuk, namun belum dilakukan pada biji
kopi utuh. Tujuan penelitian ini untuk mengkaji metode NIRS untuk penentuan
kandungan kimia biji kopi arabika Gayo secara non destruktif. Secara rinci
penelitian ini bertujuan untuk (1) menentukan metoda pengukuran reflektan biji
kopi arabika Gayo, (2) menentukan metode pengolahan data NIRS dan kalibrasi
terbaik untuk prediksi kadar air dan kafein.
Biji kopi Arabika Gayo diperoleh dari kebun kopi di Aceh dan disortir untuk
mendapatkan biji kopi yang seragam. Biji kopi diletakkan dalam cawan petri dalam
dua kelompok pengukuran: 3 lapisan (65 g) dan 4 lapisan (95 g). Reflektan biji
kopi diukur menggunakan FT-NIR Spectrometer pada panjang gelombang 1000
sampai 2500 nm. Dilanjutkan dengan penentuan kadar air dan kadar kafein kopi
dengan metode kimia. Beberapa pengolahan data NIRS seperti normalisasi antara
0-1 (n01), derivatif pertama Savitzky-Golay 5 point (dg1), derivatif kedua Savitzky-
Golay 5 point (dg2), dan kombinasi n01 dan dg1 serta kalibrasi dengan PLS
dilakukan untuk meningkatkan akurasi prediksi metoda NIRS. Ketepatan dan
ketelitian metode NIRS dalam memprediksi kadar air dan kafein biji kopi dikaji
dari koefisien korelasi (r), standar error of calibration set (SEC), standar error of
validation set (SEP), coefficient of variation (CV), dan residual predictive deviation
(RPD).
Prediksi NIRS terbaik untuk kadar air diperoleh dengan metode pengukuran
4 lapisan biji kopi dengan pengolahan data NIRS kombinasi normalisasi antara 0-1
(n01) dan Savitzky-Golay 5 point (dg1) dan 4 faktor PLS (r = 0.95, SEC = 0.20% ,
SEP = 0.25%, CV = 1.57% dan RPD 4.35). Untuk kafein, prediksi yang paling
stabil adalah dengan metode pengukuran 4 lapisan, pengolahan data NIRS derivatif
kedua Savitzky-Golay 5 point (dg2) dan PLS 5 faktor menghasilkan koefisien
korelasi yang tinggi (r = 0.98), SEC, SEP, dan CV yang rendah (0.005%, 0.007%,
1.76%) dan RPD yang tinggi (5,93). Penelitian ini membuktikan metode NIRS
berpotensi untuk analisis kadar air dan kafein biji kopi secara non destruktif.

Kata kunci: Biji kopi, kadar air, kadar kafein, NIRS, PLS
 SUMMARY

RINI ROSITA. Non Destructive Prediction of Chemical Content of Arabica Gayo

Coffee Bean by Near Infrared Spectroscopy. Supervised I WAYAN BUDIASTRA
and SUTRISNO.

Coffee is one of the most important export commodities of Indonesia that

contribute to nation foreign exchange. Water and caffeine content are important
quality indicators of coffee, that usually determined by chemical method. This
method is time consuming and destructive, so it not suitable for quality control of
coffee bean. So, a non destructive method is required to determine chemical content
of coffee bean rapidly and non destructively, one of them is Near Infrared
Spectroscopy (NIRS). Application of NIRS is widely conducted for coffee in powder
form (destructive) not in coffee beans. The aim of this study were: (1) to determine
NIR measurement method for quality evaluation of cofffe bean, (2) to determine the
best NIR data treatment and PLS for predicting water and caffeine content of
arabica coffee bean.
Coffee bean samples were collected from coffee plantation in Aceh and sorted
manually to obtain uniform size of coffee bean. Coffee bean were placed in petri
dish in two kinds of layers : 3 layers (65 grams) and 4 layers (95 grams). The
reflectances were measured by FT-NIR Spectrometer in wavelengths of 1000-2500
nm, followed by determination of water and caffeine content by chemical methods.
Some processing of NIRS data such as normalization between 0 and 1 (n01), first
derivative of Savitzky-Golay 5 points (dg1), second derivative of Savitzky-Golay 5
points (dg2), combination of n01 and dg1, and PLS calibration were applied to
increase accuracy of NIRS prediction. The statistical parameters that used to
evaluate the develoved prediction models were correlation coefficient (r), standard
error of calibration set (SEC), standard error of validation set (SEP), coefficient of
variation (CV), and residual predictive deviation (RPD).
The best prediction for water content (r = 0.95, SEC = 0.20%, SEP = 0.25%,
CV = 1.57%) were obtained by measurement method of 4 layers of coffee beans
with NIR data processing of combination of normalization between 0 and 1 (n01)
and first derivative of Savitzky-Golay 5 points (dg1) with 4 PLS factors. For
caffeine content, the best and stable prediction were found by measurement method
of 4 layers of coffee bean with second derivative of Savitzky-Golay 5 points (dg2)
NIR data processing and 5 PLS factors (r = 0.97, SEC = 0.005%, SEP = 0.007%,
CV = 1.76%, and RPD = 5.93). This study demonstrated that NIR spectroscopy had
excellent potential analysis to determine water and caffeine content of coffee bean.

Keywords : Coffee bean, water content, caffeine content, NIR spectroscopy, PLS.
 © 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

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
PENENTUAN KANDUNGAN KIMIA BIJI KOPI ARABIKA
GAYO SECARA NON DESTRUKTIF DENGAN NEAR
INFRARED SPECTROSCOPY

RINI ROSITA

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Teknologi Pascapanen

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016
Penguji Luar Komisi pada Ujian Tesis: Dr Ir Y Aris Purwanto, M.Sc
Judul Tesis : Penentuan Kandungan Kimia Biji Kopi Arabika Gayo secara Non
Destruktif dengan Near Infrared Spectroscopy
Nama : Rini Rosita
NIM : F152140061

Disetujui oleh

Komisi Pembimbing

Dr Ir I Wayan Budiastra, M Agr Prof Dr Ir Sutrisno, M Agr

Ketua Anggota

Diketahui oleh

Ketua Program Studi Dekan Sekolah Pascasarjana

Teknologi Pascapanen

Prof Dr Ir Sutrisno, M Agr Dr Ir Dahrul Syah, MSc Agr

 i

PRAKATA

Alhamdulillahirobbilalamin, puji syukur penulis panjatkan kehadirat Allah

SWT, karena berkat limpahan rahmat dan izin-Nyalah penulis bisa menyelesaikan
penelitian yang berjudul “Penentuan Kandungan Kimia Biji Kopi Arabika Gayo
secara Non Destruktif dengan Near Infrared Spectroscopy”.
Ucapan terima kasih disampaikan kepada Dr Ir I Wayan Budiastra M.Agr
dan Prof Dr Ir Sutrisno M.Agr, ketua dan anggota komisi pembimbing yang telah
memberikan masukan dan saran pada penelitian ini. Bapak Dr Ir Y Aris Purwanto
M Sc selaku penguji Ujian Tesis. Di samping itu, penghargaan penulis sampaikan
kepada Bapak Sulyaden dan Mas Baskara di Laboratorium TPPHP departemen
TMB IPB. Ungkapan terima kasih juga disampaikan kepada Ibu Rusmawati dan
Bapak Ahmad Mulyatullah. Tidak lupa terima kasih untuk teman-teman di TPP
angkatan 2014 khususnya Trisma Rezeki, Sabila dan Nelinda atas semua
kebersamaan yang dibangun selama ini. Juga untuk pembina Al iffah Prof Ahmad
dan teman-teman khususnya Siti Maryati, Ika desmarita, Indria Azzahra serta
Murobbiah tercinta Fahroyati N M.Si dan teman-teman selingkaran Dwi, Lia, Ria,
Wulan, Fitri, Era yang telah banyak membantu. Terimakasih yang tak terhingga
untuk Ayahanda M Rasyid dan Ibunda Siti Hasanah juga Gunedi Saufa Asri dan
seluruh keluarga yang telah banyak memberi dukungan moril dan materil yang
ikhlas meluangkan waktu dan do’a serta memberi kasih sayang yang tiada henti.
Ucapan terima kasih terakhir saya berikan kepada Direktorat Jendral
Pendidikan Tinggi, Kementerian Pendidikan dan Kebudayaan Republik Indonesia
yang telah membiayai pendidikan S2 saya melalui Program Beasiswa Fresh
graduate maupun membiayai penelitian saya melalui Program Penelitian Strategis
Nasional.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juni 2016

Rini Rosita
 ii

DAFTAR ISI
Halaman
PRAKATA i
DAFTAR ISI ii
DAFTAR GAMBAR iii
DAFTAR TABEL iii
DAFTAR LAMPIRAN iii

PENDAHULUAN 1
Latar Belakang 1
Rumusan masalah 2
Tujuan Penelitian 2
TINJAUAN PUSTAKA 2
Kandungan Kimia Biji Kopi Arabika (Coffee arabica L.) 2
Teknologi Near Infrared Reflectance Spectrocopy (NIR) 4
Metode Pengolahan Data NIRS 5
Kalibrasi 6
Validasi 7
Aplikasi Near Infrared Reflectance (NIR) dalam Industri Kopi 8
METODE PENELITIAN
Tempat dan Waktu Penelitian 9
Bahan dan Alat 9
Prosedur penelitian 9
Pengukuran Reflektan 11
Penentuan Kadar Air 12
Penentuan Kadar Kafein 12
Analisis Data Penelitian 12
Kalibrasi dan Validasi menggunakan Metode PLS 1
Evaluasi Hasil Kalibrasi dan Validasi 13
HASIL PEMBAHASAN
Spektrum Reflektan NIRS Biji Kopi Gayo 13
Spektrum Reflektan dari 3 dan 4 Lapisan Biji Kopi 14
Kadar Air dan Kafein Biji Kopi 16
Pengaruh Pengolahan Data NIRS Biji Kopi 18
Kalibrasi dan Validasi NIRS untuk Prediksi Mutu Biji Kopi 20
Hasil Kalibrasi, Validasi dan Prediksi Kadar Air 20
Hasil Kalibrasi, Validasi dan Prediksi Kadar Kafein 22
SIMPULAN DAN SARAN
Simpulan 24
Saran 24
DAFTAR PUSTAKA 25
LAMPIRAN 30
RIWAYAT HIDUP 37
 iii

DAFTAR GAMBAR

Gambar 1 (a) Buah kopi Arabika (b) Biji kopi 3

Gambar 2 Struktur Kafein 4
Gambar 3 Interaksi sinar NIRS dengan bahan 5
Gambar 4 Teknik kompres data dengan PLS 7
Gambar 5 Diagram alir penelitian 10
Gambar 6 Bagian-bagian dan fungsi NIRFlex N-500 11
Gambar 7 Spektrum original biji kopi (n=50) 14
Gambar 8 Rata-rata reflektan 3 dan 4 lapisan 15
Gambar 9 Sebaran kadar air biji kopi arabika Gayo untuk tiga Kecamatan 16
Gambar 10 Sebaran kadar kafein biji kopi arabika Gayo untuk tiga
Kecamatan 17
Gambar 11 Pengaruh pengolahan data terhadap spektrum NIRS biji
kopi (a) normalisasi antara 0-1 (n01), (b) turunan pertama
Savitzky-Golay 5 point (dg1), (b) turunan kedua Savitzky-
Golay 5 point (dg2), (d) kombinasi n01 dan dg1 18
Gambar 12 Prediksi kadar air biji kopi 22
Gambar 13 Prediksi kadar kafein biji kopi 24

DAFTAR TABEL

Tabel 1 Komposisi biji kopi Arabika 3

Tabel 2 Sebaran kadar air dan kafein biji kopi 16
Tabel 3 Hasil kalibrasi dan validasi dengan metode lapisan, dan
pengolahan data NIRS yang berbeda untuk kadar air 20
Tabel 4 Hasil kalibrasi dan validasi dengan metode lapisan,
pengolahan data NIRS dan faktor PLS yang berbeda untuk
kadar kafein 22

DAFTAR LAMPIRAN

Lampiran 1 Peralatan penelitian 30

Lampiran 2 Data kadar air 32
Lampiran 3 Data kadar air 34
Lampiran 4 Kalibrasi dan validasi kadar air pengolahan data n01, dg1 36
Lampiran 5 Kalibrasi dan validasi kadar kafein pengolahan data dg2 37
 1

PENDAHULUAN

Latar Belakang
Kopi merupakan salah satu komoditas ekspor andalan Indonesia yang
menempati urutan kelima disektor perkebunan yang mendatangkan devisa bagi
negara. Ekspor biji kopi Indonesia pada tahun 2013 mengalami peningkatan sebesar
15.99% dari tahun 2012 dengan nilai devisa mencapai 1.2 milyar US$ (BPS 2014).
Konsumsi kopi diperkirakan meningkat sejalan dengan peningkatan ekonomi dan
kesejahteraan masyarakat. Konsultan International Coffee Organization (ICO
2015) yaitu P & A Marketing International, memperkirakan bahwa pertumbuhan
konsumsi kopi global dalam periode 2005-2015 meningkat 35.5%. Salah satu
penyumbang ekspor kopi Indonesia adalah kopi arabika Gayo di dataran tinggi
Aceh Tengah dengan luas penanaman 48.300 ha dengan jumlah produksi mencapai
25.370 ton/tahun (BPS 2014). Kopi Gayo merupakan varietas hasil seleksi yang
dikembangkan petani yang produksinya terus mengalami peningkatan (Hifnalisa
dan Karim 2008).
Salah satu faktor penting untuk peningkatan ekspor kopi Gayo adalah mutu
biji yang tinggi yang salah satunya ditentukan oleh komponen kimia biji kopi yang
berbeda tergantung jenisnya. Selama ini para eksportir biji kopi di Gayo
menerapkan analisis sensori untuk menentukan mutu biji kopi. Cara ini kurang tepat
karena bersifat subjektif dan menghasilkan mutu yang kurang seragam. Penentuan
mutu kopi yang akurat biasanya dilakukan melalui analisis laboratorium kimia,
namun metode ini menghabiskan waktu yang lama dan mahal, sehingga kurang
tepat untuk penentuan mutu kopi biji ekspor. Karena itu diperlukan metode
penentuan mutu biji kopi secara non destruktif, yang lebih efesien dari sisi waktu
dan biaya.
Salah satu yang dipandang tepat untuk menentukan mutu biji kopi adalah
metode NIRS, yang dapat menganalisis dengan lebih cepat, penggunaan preparat
contoh yang sederhana karena tidak menggunakan bahan kimia dan dapat
menganalisis bahan dengan tidak merusak (non destruktif). NIRS telah digunakan
untuk analisis makanan sejak tahun 1938, dimana penentuan mutu kopi dengan
NIRS sudah dilakukan. Penelitian NIRS kopi telah banyak dilakukan namun dalam
bentuk bubuk, seperti yang dilakukan Huck et al. (2005) yang menganalisis
kandungan kafein bubuk kopi. Hasil penelitian menunjukkan kandungan kafein
kopi 6% lebih tinggi jika dibandingkan dengan deteksi UV. Metode LC-UV dipilih
sebagai metode referensi untuk kalibrasi dari sistem NIRS. Analisis pada 83 sampel
ekstrak kopi cair menghasilkan SEE (standard error estimasi) 0.34% sedangkan
untuk SEP (standard error dari prediksi) sebesar 0.07% dengan koefisien korelasi
0.86.
Penentuan kadar kerusakan secara fisik terhadap parameter mutu biji kopi
secara non destruktif dilakukan oleh Rodrigo et al. (2012) pada kopi Robusta
Indonesia, Robusta Vietnam, Arabika Colombia, dan Arabika Nikaragua. Hasil
penelitian menunjukkan bahwa NIRS dapat menjadi alat analisis kerusakan biji
kopi yang memungkinkan evaluasi yang sederhana dan cepat dengan tingkat
kesalahan relatif sebesar 5%. Penelitian NIRS untuk menentukan mutu kimia biji
kopi seperti kafein secara non destruktif belum dilakukan. Penelitian komponen
kimia secara non destruktif perlu dikembangkan untuk mempermudah pelaku pasar
kopi dalam mendeteksi kualiatas biji dengan cepat.
 2

Rumusan Masalah

Rumusan masalah dalam penelitian ini:

1. Penentuan mutu biji kopi Gayo dilakukan secara subjektif melalui sensorik
menghasilkan mutu kopi yang tidak seragam.
2. Penentuan kafein dengan NIRS telah dilakukan namun masih dalam bentuk
bubuk dan kopi roasting, belum dalam bentuk biji kopi (non destruktif)
3. Indonesia selaku negara eksportir kopi perlu mengembangkan metode
pengukuran kafein biji dengan NIRS secara non destruktif untuk memastikan
kualitas biji kopi arabika guna meningkatkan daya saing dalam dunia
perdagangan.

Tujuan Penelitian

Secara umum tujuan yang ingin dicapai dalam penelitian ini adalah
menentukan kandungan kimia biji kopi arabika secara non destruktif berbasis
NIRS. Secara rinci penelitian ini bertujuan untuk:
1. Mengembangkan metoda pengukuran reflektan biji kopi arabika Gayo.
2. Menentukan model pengolahan data dan kalibrasi terbaik untuk prediksi kadar
air dan kafein biji kopi.

TINJAUAN PUSTAKA
Kandungan Kimia Biji Kopi Arabika (Coffea arabica L.)
Indonesia menempati urutan negara keempat terbesar dalam mengekspor
kopi setelah Brazil, Colombia dan Vietnam, kopi arabika merupukan salah satu
jenis kopi yang diekspor oleh Indonesia dengan nilai jual yang sangat tinggi (AEKI
2012). Masing-masing varietas Biji kopi arabika tersebut mempunyai sifat fisik
agak berbeda satu sama lainnya. Kopi jenis arabika hanya bisa dibudidayakan pada
daerah ketinggian 1.200 di atas permukaan laut, sehingga menjadi kopi langka dan
tertua di dunia. Kopi arabika Gayo adalah satu diantara komoditi ekspor unggulan
Indonesia yang telah dikenal di pasar domestik dan internasional.
Kopi arabika Gayo dihasilkan dari tanaman kopi arabika yang ditanam di
dataran tinggi dengan ketinggian tempat antara 900 – 1.700 mdpl. Lahan kopi
dengan ketinggian tersebut umumnya ditemukan di daerah pengunungan dan
berlereng (Ellyanti et al. 2012). Kopi arabika Gayo dapat dilihat pada Gambar 1.
 3

(a) (b)
Gambar 1 (a) Buah kopi arabika (b) Biji kopi

Biji kopi mengandung jumlah polisakarida sekitar 50% yang tersusun

membentuk dinding sel. Polisakarida berkontribusi terhadap karakteristik
organoleptik minoman kopi seperti creaminess (viskositas), mouth-feel (rasa dalam
mulut), komponen aroma, dan stabilitas busa. Tiga polisakarida utama dalam kopi
yaitu arabinogalactan, mannan dan cellulose (Fischer et al. 2012). Kandungan
lemak pada biji kopi berkisar antara 12-18% tergantung varietas kopi. Biji kopi
robusta memiliki kadar lemak yang lebih rendah jika dibandingkan dengan biji kopi
arabika. Komponen lemak terbesar dalam kopi adalah diterpene yang berupa
cafestol dan kahweol (Wang dan Lim 2015). Komposisi biji kopi arabika dapat
dilihat pada Tabel 1 berikut:

Tabel 1 Komposisi biji kopi arabika

No Komponen Jumlah (%)
1 Polisakarida 50-55
2 Oligosakarida 6-8
3 Lemak 12-18
4 Protein 11-13
5 Mineral 3-4
6 kafein 0.9-1.2
7 Asam klorida 5-8
8 Abu 2-4
Sumber: Wei et al. (2015)

Kandungan kopi yang dianggap paling penting adalah kafein yang memiliki
efek farmakologis yang bermanfaat secara klinis untuk menstimulasi susunan
syaraf pusat, relaksasi otot polos terutama otot polos bronkus dan stimulasi otot
jantung. Kafein termasuk salah satu derivat xantin yang mengandung gugus metil
(Maramis et al. 2013). Kafein atau dengan nama lain 1.3.7-trimetilxantin dengan
rumus molekul C8H10N4O2 yang terdapat pada Gambar 2.
4

Gambar 2 Struktur Kafein

Kafein merupakan perangsang susunan saraf pusat. Dosis standar untuk

konsumsi kafein berkisar antara 50 sampai 200 mg/ hari. Manfaat kafein dapat
mempengaruhi lapisan luar otak, pengaruh ini bisa mengurangi kelelahan. Namun
konsumsi dalam dosis yang lebih besar dapat mengganggu pusat vaskomotor dan
sistem pernapasan (Almada 2009). Efek negatif lainnya berupa perasaan gugup,
gelisah, tremor, insomnia, hiperestensi, mual, dan kejang. Kadar kafein yang
terkandung di dalam biji kopi robusta adalah 2%, sedangkan kopi arabika adalah
1% (Farmakologi Fakultas Kedokteran UI 2002).
Beberapa metode yang telah dikembangkan untuk menentukan kadar kafein
antara lain metode titrasi, spektrofotometri (AOAC 1999), kromatografi gas
(AOAC 1999) dan kromatografi cair kinerja tinggi (USP 1996). Kandungan kafein
juga dapat dianalisis dengan menggunakan High Performance Liquid
Chromatography (HPLC) yang digabungkan dengan deteksi UV, namun metode
ini memerlukan waktu analisis yang lama (Schulz 2004). Near Infrared Reflectance
Spectroscofy (NIRS) telah berhasil digunakan dalam memprediksi kadar kafein dari
bubuk kopi (Huck 2005).

Teknologi Near Infrared Reflectance Spectrocopy (NIRS)

NIRS merupakan metode radiasi sinar near infra merah dekat untuk
menganalisis komposisi kimia dari bahan organik. Informasi kandungan kimia
didapatkan dari pantulan spektrum bahan saat diberi radiasi sinar near infrared.
Prinsip kerja metode NIRS bahwa setiap obyek biologik memiliki karakteristik sifat
optik dan elektromagnetik tertentu yang dapat dianalisis menjadi informasi
kandungan kimia obyek tersebut (Strang 2004). Kata spectroscopy seperti
didefinisikan oleh Clark (1999) adalah studi tentang radiasi elektromagnetik
sebagai fungsi dari suatu bahan padat atau cair. Bentuk spektrum dari radiasi near
infrared ini yang kemudian digunakan untuk menganalisis dan memprediksi
komposisi kimia bahan tersebut. Menurut Mohsenin (1984), bahan organik hanya
akan memantulkan sekitar 4% sinar yang diterimanya dari sebuah sumber melalui
permukaan luar regular reflection dan sisanya 96% akan masuk ke dalam produk.
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 & He 2007). Menurut Munawar (2008), ketika sebuah sinar yang
berasal dari sebuah sumber jatuh mengenai obyek, maka akan terjadi interaksi
antara obyek dan sinar tersebut, selanjutnya akan memberi respon berupa pantulan,
serapan dan terusan. Respon pantulan (reflectance) dapat berupa pantulan langsung
(specular reflectance) yang mana sinar sepenuhnya dipantulkan kembali oleh
 5

obyek, pantulan semu (diffuse reflectance) yang mana sinar diserap terlebih dahulu
dan kemudian dipantulkan. Respon serapan (absorbance) merupakan fenomena di
mana seluruh sinar pada panjang gelombang tertentu sepenuhnya diserap oleh
bahan dan respon terusan (transmittance) (Gambar 3). Respon di mana sinar pada
panjang gelombang tertentu menembus bahan.

Gambar 3 Interaksi sinar NIRS dengan bahan (Munawar 2008)

Hal penting yang harus diperhatikan dalam memilih set-up pengukuran NIR
adalah penetrasi radiasi NIR yang dapat masuk ke dalam jaringan bahan. Penetrasi
ini biasanya akan semakin berkurang dengan bertambahnya kedalaman bahan yang
akan ditembus. Lammertyn et al. (2000) menyatakan bahwa variasi pada ukuran
dan suhu partikel sampel mempengaruhi penyebaran radiasi NIRS pada saat
melewati bahan. Partikel berukuran besar tidak dapat menyebarkan radiasi NIRS
sebanyak radiasi yang diserap, maka semakin tinggi nilai absorban dan panjang
gelombang maka penyerapan juga akan lebih besar dan kuat (Zulfahrizal 2014).
Efek tertentu seperti hamburan cahaya yang terjadi dalam spektroskopi
reflektansi NIRS yang menyebar dipengaruhi oleh presentasi sampel yang
menyebabkan gangguan dalam spektrum (non linear), hal ini menghasilkan
perubahan spektrum yang tidak terkait dengan keandalan model kalibrasi
multivariat (Osborne et al. 1993). Salah satu ciri yang melekat pada analisis
spektroskopi adalah jumlah variabel yang banyak yang terdapat pada spektrum
NIRS yang biasanya secara signifikan lebih besar dari jumlah sampel. Aplikasi
metode pengolahan data NIRS sangat penting dalam mengembangkan model
regresi pada data spektrum dengan meminimalkan kontribusi efek fisik yang berupa
noise pada sinyal NIRS. Menurut Esteban-Diez et al. (2004) sinyal NIRS tidak
hanya mengandung informasi kimia dari bahan, tetapi juga informasi fisik. 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 derivatif.

Metode Pengolahan Data NIRS

Pengolahan data spektrum dilakukan untuk mengurangi pengaruh interferensi
gelombang dan noises (gangguan) pada spektrum yang diperoleh hasil pengukuran
agar diperoleh model yang lebih akurat dan bersifat stabil. Metode pengolahan yang
umum dipergunakan untuk memperbaiki spektrum yang didapat antara lain
Smoothing Savizky-Golay (SGs), First and Second Derivative (D1 dan D2), Mean
Centering (MC), Normalization (N), Standard Normal Variate (SNV), Orthogonal
Signal Correction (OSC) (Munawar 2008).
 6

Smoothing Savizky-Golay (SGs) merupakan metode yang sering digunakan

untuk mengeleminasi noise. Smoothing juga digunakan di dalam optimasi signal-
to-noise rate. Pada umumnya dikombinasikan dengan metode pengolah awal data
lain untuk melakukan penghilangan noise.
Mean Centering (MC) digunakan sebagai pretreatment karena fokus pada
perbedaan antara observasi dari nilai-nilai mutlak data. MC bertujuan untuk
memastikan bahwa data atau model yang dihasilkan dapat ditafsirkan dalam variasi
pada mean data.
Multiplicative Scatter Correction (MSC) merupakan salah satu pendekatan
untuk mengurangi amplification (multiplicative, scattering) dan offset (additive,
chemical) efek di NIR spektrum. MSC memutari setiap spektrum sehingga
menemukan kecocokan semirip mungkin dengan spektrum standar yang mungkin
sering menjadi mean spektrum. Setiap spektrum kemudian dikoreksi dengan
menggunakan persamaan linear.
Standard Normal Variate (SNV), metode ini adalah transformasi yang
menghilangkan scatter effects dari spektrum dengan memusatkan dan membuat
skala spektrum individual. Fungsi praktis dari SNV adalah menghilangkan
gangguan multiplicative interferences dari scatter effects pada data spektrum. Efek
dari SNV adalah pada skala vertikal, masing-masing spektrum berpusat pada nol
dan bervariasi kira-kira dari -2 ke 2. Terlepas dari skala yang berbeda, hasilnya
lebih-kurang mirip dengan MSC.
Orthogonal Signal Correction (OSC) merupakan metode pengolahan data
baru yang diterapkan pada spektrum NIRS. Metode OSC berusaha untuk
memperbaiki data X matriks, spektrum data NIRS dengan menghapus informasi
dari spektrum yang ortogonal yang berkorelasi dengan data matriks Y yang
merupakan standar mutu dari atribut data.
Normalization berfungsi untuk membuat skala sampel dalam rangka untuk
mendapatkan semua data pada sekitar skala yang sama berdasarkan daerah, mean,
selang, maksimum, puncak dan vektor satuan. Normalisasi spektrum berfungsi
mentransformasi spektum ke dalam satuan panjang sehingga nilai reflektan berada
pada rentang yang lebih panjang.
First and Second Derivative (D1 dan D2) digunakan untuk menghilangkan
background dan meningkatkan resolusi spektra. pengolahan turunan (derivative)
berkerja memisahkan spektrum yang tumpang tindih pada spektrum original,
sehingga nilai reflektan yang dihasilkan akan diturunkan menjadi lebih kecil untuk
memperjelas masing-masing puncak dan lembah pada spektrum.

Kalibrasi
Metode kalibrasi multivariate Partial Least Squares (PLS) merupakan
metode kalibrasi multivariat untuk pendugaan kandungan kimia biji kopi. Tahap
kalibrasi ini dilakukan untuk menentukan hubungan antara kandungan kimia biji
kopi dengan data reflektansi NIRS.
Metode PLS menggunakan kombinasi linier untuk menduga variabel bebas
dari variabel asli. Kombinasi linier yang diduga dipilih dengan 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. Metode PLS hanya mengharapkan sedikit kombinasi linier dari
 7

variabel bebas yang dibutuhkan untuk menjelaskan sebagian besar variasi (Miler
2005). Teknik kompres data dengan PLS dapat dilihat pada Gambar 4.

A = S + E
F

Gambar 4 Teknik kompres data dengan PLS (Williams dan Norris 1990)

Dari Gambar 4 dapat dilihat bahwa pembentukan dekomposisi dari data

spektrum dan konsentrasi dilakukan secara bersamaan. Tujuan PLS untuk
membangun model linier antara matriks konsentrasi C dan matriks spektrum A.
Matriks F merupakan komponen utama (PC) yang dibutuhkan untuk mewakili
matriks A dan matriks C. Bobot ini masing-masing dihitung dengan
memaksimalkan kovarians antara matriks A dan matriks C. Setelah dilakukan
pembobotan maka akan menghasilkan koefesien regresi berupa matriks S.
Informasi dekomposisi spektrum selanjutnya akan digunakan untuk menghitung
persamaan regresi sehingga menghasilkan model yang kuat dalam memprediksi
konsentrasi yang diinginkan (Chen & Wang 2001).

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 dan kafein) biji kopi dugaan NIR. Validasi bertujuan
menguji ketepatan pendugaan komposisi kimia dengan persamaan regresi kalibrasi
yang telah dibangun.
Parameter untuk menentukan kecocokan model kalibrasi adalah koefesien
korelasi (r), standard error (SE), coefficient of variation (CV). Koefesien korelasi
atau r menunjukkan kemampuan model menerangkan keragaman nilai peubah tak
bebas. Semakin besar nilai r berarti model semakin mampu menerangkan perilaku
peubah tak bebas. Kisaran nilai r (Persamaan 1) mulai dari 0% sampai 100%
(Mattjik et al. 2006).

∑(𝑌−𝑌̅) (𝑌𝑁𝐼𝑅𝑆 − 𝑌̅𝑁𝐼𝑅𝑆 )

𝑟= (1)
√∑(𝑌− 𝑌̅)2 ∑(𝑌𝑁𝐼𝑅𝑆 − 𝑌̅𝑁𝐼𝑅𝑆 )

Data komposisi kimia dugaan NIRS divalidasi dengan data hasil pengujian
secara kimiawi di laboratorium kimia dan dibuat hubungan antara keduanya, setelah
itu dihitung standard error (Persamaan 2). Standard error merupakan selisih antara
nilai hasil dugaan dan nilai sebenarnya. SE yang semakin kecil menunjukkan model
yang semakin baik. Nilai yang baik adalah semakin mendekati nol sehingga
 8

dipastikan model dapat memprediksi dengan baik kadar dugaan. Standar eror
diperoleh dengan menggunakan persamaan sebagai berikut:

∑(𝑌𝑁𝐼𝑅𝑆 −𝑌)2
𝑆𝐸 = √ (2)
𝑛

Keterangan: SE = Standar error

YNIRS = komposisi kimia dugaan NIRS

Y = komposisi kimia dengan uji kimia
n = jumlah sampel
Setelah dihitung standartd error (SE), dihitung pula koefisien keragaman
atau coefficient of variability (CV). Walpole (1995) menyatakan bahwa dengan
simpangan baku (standar deviasi) tidak dapat menyatakan keragaman data. Ukurun
lain adalah koefesien keragaman (CV) coefficient of variability menunjukkan
besarnya error sebanding dengan rata-rata hasil analisis kimiawi (data referensi).
Koefisien keragaman (CV) dapat digunakan untuk membandingkan dua
keragaman kelompok data yang selang nilainya jauh berbeda satu sama lain bahkan
dapat digunakan untuk membandingkan keragaman dua atau lebih kelompok data
meskipun satuan pengukurannya tidak sama.
Menurut Mattjik et al. (2006) nilai ideal CV sangat tergantung pada bidang
studi yang digeluti, misalnya untuk bidang pertanian nilai CV (Persamaan 3) yang
dianggap wajar adalah 20 – 25%, namun percobaan dilakukan dilaboratorium nilai
CV diharapkan jauh lebih kecil mengingat sebagian kondisi lingkungan dalam
keadaan terkontrol. Coefficient of variability dirumuskan dengan:

𝑆𝐸
𝐶𝑉 = ( 𝑌̅ ) 𝑋 100% (3)

Keterangan: CV = koefesien keragaman

SE = standar error
Ỹ = rataan komposisi kimia aktual sampel penelitian

Keabsahan model akan dilihat dari parameter statistik yakni antara lain nilai
r, RPD (Persamaan 4). Model yang baik adalah apabila mempunyai nilai r tinggi,
nilai SEp yang lebih kecil dari standar deviasi (SDp) data dan nilai RPD yang tinggi.

RPD = SDP/ RMSEP (4)

Keterangan: RPD = rasio antara standard deviasi dengan RMSEP

SDp = Standar deviasi prediksi

Aplikasi Near Infrared Reflectance (NIR) dalam Industri Kopi

NIRS telah diterapkan untuk membedakan antara varietas Arabika dan
Robusta, baik dalam sampel murni atau campuran, dalam kombinasi dengan
analisis klasifikasi multivariat (Downey et al. 1994). Selain itu, telah digunakan
untuk menentukan tingkat roasting biji kopi, untuk mengevaluasi sifat sensori dari
espresso, dan untuk mengukur beberapa komponen kimia sampel kopi, misalnya
 9

theobromine, asam klorogenat, trigoneline, lipid, gula total dan kafein sebagai dasar
model kalibrasi (Pizarro 2004). Pada tahun 2007, Pizarro meneruskan penelitiannya
menggunakan metode stepwise orthogonalization of predictors dalam memilih
metode informasi untuk menentukan kandungan kafein dalam roasting.
Ribeiro et al. (2011) berhasil menunjukkan daerah panjang gelombang dari
kandungan lemak, kafein, trigolin, flavor, polisakarida, sukrosa dan protein pada
biji kopi roasting mengunakan metode PLS dengan mengunakan analisis Orderet
Predictor Selection (OPS). Menurut Teófilo (2009), seleksi menggunakan OPS
memberikan informasi vektor daerah kandungan tertentu pada spektrum serta
mampu memilah variabel pada setiap magnitude dan mengevaluasi dengan
menggunakan model multivariat. Penelitian NIRS untuk menentukan kandungan
kimia dalam bentuk biji kopi utuh belum pernah dilakukan. Namun metoda NIRS
mampu memprediksi kandungan kimia bahan dalam bentuk biji berdasarkan
penelitian yang telah dilakukan pada kakao oleh Zulfahrizal et al. (2014) dan biji
jarak pagar oleh Lengkey et al. (2013).

METODOLOGI PENELITIAN
Tempat dan Waktu Penelitian
Penelitian dilaksanakan di laboratorium Teknik Pengolahan Pangan dan Hasil
Pertanian (TPPHP), Departemen Teknik Mesin dan Biosistem dan Laboratorium
Mutu Pangan, Departemen Ilmu dan Teknologi Pangan, Fakultas Teknologi
Pertanian IPB, pada bulan September-Oktober 2015.

Bahan dan Alat

Bahan yang digunakan adalah kopi arabika Gayo sebanyak 8 kg yang
diperoleh dari Kecamatan Lut Tawar, Kebayakan, dan Bintang, Kabupaten Aceh
Tengah. Sebanyak 50 sampel dipersiapkan yang terbagi 33 sampel (65%) untuk
kalibrasi, dan 17 sampel (35%) untuk validasi. Sampel untuk pengukuran non
destruktif ditimbang 65 gram (3 lapisan) dan 95 gram (4 lapisan), untuk pengujian
kimia 18 g/sampel. Bahan lainnya adalah aquades, Pb asetat, natrium oksalat dan
kafein murni.
Alat yang digunakan dalam penelitian ini meliputi satu unit NIR
Spektrometer tipe NIRFlex N-500 yang diproduksi oleh BUCHI Labortechnik AG,
Switzerland, dilengkapi dengan satu unit komputer yang dapat digunakan untuk
mengukur sampel padat, pasta, dan biji serta software unscrambler untuk analisis
spektrum data. Oven dan desikator digunakan untuk menentukan kadar air, serta
mesin penggiling biji dan alat HPLC merk Shimadzu LC- 10 AD untuk menentukan
kadar kafein. Alat lainnya berupa water bath, labu erlenmeyer 250 ml, kertas
saring, tabung reaksi, penyaring, micropipet, gelas ukur 50 mL, dan timbangan
analitik (Lampiran 1).

Prosedur Penelitian
Prosedur penelitian penentuan kandungan kimia biji kopi arabika Gayo secara
non destruktif dengan menggunakan Near Infrared Spectroscopy dengan beberapa
tahap yaitu (1) pengukuran reflektan spektrum NIRS biji kopi pada suhu ruang
kemudian diukur parameter mutunya secara destruktif, (2) pengolahan data dengan
10

melakukan kalibrasi dan validasi, (3) evaluasi kinerja pengolahan data. Diagram
alir dapat dilihat pada Gambar 5.

50 Sampel

33 sampel untuk kalibrasi 17 sampel untuk validasi

Scanning NIRS Scanning NIRS

kopi dengan Penentuan kopi dengan Penentuan
berbagai komposisi berbagai komposisi
panjang kimia panjang kimia
gelombang (kadar air gelombang (kadar air
Reflektan (R) dan kafein) Reflektan (R) dan kafein)

Pengolahan data NIRS: Pengolahan data NIRS:

1. Normalisasi 1. Normalisasi
2. Turunan 1 Savitzky-Golay (dg1) 2. Turunan 1 Savitzky-Golay (dg1)
3. Turunan 2 Savitzky-Golay (dg2) 3. Turunan 2 Savitzky-Golay (dg2)
4. Kombinasi (n01,dg1) 4. Kombinasi (n01,dg1)

Kalibrasi

Tidak

RMSEC
r≈1
Validasi
CV ≈ 0
Ya

Tidak
RMSEP
r≈1
CV ≈ 0

Ya

Selesai

Gambar 5 Diagram alir penelitian

 11

Pengukuran Reflektan
Sampel biji kopi yang dideteksi dalam sampel holder berukuran ± 5 cm
dengan kisaran kadar air 11-14%. Biji kopi disusun dalam 3 lapisan (65 gram) dan
4 lapisan (95 gram) (Gambar 6).
Spektrometer NIR yang digunakan dalam penelitian ini adalah NIRFlex N-
500 solids petri merek BUCHI (Gambar 6) dengan set up alat sebagai berikut:
kecepatan pengambilan data 2-3 scan/s, suhu pengoperasian alat 22 - 25oC dengan
100-230VAC ±10%, 50/60 Hz, 350 Watt. Pada penelitian ini digunakan panjang
gelombang infra merah dekat 1000-2500 nm sesuai yang tersedia pada alat NIRflex
N-500.
Sebelum dilakukan pengukuran pada sampel biji kopi, terlebih dahulu
dilakukan proses pengukuran spektrum acuan (reference spectrum). Intensitas
reflektansi sampel diperoleh dari intensitas spektrum yang diukur dibagi dengan
spektrum acuan (Persamaan 5).

Spektrum = Vcontoh/Vstandar (5)

Keterangan :
Vcontoh = Tegangan pantulan contoh / sampel (Volt)
Vstandar = Tegangan pantulan standar putih (Volt)

1
3 4
12 13 16

14 15 5

11
9 8
10 7

1. Sampel 5. Light barrier 09. Mirror 2 13. Start button

2. Cawan petri 6. Motor 10. Optic 2 14. Status LED
3. Magnetic coding 7. Optic 1 11. Detector 15. Magnet sensor
4. Rotary plate 8. Mirror 1 12. Stop button 16. Internal reference

Gambar 6 Bagian-bagian dan fungsi NIRFlex N-500 (Sumber: Operation Manual

NIRFlex N-500 Merk Buchi)

Prinsip fungsional dari spektrofotometri Buchi NIRFlex N-500 solids

ditampilkan pada Gambar 6. Proses pengukuran spektrum sampel dimulai dengan
memancarkan gelombang atau sinar NIRS ke optik 1 lalu dilanjutkan ke cermin 1,
12

light barrier dan diteruskan ke sampel secara tegak lurus. Ketika sinyal telah
sampai ke sampel, maka ikatan-ikatan molekul yang ada di dalam bahan akan
bervariasi dan pada saat frekuensinya sama dengan gelombang NIRS yang
dipancarkan maka terjadilah penyerapan gelombang. Gelombang yang diserap
bahan sebagian ada yang dipantulkan kembali dan diteruskan ke cermin 2,
selanjutnya ke optik 2 untuk diteruskan ke detektor. Detektor akan mencatat
spektrum selanjutnya diteruskan ke komputer untuk akusisi dan analisis
kemometrik.

Penentuan Kadar Air (AOAC 2005)

Cawan keramik kosong dikeringkan dalam oven dengan suhu 1050C selama
15 menit dan didinginkan dalam desikator selama 10 menit, kemudian ditimbang.
Sampel yang sudah diambil data spektrumnya ditimbang 5 gram kemudian
dimasukkan ke dalam cawan. Cawan beserta isinya kemudian dimasukkan ke dalam
oven dengan suhu 1050C selama 6 jam. Selanjutnya cawan dikeluarkan dari oven
dan didinginkan kembali dalam desikator dan ditimbang kembali. Perhitungan
kadar air menggunakan Persamaan 6:

𝐵𝑎−𝐵𝑏
𝐾𝑎 = 𝑥 100% (6)
𝐵𝑎

Keterangan : Ka = Kadar air (%)

Ba = Berat awal (g)
Bb = Berat akhir (g)

Penentuan Kadar Kafein (AOAC 2005)

Biji kopi digiling menggunakan blender dan disaring menggunakan
saringan teh. Sampel yang berupa powder ditambahkan aquades sebanyak 50 mL
yang selanjutnya dipanaskan 30 menit dalam water bath dengan suhu 80-100oC.
Ditambahkan 2 tetes Pb asetat jenuh dan setelah pendinginan lakukan penyaringan
dalam labu 100 mL dan penambahan aquades dan 5 gram Pb asetat. Kemudian 20
mL sampel dimasukkan ke dalam HPLC pada suhu 28-28oC untuk mendapatkan
konsentrasi kafein. Konsentrasi kafein dalam sampel (Ccaf) dihitung dengan
menggunakan persamaan regresi yang diperoleh dan membandingkan dengan
larutan standar. Persentase kafein dihitung dengan Persamaan 7:

Ccaf (%) x V solution (𝑚𝐿)

kafein (%) = (7)
Msampel (𝑚𝐿)

Analisis Data Penelitian

Data-data yang diperoleh dianalisis dengan menggunakan bantuan
perangkat lunak (software) unscrambler. Dari seluruh jumlah sampel (50 sampel
biji kopi) yang diukur dibagi 2 (dua) tahap yaitu tahap kalibrasi dan validasi. Jumlah
sampel untuk tahap kalibrasi harus lebih banyak dari tahap validasi, dimana jumlah
sampel tahap kalibrasi sebanyak ± 33 sampel (2/3 total sampel) sedangkan jumlah
sampel untuk validasi sebanyak ± 17 sampel (1/3 total sampel). Selain itu, range
data yang digunakan untuk tahap kalibrasi harus lebih besar daripada tahap validasi.
 13

Kalibrasi dan Validasi menggunakan Metode PLS

Pengolahan pada data spektrum dilakukan sebelum kalibrasi dan validasi,
untuk mengeliminasi gangguan-gangguan yang terjadi selama pengambilan
spektrum. Spektra yang diperoleh dari NIRS ditransformasikan menjadi spektrum
reflektan. Berikutnya dilakukan pra pengolahan data untuk dianalisis lebih lanjut
menggunakan PLS. Pengolahan data awal yang diberikan pada data penelitian ini
adalah sebagai berikut
1. Normalisasi antara 0-1 (n01)
2. Turunan pertama Savitzky-Golay (dg1) dan turunan kedua Savitzky-
Golay (dg1)
3. Kombinasi (n01, dg1)
Kalibrasi dan validasi NIRS dilakukan terhadap kadar air dan kafein biji
kopi. Model kalibrasi merupakan model yang menunjukkan tingkat korelasi antara
fisiko kimia dengan reflektan NIRS, sedangkan validasi merupakan uji terhadap
model kalibrasi. Diagram alir pengolahan data kalibrasi dan validasi dapat dilihat
pada Gambar 5.
Evaluasi Hasil Kalibrasi dan Validasi
Ketepatan dan ketelitian metode NIRS dalam memprediksi kadar air dan
kafein biji kopi dikaji dari) koefisien korelasi (r), standar error of calibration set
(SEC), standar error of validation set (SEP), coefficient of variation (CV), dan
residual predictive deviation (RPD) (Mauzan et al. 2005). Standar Error of
Calibration set (SEC), menunjukkan seberapa baik persamaan kalibrasi cocok
dengan data. Nilai SEC yang semakin kecil menunjukkan kesalahan prediksi yang
rendah dari kalibrasi. Standar Error of Validation set (SEP), menunjukkan
ketidaktepatan (kualitas) dari model validasi. Nilai yang kecil menunjukkan model
yang baik. Coefficient of Variation (CV), menunjukkan error sebanding dengan
rata-rata hasil uji kimia bahan. Residual Predictive Deviation (RPD), menunjukkan
rasio antara standar deviasi dari data original referensi dengan SEC dan SEP. Nilai
RPD antara 1.5-1.9 menunjukkan prediksi masih kasar dan masih perlu perbaikan
pada kalibrasi. Nilai RPD antara 2-2.5 menunjukkan model prediksi yang cukup
baik. Sedangkan nilai RPD antara 2.5-3 atau lebih menunjukkan akurasi model
prediksi yang baik dan sangat baik.

HASIL DAN PEMBAHASAN

Spektrum Reflektan NIRS Biji Kopi Gayo
Spektrum original biji kopi pada panjang gelombang 1000-2500 nm
ditunjukkan pada Gambar 7. Rentang 1000-2500 nm memperlihatkan spektrum
yang lebar dengan jumlah 1501 data spektrum yang memiliki beberapa puncak dan
lembah spektrum. Puncak spektrum reflektan NIRS pada biji kopi arabika Gayo
berada antara panjang gelombang 1109 - 1134 nm, 1291 – 1321 nm, 1700 – 1730
nm, 1910 – 1940 nm. Sedangkan lembah berada antara panjang gelombang 1203 –
1233 nm, 1434 – 1464 nm, 1660 – 1690 nm, 1950, 1980 nm. Gambar 7
menunjukkan 4 titik utama sebagai puncak yang menunjukkan overtone 2 gugus
karbonil (1128 nm) peregangan CH oleh getaran OH air mengakibatkan penurunan
puncak (1298 nm) penurunan yang stabil pada panjang gelombang (1672 nm).
Spektrum NIRS biji kopi setelahnya bergerak dengan landai pada puncak yang
14

tidak jauh berbeda (1726 nm). Kafein berada pada panjang gelombang 1128, 1298,
1677, 1726, dan 1934 nm (Ribeiro et al. 2011).

Gambar 7 Spektrum original biji kopi (n=50)

Spektrum untuk 50 sampel biji kopi telah memperlihatkan puncak dan lembah
pada panjang gelombang tertentu (Gambar 7). Namun fitur spektrum tersebut
sebenarnya saling tumpang tindih antara satu dan lainnya. Menurut Hruschka
(1990), fitur pada spektrum NIRS dipengaruhi oleh pita penyerapan overtone dan
kombinasi yang terjadi karena adanya perubahan energi molekul ketika menyerap
energi foton. Pendekatan dengan turunan kedua akan memisahkan penyerapan yang
saling tumpang tindih tersebut.
Stuth et al. (2003) menambahkan bahwa beberapa foton tersebut
mengakibatkan perpindahan elektron, sementara beberapa lainnya mengakibatkan
getaran molekuler karena bahan-bahan biologik mengandung pita-pita molekul
(molecular bonds) diantara atom-atom. Getaran molekul yang terjadi ini
mengakibatkan pita-pita molekul bergerak ke atas dan ke bawah atau terjadi tarikan
dan regangan pada frekuensi dan panjang gelombang tertentu (Batten 1998).
Kejadian ini yang menyebabkan bentuk spektrum yang berbeda-beda untuk setiap
bahan biologik.
Keberadaan puncak dan lembah spektrum dipengaruhi oleh komponen-
komponen kimia yang terdapat dalam bahan yang dianalisis. Selain karena faktor
kimia, puncak dan lembah spektrum juga dipengaruhi oleh sifat fisik bahan (Blanco
dan Villarroya 2002). Kandungan air dalam bahan misalnya yang mempengaruhi
bentuk spektrum, hal ini karena air merupakan komponen utama material biologi.
Selain itu air juga merupakan kompenen terkuat dalam penyerapan wilayah NIRS
(Zhang et al. 2006).

Spektrum Reflektan dari 3 dan 4 Lapisan Biji Kopi

Spektrum reflektan NIRS dengan 3 dan 4 lapisan menghasilkan spektrum
dengan pola yang hampir sama. Berdasarkan nilai rata-rata kedua lapisan, reflektan
spektrum 4 lapisan lebih tinggi dibandingkan 3 lapisan (Gambar 8). Rendahnya
reflektan pada 3 lapisan disebabkan oleh adanya space diantara biji kopi yang
mentransmisikan sinar NIRS, sehingga tidak seluruh sinar NIRS dipantulkan oleh
lapisan biji kopi.
Biji yang digunakan dalam penelitian ini berukuran tidak seragam yang
berkisar antara 6 mesh sampai 3,5 mesh. Menurut SNI 1997 mengenai ekspor biji
 15

kopi standart minimum ukuran biji adalah tidak lolos ayakan ukuran 3 mm x 3 mm
(8 mesh) dengan maksimum lolos 1% (bobot/bobot). Sedangkan untuk bisa disebut
biji ukuran besar, harus memenuhi persyaratan tidak lolos ayakan ukuran 5,6 mm x
5,6 mm (3.5 mesh dengan maksimum lolos 1% (bobot/bobot). Variasi pada ukuran
sampel mempengaruhi penyebaran radiasi NIRS pada saat melewati bahan. Partikel
berukuran besar tidak dapat menyebarkan radiasi NIRS sebanyak radiasi yang
diserap, semakin tinggi nilai penyerapan maka panjang gelombang yang diserap
juga akan semakin besar (Dryden 2003).

3 lapisan
4 lapisan

Gambar 8 Rata-rata reflektan 3 dan 4 lapisan

Gambar 8 meunjukkan perbedaan penyerapan dari 3 lapisan dan 4 lapisan biji

kopi. Rendahnya nilai refelktan 3 lapisan diduga karena jumlah 65 gram biji kopi
belum cukup untuk menutup sinar yang berasal dari lampu halogen, sehingga
memungkinkan masih adanya sinar yang diteruskan keluar bahan. Sedangkan pada
4 lapisan biji dengan jumlah 95 gram, serapan sinar yang dipantulkan lebih besar.
Menurut Munawar (2008), ketika sebuah sinar yang berasal dari sebuah
sumber jatuh mengenai obyek, maka akan terjadi interaksi antara obyek dan sinar
tersebut yang mana obyek akan memberi respon berupa pantulan, serapan dan
terusan. 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. Respon serapan (absorbance) merupakan fenomena di mana seluruh
sinar pada panjang gelombang tertentu sepenuhnya diserap oleh bahan, dan respon
terusan (transmittance) merupakan respon di mana sinar pada panjang gelombang
tertentu menembus bahan karena adanya celah yang memungkinkan sinar keluar
(Siesler et al. 2002; Munawar 2008 ). Chen et al. (2013), menambahkan data
spektrum yang dihasilkan dari pengukuran reflektan pada sampel padat akan
menghasilkan berbagai noise sebagai akibat dari perbedaan ukuran partikel.
 16

Kadar Air dan Kafein Biji Kopi

Tabel 2 memperlihatkan sebaran data kadar air dan kadar kafein dalam biji
kopi arabika Gayo pada set kalibrasi dan validasi.

Tabel 2 Sebaran kadar air dan kafein biji kopi

Parameter Proses N Mean* SD Min* Max*
Kadar air Kalibrasi 33 13.13 0.90 11.27 14.45
Validasi 17 13.19 0.85 11.36 14.27
Kadar kafein Kalibrasi 33 0.279 0.029 0.194 0.328
Validasi 17 0.283 0.022 0.228 0.31
Keterangan: (* dalam%), N: jumlah sampel, SD: Standar deviasi, Min:minimal, Max: maksimal

Kadar air biji kopi arabika Gayo memiliki rentang 11.27 sampai 14.45%
dengan standar deviasi sebesar 0.90 untuk kalibrasi dan 0.85 validasi. Secara
keseluruhan sebaran data kadar air pada 50 sampel biji kopi dapat dilihat pada
Gambar 9. Kadar kafein biji kopi arabika Gayo untuk 50 sampel memiliki rentang
0.194 sampai 0.328% (Lampiran 2), dengan standar deviasi kalibrasi (0.029) dan
validasi (0.022). Nilai terendah dan tertinggi pada data digunakan sebagai set data
kalibrasi. Hal ini sesuai dengan pernyataan Yan et al. (2009) nilai tertinggi dan
terendah pada data olahan NIRS diperuntukkan sebagai set data kalibrasi dalam
membangun model kalibrasi.

Gambar 9 Sebaran kadar air biji kopi arabika Gayo untuk tiga Kecamatan

Dari Gambar 9 dapat dilihat bahwa perbedaan kadar air pada ketiga daerah
pengambilan sampel, Kecamatan Lut tawar menghasilkan kadar air 12.70-14.45%,
Kecamatan Kebayakan berkisar antara 13-14.3%, dan Kecamatan Bintang 11.40-
12.50%. Perbedaan terbebut bertujuan untuk memperpanjang rentang kadar air
yang akan dianalis menggunakan near infrared spectroscopy. ICO belum
menetapkan secara umum standar kadar air untuk masing-masing negara eksportir
kopi. Namun beberapa negara membuat standar kadar air, misalnya Vietnam dan
Indonesia memiliki syarat kadar air maksimal 13%. Kadar air kopi yang aman dari
pertumbuhan mikroorganisme adalah 12.5%. Kadar air biji kopi yang lebih dari
13% menyebabkan biji kopi lebih mudah terserang cendawan (Yani 2008). Reh et
al. (2006), menambahkan penurunan kadar air biji kopi dapat mengurangi
pertumbuhan mikroorganisme, namun kadar air biji yang terlalu rendah dapat
 17

menyebabkan kerugian berupa penurunan berat dan penampakan biji menjadi

berkerut.
Kandungan kimia lainnya yang berperan penting dalam biji kopi adalah
kafein. Kadar kafein berkaitan erat dengan kualitas kopi, yang mempengaruhi rasa
pahit pada minuman kopi (Farah et al. 2006). Sebaran data kafein pada biji kopi
arabika Gayo pada ketiga kecamatan hasil analisis menggunakan HPLC dapat
dilihat pada Gambar 10.

Gambar 10 Sebaran kadar kafein biji kopi arabika Gayo untuk tiga Kecamatan

Sebaran kadar kafein biji kopi arabika Gayo untuk 3 kecamatan berkisar
antara 0.19 sampai 0.34%, yang perbedaannya tidak signifikan antara satu
kecamatan dengan kecamatan lainnya (Lampiran 3). Kadar kafein kopi arabika
Gayo lebih rendah jika dibandingkan dengan kadar kafein biji kopi Madagaskar
yang berjumlah 0.7% (Jacques et al. 1992), atau kopi Minas dengan jumlah 0.66%
(Hecimovic et al. 2011). Hal ini membuktikan bahwa pembangunan model
kalibrasi untuk analisis NIRS pada masing-masing biji kopi tiap daerah perlu
dilakukan karena adanya perbedaan kandungan kafein pada setiap daerah. Menurut
Wang et al. (2005), perbedaan kandungan kimia yang berbeda pada biji kopi
disebabkan oleh beberapa faktor diantaranya varietas, ketinggian tempat tumbuh,
kualitas tanah, tingkat kematangan.

Pengaruh Pengolahan Data NIRS Biji Kopi

Bentuk spektrum hasil pengolahan data NIRS biji kopi arabika Gayo dapat
dilihat pada Gambar 11.
 18

(a)

(b)

(c)

(d)

Gambar 11 Pengaruh pengolahan data terhadap spektrum NIRS biji kopi (a)
normalisasi antara 0-1 (n01), (b) turunan pertama Savitzky-Golay 5 point
(dg1), (c) turunan kedua Savitzky-Golay 5 point (dg2), (d) kombinasi n01
dan dg1
 19

Bentuk spektrum reflektan rata-rata biji kopi dengan pengolahan data

normalisasi antara 0 sampai 1 (n01) dapat dilihat pada Gambar 11(a). Jika
dibandingkan dengan spektrum original pada Gambar 7, pengolah n01 memiliki
pola spektrum yang hampir sama. Hanya saja pada n01 rentang nilai reflektan
menjadi lebih besar yaitu dari 0.1 sampai 0.06 menjadi 0.1 sampai 1.0. Hal ini
disebabkan karena dalam normalisasi vektor spektrum ditransformasi ke dalam
satuan panjang sehingga nilai reflektan berada pada rentang yang lebih panjang
(Sweirenga et al. 1999).
Pengolahan data menggunakan metode turunan pertama Savitzky-Golay (dg1)
pada spektrum biji kopi arabika Gayo berfungsi memperjelas bentuk puncak dan
lembah spektrum seperti yang terlihat pada Gambar 11(b). Namun nilai reflektan
yang dihasilkan akan lebih kecil jika dibandingkan spektrum asli. Menujuk pada
pernyataan Chen dan He (2007), pengolahan turunan berkerja memisahkan
spektrum yang tumpang tindih pada spektrum original, sehingga nilai reflektan
yang dihasilkan akan diturunkan menjadi lebih kecil untuk memperjelas masing-
masing puncak dan lembah pada spektrum.
Pengaruh tersebut semakin jelas saat diterapkan pada turunan kedua Savitzky-
Golay (dg2) seperti yang ditunjukkan pada Gambar 11(c). Rentang nilai reflektan
yang dihasilkan menjadi -0.004 sampai 0.002. Nilai ini lebih kecil jika
dibandingkan dengan reflektan spektrum asli dan turunan pertama Savitzky-Golay
(dg1). Namun dg2 bekerja lebih efektif dalam memperjelas puncak dan lembah
dengan memisahkan spektrum yang mengandung informasi kandungan kimia yang
tumpang tindih. Kinerja yang lebih baik pada dg2 sangat diperlukan dalam
membangun model kalibrasi kadar kafein dengan jumlah yang sangat kecil jika
dibandingkan dengan kadar air. Dengan adanya bantuan transformasi dg2
diharapkan model yang dibangun pada kadar kafein dapat lebih baik. Udelhoven et
al. (2003) juga melaporkan bahwa pengolahan data turunan Savitzky-Golay mampu
meningkatkan kinerja model yang dihasilkan.
Dalam penerapan metode pengolahan turunan Savitzky-Golay diperlukan
pemilihan point yang efektif. Dalam penelitian ini dilaporkan model yang paling
efektif dihasilkan dengan menggunakan turunan dg1 dan dg2 5 point. Lengkey et
al. (2013) melaporkan dg1 9 point efektif dalam meningkatkan r pada model yang
dibangun. Namun dalam penelitian ini hanya digunakan dg1 5 point. Kebutuhan
point dalam turunan Savitzky-Golay berbeda, disesuaikan dengan kebutuhan pada
masing-masing olahan data.
Metode pengolahan spektrum kombinasi n01 dan dg1 menghasilkan bentuk
spektrum yang hampir sama dengan dg1, hanya saja rentang reflektannya menjadi
lebih kecil dari –0.04 sampai 0.02 menjadi -0.01 sampai 0.01. Menurut
Andasuryani (2014), pengolahan data kombinasi antara n01 dan dg1 memberikan
efek yang lebih baik pada model yang dihasilkan pada analisis kandungan katekin.
Meskipun efek tersebut tidak terlihat langsung pada bentuk spektrum yang
dihasilkan. Pengolahan data yang berbeda menunjukkan hasil reflektan dan bentuk
spektrum yang berbeda pula
Pengolahan data merupakan hal penting saat mengembangkan model
kalibrasi dengan algoritma PLS selain jumlah faktor yang akan digunakan.
Pengujian dalam bentuk biji sering kali menghasilkan noise pada spektrum.
Rendahnya nilai reflektan biji kopi berakibat pada sulitnya pengolahan data. Hal
yang sama juga terjadi pada analisis katekin pada biji gambir (Andasuryani et al.
20

2013), kadar lemak pada biji jarak pagar (Lengkey et al. 2013) dan biji kakao
(Zulfahrizal et al. 2014).

Kalibrasi dan Validasi NIRS untuk Prediksi Mutu Biji Kopi

Hasil Kalibrasi, Validasi dan Prediksi Kadar Air

Metode statistik PLS digunakan sebagai metode full-spectrum, sehingga itu
informasi dari seluruh rentang spektrum dapat digunakan untuk kalibrasi (Lampiran
4). Dalam penelitian ini digunakan 4 dan 5 faktor untuk 33 data kalibrasi dan 17
data validasi. Tabel 3 menunjukkan perbedaan hasil model kalibrasi biji kopi
sebelum dan setelah pengolahan data untuk kadar air.

Tabel 3 Hasil kalibrasi dan validasi dengan dua metode metode pengukuran NIRS,
empat pengolahan data NIRS dan dua faktor PLS untuk kadar air
Pengola Faktor 3 Lapisan (65 g) 4 Lapisan (95 g)
han data PLS/ r SEC SEP RPD CV r SEC SEP RPD CV
point (%) (%) (%) (%) (%) (%)
original 4 0.87 0.32 0.33 2.78 2.45 0.87 0.32 0.33 2.78 2.45
n01 4 0.90 0.28 0.30 3.15 2.16 0.87 0.28 0.32 2.78 2.45
dg1 4/5 0.91 0.26 0.29 3.38 2.02 0.90 0.28 0.30 3.15 2.16
n01, dg1 4/5 0.94 0.22 0.31 4.01 1.70 0.95 0.20 0.25 4.35 1.57
n01, dg1 6/5 0.93 0.27 0.25 3.32 2.06 0.94 0.25 0.29 3.57 1.91
dg2 4/5 0.94 0.22 0.53 4.01 1.70 0.82 0.37 0.44 2.39 2.85

Dari Tabel 3 dapat dilihat spektrum original menghasilkan nilai yang sama
untuk 3 dan 4 lapisan, yaitu r = 0.87, SEC = 0.32%, SEP = 0.33%, RPD = 2.78,
dan CV = 2.45%. Pengolahan data NIRS secara umum memberikan peningkatan
kualitas nilai dibandingkan tanpa pengolahan data. Pada n01 untuk 3 lapisan biji
menghasilkan nilai r = 0.90, SEC = 0.28%, SEP = 0.30%, RPD = 3.15, dan CV =
2.16%. Pengolahan data spektrum berupa n01 yang digunakan untuk memprediksi
kadar air pada biji kopi arabika Gayo untuk 3 lapisan memberikan kinerja yang
lebih baik dibandingkan data original. Sedangkan untuk 4 lapisan nilai yang
diperoleh lebih rendah, dapat dilihat dari menurunnya nilai r = 0.87 dan RPD =
2.78, rentang antara SEC = 0.28% dan SEP = 0.32% yang lebih besar, dan tingginya
nilai CV = 2.45%. Buddenbaum & Steffens (2012) juga melaporkan bahwa tidak
semua transformasi spektrum yang digunakan dapat membantu menemukan
informasi penting yang diperlukan. Transformasi data mungkin saja menekan
informasi yang terkandung dalam spektrum.
Pengolahan data NIRS berupa turunan Savitzky-Golay meningkatkan akurasi
yang lebih tinggi dari normalisasi. Pengolahan dg1 untuk 3 lapisan menunjukkan
kinerja yang lebih baik dibandingkan tanpa pengolahan data dan normalisasi, dapat
dilihat dari peningkatan r = 0.91 dan RPD = 3.38. Hal ini memberi petunjuk bahwa
kadar air terintegrasi dengan kadar komponen kimia lainnya sehingga diperlukan
turunan. Namun untuk beda antara SEC = 0.26% dan SEP = 0.29%, turunan
pertama Savitzky-Golay tidak memberikan kinerja yang lebih baik dibandingkan
normalisasi 3 lapisan biji. Menurut Lammertyn et al. (2000) perbedaan yang kecil
antara SEC dan SEP akan menghasilkan model kalibrasi yang baik, sebaliknya
 21

perbedaan yang besar mengindikasikan bahwa set kalibrasi tidak mewakili set
validasi.
Pengolahan data kombinasi (n01, dg1) untuk 3 lapisan memberikan kinerja
yang tidak lebih baik dibandingkan 4 lapisan. Model kalibrasi 4 lapisan mampu
menghasilkan (r = 95, RPD = 4.35) yang lebih tinggi dibandingkan 3 lapisan (r =
0.94, RPD = 4.01). Menurut Mouazen et al. (2005), nilai RPD < 1.5, menunjukkan
kalibrasi tidak dapat digunakan. Sebuah model dikatakan baik jika nilai r mendekati
1 (Mattjik et al. 2006). Selain itu 4 lapisan menghasilkan SEC dan SEP yang tidak
berbeda jauh 0.20% dan 0.25%, jika dibandingkan 3 lapisan dengan nilai 0.22%
dan 0.31%. Williams & Norris (1990) menambahkan nilai SEC yang berbeda
sedikit dengan SEP menandakan tingginya presisi. Studi ini juga menjelaskan
bahwa pengolahan dg1 dan n01 serta kombinasi (n01, dg1) mampu meningkatkan
model kalibrasi. Namun, pengolahan spektrum n01 tidak selalu mampu
meningkatkan model kalibrasi (Udelhoven et al. 2002).
Penambahan faktor PLS pada kombinasi (n01, dg1) menjadi 6 faktor
menurunkan kinerja model, baik pada 3 lapisan maupun 4 lapisan. Penurunan dapat
dilihat pada 3 lapisan yang memiliki nilai (r = 0.93, SEC = 0.27%, SEP = 0.25%,
RPD = 3.32, dan CV = 2.06%). Hal yang sama juga terjadi pada 4 lapisan,
penurunan nilai r = 0.94 dan RPD = 3.57, selang yang meningkat antara SEC =
0.25% dan SEP = 0.29%, serta meningkatnya nilai CV = 1.91%. Hasil ini
menunjukkan bahwa penambahan 6 faktor PLS dianggap terlalu banyak untuk
mewakili jumlah data spektrum. Sehingga dapat dikatakan 6 faktor PLS merupakan
solusi overfitting pada model.
Meskipun secara umum pengolahan data memberikan efek positif untuk
model kalibrasi, namun pengolahan data turunan kedua Savitzky-Golay (dg2) pada
kadar air menunjukkan performance model kalibrasi tidak sebaik kombinasi (n01,
dg1) pada 4 lapisan. Ditandai dengan penurunan r = 0.82 dan RPD = 2.39 serta
peningkatan selang SEC = 0.37%, SEP = 0.44%, dan CV = 2.85%. Hal ini
menunjukkan bahwa penggunaan pengolahan data kombinasi (n01, dg1) untuk
prediksi kadar air biji kopi arabika Gayo sudah cukup untuk menghasilkan model
yang baik. Menurut Andasuryani et al. (2013), pengolahan data Savitzky Golay
pada turunan kedua (dg2) belum tentu menghasilkan model yang lebih baik
dibandingkan turunan pertama (dg1).
Hasil kalibrasi terbaik untuk kadar air adalah pengukuran NIRS dengan 4
lapisan, dan pengolahan data kombinasi (n01, dg1) dengan 4 faktor PLS. Beberapa
peneliti mengakui bahwa pengolahan data yang dilakukan sebelum pemodelan akan
meningkat hasil kalibrasi (Schultz et al. 1999). Sebagaimana yang dinyatakan oleh
Lammertyn et al. (1998) bahwa pemodelan dengan PLS cenderung menggunakan
jumlah faktor yang lebih sedikit dalam menjelaskan keragaman parameter yang
terdapat dalam data spektrum. Model PLS hanya melibatkan faktor PLS yang
penting saja. Berdasarkan pada pertimbangan ini, maka model kalibrasi terbaik
untuk kadar air biji kopi arabika Gayo diperoleh dengan menggunakan PLS 4 faktor.
Andasuryani (2014) menambahkan penentuan jumlah faktor PLS menjadi penting
dalam membangun model kalibrasi. Jumlah faktor yang terlalu sedikit akan
menyebabkan model yang dihasilkan underfitting dan sebaliknya. Sehingga
pemilihan faktor yang optimum menjadi solusi yang harus dipertimbangkan. Hasil
prediksi model kalibrasi terbaik kadar air biji kopi dapat dilihat pada Gambar 12.
 22

y = 0.947x + 0.6951
15 r = 0.947, n=50

Kadar air prediksi (%)

14

13
kalibrasi
12 Validasi

11
11 12 13 14 15
Kadar air referensi (%)
Gambar 12 Prediksi kadar air biji kopi

Gambar 12 memperlihatkan plot data kalibrasi dan validasi dari 50 sampel

biji kopi arabika Gayo meggunakan pengolahan kombinasi n01, dg1 dengan
menggunakan 4 faktor PLS. Menghasilkan persamaan y = 0.947X + 0.6951 dengan
r = 0.947. Dari Gambar 12 dapat dilihat data kalibrasi dan vaidasi menyebar secara
normal yang berkumpul pada garis linear. Hal tersebut menandai tidak adanya
pencilan data pada model kalibrasi yang dihasilkan. Pembangian data yang
seimbang diduga mempengaruhi performance model yang dihasilkan.
Bagaimanapun juga penambahan sampel diperlukan untuk mengisi kekosongan
pada rentang kadar air 12 - 13%. Sehingga sebaran data pada Gambar 12 menjadi
lebih baik.

Hasil Kalibrasi, Validasi dan Prediksi Kadar Kafein

Hasil kalibrasi dan validasi kadar kafein biji kopi arabika Gayo dengan
beberapa metode pengolahan data dan faktor PLS yang digunakan dapat dilihat
pada Tabel 4. Data statistik yang lebih rinci ditampilkan pada Lampiran 5.

Tabel 4 Hasil kalibrasi dan validasi dengan 2 metode perlakuan NIRS, empat
pengolahan data dan 4 faktor PLS yang berbeda untuk kadar kafein
Pengolah Faktor 3 Lapisan (65 g) 4 Lapisan (95 g)
an data PLS/ r SEC SEP RPD CV r SEC SEP RPD CV
point (%) (%) (%) (%) (%) (%)
original 7 0.03 0.028 0.029 1.04 10.3 0.02 0.03 0.022 1.002 10.43
n01 5 0.03 0.028 0.029 1.01 10.3 0.007 0.008 0.022 1.003 10.41
dg1 5/5 0.96 0.0056 0.0084 5.16 2.03 0.92 0.008 0.012 3.435 3.04
n01, dg1 5/5 0.96 0.0058 0.0098 5 2.09 0.93 0.007 0.009 3.841 2.72
dg2 5/5 0.98 0.0036 0.0069 8.03 1.3 0.97 0.005 0.007 5.933 1.76

Pengolahan data n01 tidak memberikan perubahan yang signifikan baik pada
3 lapisan maupun 4 lapisan biji. Berbeda dengan pengolahan data menggunakan
turunan Savitzky-Golay memiliki perbedaan yang sangat signifikan jika
 23

dibandingkan dengan hasil kalibrasi tanpa pengolahan data. Pengolahan dg1 serta
kombinasi (n01, dg1) memberikan kinerja yang lebih baik dibandingkan perlakuan
original dan n01. Peningkatan nilai pada dg1 (r = 0.96, RPD = 5. 16) pada 3 lapisan
dan (r = 0.92, RPD = 3.04) pada 4 lapisan. Serta penurunan SEC = 0.0054, SEP =
0.0084 dan CV = 2.03% untuk 3 lapisan dan SEC = 0.008, SEP = 0.012 dan CV =
3.04% untuk 4 lapisan. Dari Tabel 4 terlihat bahwa pengolahan data dg1 serta
kombinasi (n01, dg1) pada 3 lapisan menghasilkan kinerja yang lebih baik
dibandingkan 4 lapisan. Namun hal tersebut berbeda dengan pengolahan data dg2
yang menunjukkan 4 lapisan lebih baik dari 3 lapisan.
Faktor PLS yang digunakan pada kafein (5 faktor) lebih besar dibanding
kadar air (4 faktor). Kecilnya jumlah kafein pada biji kopi diduga menjadi penyebab
besarnya faktor PLS yang digunakan. Model akan tergantung pada jumlah faktor
PLS digunakan. Pada perlakuan original 7 faktor PLS belum mampu memberikan
kinerja model yang baik, terlihat dari rendahnya nilai (r = 0.03, RPD = 1.04) dan
CV = 10% yang sangat tinggi.
Hal ini membuktikan kadar kafein biji kopi arabika Gayo cukup
menggunakan 5 faktor PLS. Menurut Cozzolino et al. (2009), jika terlalu banyak
akan menghasilkan nilai prediksi yang rendah. Hal ini terjadi karena kelebihan
variabel X sehingga data akan over fitting. Sebaliknya, faktor PLS yang terlalu
sedikit akan menghasilkan model yang tidak bagus. Selain itu, untuk menghasilkan
model kalibrasi yang baik pada kafein diduga harus menggunakan pengolahan data.
Ketidaktepatan penamabahan faktor PLS juga didukung oleh pernyataan
Andasuryani (2014) yang menyatakan bahwa penambahan faktor PLS yang tidak
tepat akan menyebabkan model menjadi over fitting.
Prediksi yang paling presisi untuk kadar kafein adalah 4 lapisan dengan
pengolahan data turunan kedua Savitzky-Golay (dg2) 5 point (Tabel 4),
menghasilkan r = 0.97 dan SEC = 0.005%, SEP = 0.007% serta CV kecil (1.76%)
dan RPD yang tinggi (5,933). SEC dan SEP pada 3 lapisan berbeda sedikit
menunjukkan tingginya presisi prediksi NIRS. Walaupun 3 lapisan memiliki r dan
RPD yang tinggi, namun SEC dan SEP berbeda jauh. Hasil pendugaan untuk kadar
kafein dengan pengolahan data normalisasi untuk biji kopi Gayo tidak mampu
meningkatkan kinerja PLS.
Pengolahan dengan dg2 diperlukan untuk memperoleh prediksi terbaik,
diduga karena kecilnya kadar kafein yang terdapat pada kopi. Huck et al. (2005)
menyatakan pengolahan data dapat membantu meningkatkan hasil prediksi pada
kadar kafein yang jumlahnya sedikit. Kadar kafein dalam kopi tergolong kecil
(0.194-0.328%), dibandingkan kandungan kimia lainnya seperti polisakarida 50-
55%, lipid 12-18%, protein 11-13%, mineral 3-4% (Wei et al. 2015).
 24

Gambar 13 Prediksi kadar kafein biji kopi

Model kalibrasi terbaik untuk memprediksi kadar kafein adalah dan kadar
kafein y = 0,9716x + 0,079 (Gambar 13). Hasil kalibrasi dan validasi pada kadar
air dan kafein menunjukkan bahwa metode pengukuran 4 lapisan biji kopi
menghasilkan akurasi dan presisi yang lebih tinggi dibandingkan 3 lapisan sehingga
direkomendasikan untuk menggunakan metode pengukuran tersebut.

SIMPULAN DAN SARAN

Simpulan
Penelitian menunjukkan bahwa kadar air kopi biji dapat diprediksi secara
akurat dengan NIRS (r= 0.95, SEP = 0.25%, CV = 1.57%) menggunakan metoda
pengukuran 4 lapisan, pengolahan data NIRS kombinasi (n01, dg1) serta PLS 4
faktor. Sedangkan kadar kafein dapat diprediksi dengan NIRS menggunakan
pengolahan data NIRS dg2 dan PLS 5 faktor dengan r = 0.97, SEP = 0.007%, dan
CV = 1.76%. Hal ini membuktikan bahwa NIRS dapat digunakan untuk
memprediksi mutu kimia biji kopi secara non destruktif.

Saran
Saran yang diberikan dalam penelitian ini antara lain:
1. Jumlah sampel perlu ditambah untuk meningkatkan akurasi dan presisi
prediksi kadar air dan kafein dengan NIRS.
2. Jumlah biji kopi untuk pengukuran NIRS perlu disesuaikan dengan Standar
Nasional Indonesia tentang ukuran biji (jumlah biji per berat).
 25

DAFTAR PUSTAKA

[AOAC] Association of Official Analytical Chemyst. 1999. Official Method of

Analysis of The Association of Offial Analytical of Chemist. Arlington:
The Association of Official Analytical Chemyst, Inc.

[AOAC] Association of Official Analytical Chemyst. 2005. Official Method of

Analysis of The Association of Offial Analytical of Chemist. Arlington:
The Association of Official Analytical Chemyst, Inc.

[BPS] Badan Pusat Statistik. 2014. Statistik Ekspor Impor Komoditas Pertanian
2001-2013. J Statistik Ekspor Impor Komoditas Pertanian ISSN: 2337-
9578.
[BSN] Badan Standardisasi Nasional. 1997. Parameter Mutu dan Pengukuran
Standarisasi Kakao dan Kopi.
[FKUI] Farmakologi Fakultas Kedokteran UI. 2002. Farmakologi dan Terapi. Ed
ke-4. Jakarta (ID): FKUI.
[ICO] Internasional Coffee Organization. 2015. All exporting Countries Total
Production Crop Year. England (GB): ICO.
[USP] United States Pharmacopeia. 1996. The United States Pharmacopeia. Ed
Asian. Rockville: USP.
AEKI. 2012. Peluang Pengembangan Komoditi Kopi Arabika di Indonesia. Jakarta
(ID). AEKI.
Almada PD. 2009. Pengaruh Peubah Proses Dekafeinasi Kopi Dalam Reaktor
Kolom Tunggal Terhadap Mutu Kopi. [Tesis]. Bogor (ID): Institut
Pertanian Bogor.
Andasuryani, Purwanto YA, Budiastra I W. and Syamsu K. 2013. Determination of
catechin as main bioactive component of gambir (Uncaria gambir Roxb)
by FT-NIR Spectroscopy. J Medicinal Plant Research. 7(41):3076-3083.
doi:5897/JMPR.2013.4487. 1996-0875.
Andasuryani. 2014. Pengembangan Metode Spektroskopi NIR untuk Pengukuran
Kandungan Katekin da Kadar Air Gambir (Uncaria gambir Roxb.) secara
Non Destruktif. [Disertasi]. Bogor (ID): Institut Pertanian Bogor.
Batten GD. 1998. Plant Analysis Using Near Infrared Reflectance Spectroscopy:
The Potential and Limitations. J Australian Experimental Agriculture.
(38): 697-706.
Blanco M. and Villarroya I. 2002. NIR Spectroscopy: a rapid-response analytical
tool. Trends in analytical chem-istry (21): 240-250.
Buddenbaum H and Steffens M. 2012. The effects of spectral pre-treatment on
chemometric analyses of soil profiles using laboratory imaging
spectroscopy. J Applied and Environmental Soil Science: 1-12.
 26

Cen H, and He Y. 2007. Theory and Application of Near Infrared Reflectance

Spectroscopy in Determination of Food Quality. J. Trends in Food Sci &
Technol 18: 72-83.
Chen J and Wang XZ. 2001. A new approach to near-infrared spectral data analysis.
J Chem Inf Comput SCI 41:992-1001.
Chen H, Song Q, Tang G, Feng Q and Lin L. 2013. The combined optimization of
Savitzky-Golay smoothing and multiplicative scatter correction for FT-
NIR PLS models. ISRN Spectroscopy: 1-9.
Clark RN. 1999. Spectroscopy of Rocks and Minerals and Principles of
Spectroscopy. In: ed. Rencz. AN. Manual of Remote Sensing. Volume 3:
Remote Sensing for the Earth Sciences. ch.1. John Wiley and Sons. p 3-
58. New York (USA).
Cozzolino D, Cynkar WU, Shah N, Dambergs RG and Smith PA. 2009. A brief
introduction to multivari-ate methods in grape and wine analysis. J Wine
Research. 1: 123-130.
Downey G, Sheehan E, Delahunty C, O'Callaghan D , Guinee T, Howard V. 1994.
Prediction of maturity and sensory attributes of Cheddar cheese using
near-infrared spectroscopy. J International Dairy. 15: 701-709.
Dryden G M. 2003. Near Infrared Reflectance Spectroscopy : Applications in Deer
Nutrition. Australia (AU): The University of Queensland.
Ellyanti, Karim A, dan Basri H. 2012. Analisis Indikasi Geografis Kopi Arabika
Gayo Ditinjau dari Rencana Tata Ruang Wilayah Kabupaten. Jurnal
Agrista Vol. 16 No. 2
Esteban-Díez I González-Sáiz, JM, Pizarro,C. (2004). An evaluation of orthogonal
signal correction methods for the characterisation of arabica and robusta
coffee varieties by NIRS. J Analytica Chimica Acta 514. 57–67.
Farah A, Monteiro M, Calado V, Franca A, Trugo L. 2006. Phenolic compounds in
coffee. J Plant Physiology (18):23-26.
Fischer M, Reimann S, Trovato V, Redgwell RJ. 2012. Polysaccharides of green
arabica and robusta coffee beans. J Carbohydr Res 330:93–101.
Hecimovic I, Belscak A, Horzic D, Komes D. 2011. Comperative study of
polyphenols and caffeine in different coffee varieties affected by the
degree of roasting. J food chemistry. 129: 991-1000.
Hifnalisa dan Karim A. 2008. Studi awal varietas biji kopi Arabika berdasarkan
ketinggian tempat di dataran tinggi gayo. J Agrista. 2008: 162-172.
Hruschka W R. (1990). Data analysis: wavelength selec-tion methods. In P.
Williams and K. Norris (eds.) Near-Infrared technology in the agricultural
and food indus-tries. St. Paul, MN: J American Association of Cereal
Chem-ists Inc: 35-55.
Huck CW , W Guggenbichler GK Bonn. 2005. Analysis of caffeine, theobromine
and theophylline in coffee by near infrared spectroscopy (NIRS) compared
to high-performance liquid chromatography (HPLC) coupled to mass
spectrometry. J Analytica Chimica Acta. 538: 195–203.
 27

Jacques J. Rakotomalala R, Cros E, Michael N, and Charrier A.1992. Caffeein and

theobromine in green coffee beans from mascarocoffea. J Phitochemistry.
31(4):1271-1272.
Lammertyn J, Peirs A, De Baerdemaeker J, Nicolai BM. 2000. Light Penetration
Properties of NIR Radiation in Fruit with Respect to Non-Destructive
Quality Assesment. J Postharvest Biol Technol. (18): 121-132.
Lengkey LCCh, Budiastra I W, Seminar Kudang B, Purwoko B S. 2013.
Determination of Chemical Properties in Jatropha Curcas L. Seed IP-3P
by Partial Least-Squares Regression and Near-Infrared Reflectance
Spectroscopy. J Agriculture Innovations and Research. 2 (1): 2319-1473.
Maramis RK, Citraningtyas G, dan Wehantouw F. 2013. Analisis Kafein dalam
Kopi Bubuk di Kota Manado meggunakan Spektrofotometri UV-Vis. J
Ilmiah Farmasi (2): 04
Mattjik AS dan Made IS. 2006. Perancangan Percobaan dengan Aplikasi SAS dan
MINITAB. Bogor [ID]: IPB Press.
Miler JN. 2005. Chemometrics For Analytical chemistry. Person Perntice Hall.
Mohsenin NN. 1984. Electromagnetic Radiation Properties of Foods and
Agricultural Products. New York (USA): Gordon and Breach Sciens
Publisher.
Mouazen AM, Saeys W, Xing J, De Baerdemaeker, J and Ramon H. 2005. Near
infrared spectroscopy for ag-ricultural materials: an instrument
comparison. J Near In-frared Spectrosc. 13:87-97.
Munawar AA. 2008. Non-destructive Inner Quality Prediction in Intact Mangos
with NIRS Method [Thesis]. Goettingen (GB): Georg-August University.
Osborne BG, Fearn T, Hindle PH. 1993. Practical NIR Spectroscopy. (UK):
Longman Scientific and Technical.
Pizarro C, Esteban-Diez I, Nistal, AJ, González-Sáiz JM. 2004. Influence of data
preprocessing on the quantitative determination of the ash content and
lipids in roasted coffee by near infrared spectroscopy. J Analytica Chimica
Acta 509. 217–227.
Reh C, T Gerber A, Prodolliet J, Vuataz G. 2006. Water content determination in
green coffee method comparison to study specificity and accuracy. J Food
Chemistry 96: 423–430.
Rodrigo JS a, Sarraguça MC, Rangel António OSS , João A Lopes. 2012.
Evaluation of green coffee beans quality using near infrared spectroscopy:
a quantitative approach. J Food Chemistry. 135:1828–1835.
Siesler H W, Ozaki Y, Kawata S, Heise HM. 2002. Near Infrared Reflectance
Spectroscopy : Principles. Instrument and Application. Weinheim: Wiley
VHC Verlag. GmbH.
Schultz H, Engelhardt U H, Wegent A, Drews H H and Lapczynski S. 1999.
Application of near-infrared re-flectance spectroscopy to the simultaneous
 28

prediction of alkaloids and phenolic subtances in green tea leaves. J Agri

Food Chem (475):5064-5067.
Schulz H. 2004. Application in analysis of coffee, tea, cocoa, tobacco, spices,
medicinal and aromatic plants, and related products. American Society of
Agronomy/Crop Science of America/Soil Science Society of America,
Madison, USA, pp. 345–376.
Strang GC. 2004. Near Infrared Reflectance Spectroscopy and its Specific
Applications in Livestock Agriculture. School of Bioresources Engineering
and Environmental Hydrology. Pietermaritzburg: University of Kwazulu-
Natal.
Stuth J, Jama A, Tolleson D. 2003. Direct and Indirect Means of Predicting Forage
Quality Through Near-Infrared Reflectance Spectroscopy. J Field Crops
Research Elsevier. 84 (2003): 45-56.
Sweirenga H, de Weijer AP, van Wijk RJ and Buydens LMC. 1999. Strategy for
constructing robust multivariate calibration models. J Chemometrics. 49:
1-17.
Udelhoven T, Emmerling C and Jarmer 1. 2003. Quantitative analysis of soil
chemical properties with dif-fuse reflectance spectrometry and partial
least-square re-gression: A feasibility study. J Plant and Soil (251): 319–
329.
Walpole RE. 1995. Pengantar Statistika Edisi Ke-3. Jakarta (ID): Gramedia.
Wang X and Lim LT. 2015 Physicochemical Characteristics of Roasted Coffee. J
Elsivier Coffee in Health and Disease Prevention.
http://dx.doi.org/10.1016/B978-0-12-409517-5.00027-9.
Wei F,Tanokura M. 2015. Chemichal change in the components of coffee beans
during roasting. J Healt and Disease. Doi.org/10.1016/B978(12): 409-
517.
Williams P and Norris K. 1990. Near-infrared technology in the agricultural and
food industries. American As-sociation of cereal chemical, Inc. St. Paul.
USA[US]: 146.
Yani A. 2008. Infeksi Cendawan pada Biji Kopi selama Proses Pengolahan Primer.
J Akta Agrosia (11): 87 – 95.
Yan H, Chang W X and Wen D D. 2009. Rapid deter-mination of moisture and
protein contents in silver carp surimi by Fourier transform near-infrared
(FT-NIR) Spec-trometry. J Asian Fisheries Science (22): 337-345.
Zhang X, Li W, Yin B , Chen, Declan P. Kelly, Wang X, Kaiyi Zheng, Yiping Du.
2013. Improvement of near infrared spectroscopic (NIRS) analysis of
caffeine in roasted arabica coffee by variable selection method of stability
competitive adaptive reweighted sampling (SCARS). J Elsevier
Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy .
(114) 350–356.
 29

Zulfahrizal, Sutrisno, I W Budiastra, K B Seminar. 2014. Prediction of fat Content

in Intact Cocoa Beans Using Near Infrared Reflectance Spectroscopy. J
Advances in Crop Science and Technology 2: 4.
 30

LAMPIRAN

Lampiran 1 Peralatan penelitian

NIRFlex N-500 Timbangan analitik

Cawan Oven dan desikator

HPLC Water bath

 31

Blender Saringan

3 lapisan (65 gram) 4 lapisan (95 gram)

 32

Lampiran 2 Data kadar air

Ulangan 1 Rata-rata
Kode Berat Berat Berat Kadar Air Kadar air
No Sampel Cawan (g) Awal (g) Akhir (g) (%) (%)
1 Gayo 1 4.1351 5.0122 8.4911 13.0921 13.1517
2 Gayo 2 4.3317 5.0088 8.6672 13.4423 13.6038
3 Gayo 3 4.0436 5.0327 8.3551 14.3303 14.4477
4 Gayo 4 4.1812 5.0063 8.5320 13.0935 13.3246
5 Gayo 5 4.2757 5.0072 8.6078 13.4826 13.4900
6 Gayo 6 4.0496 5.0250 8.3990 13.4448 13.3373
7 Gayo 7 4.1323 5.0560 8.5010 13.5938 13.6958
8 Gayo 8 4.0632 5.0684 8.4293 13.8564 13.9670
9 Gayo 9 4.3913 5.0138 8.7538 12.9901 13.0643
10 Gayo 10 4.5682 5.0776 8.9709 13.2917 13.2453
11 Gayo 11 4.4961 5.0190 8.8596 13.0604 13.2061
12 Gayo 12 4.3874 5.0597 8.7467 13.8427 13.7655
13 Gayo 13 4.2435 5.0065 8.5621 13.7401 13.7564
14 Gayo 14 5.1952 5.0324 9.5781 12.9064 12.8791
15 Gayo 15 3.9913 5.0644 8.3919 13.1072 13.4160
16 Gayo 16 3.7881 5.0348 8.1917 12.5367 12.7087
17 Gayo 17 3.9795 5.0610 8.3422 13.7977 13.8036
18 Gayo 18 3.8752 5.0699 8.2649 13.4164 13.5699
19 Gayo 19 4.1189 5.0377 8.4632 13.7642 13.7781
20 Gayo 20 4.1002 5.0095 8.4370 13.4285 13.5946
21 Gayo 21 4.1153 5.0264 8.4227 14.3045 14.2708
22 Gayo 22 4.0757 5.0475 8.4137 14.0565 13.9974
23 Gayo 23 4.5863 5.0768 8.9616 13.8178 13.7972
24 Gayo 24 4.2720 5.0273 8.5866 14.1766 13.9224
25 Gayo 25 4.1349 5.0321 8.4831 13.5907 13.3697
26 Gayo 26 3.6255 5.0151 7.9777 13.2181 12.9926
27 Gayo 27 4.3114 5.0033 8.6492 13.3012 13.0692
28 Gayo 28 4.1234 5.0002 8.4519 13.4335 13.1559
29 Gayo 29 4.3707 5.0122 8.7073 13.4791 13.2099
30 Gayo 30 4.2291 5.0384 8.5906 13.4348 13.1369
31 Gayo 31 4.2288 5.0586 8.6173 13.2467 13.1027
32 Gayo 32 4.4119 5.0281 8.7589 13.5459 13.1865
33 Gayo 33 4.1613 5.0161 8.4305 14.8901 14.2413
34 Gayo 34 4.0225 5.0222 8.3531 13.7709 13.7974
35 Gayo 35 3.9413 5.0684 8.3073 13.8584 13.6801
36 Gayo 36 4.1077 5.0607 8.4601 13.9961 14.0318
37 Gayo 37 4.0384 5.0518 8.3998 13.6664 13.7638
38 Gayo 38 4.0980 5.0207 8.4306 13.7053 13.8685
39 Gayo 39 4.1603 5.0364 8.5348 13.1423 13.2810
40 Gayo 40 4.0726 5.0648 8.4593 13.3885 13.6247
 33

41 Gayo 41 4.8602 5.0531 9.3307 11.5296 11.4954

42 Gayo 42 3.9594 5.0342 8.4148 11.4974 11.5944
43 Gayo 43 3.9267 5.0133 8.3633 11.5034 11.6097
44 Gayo 44 4.1430 5.0660 8.6492 11.0501 11.3613
45 Gayo 45 3.9804 5.0938 8.5106 11.0644 11.2920
46 Gayo 46 3.9345 5.0395 8.4202 10.9892 11.2687
47 Gayo 47 3.8790 5.0338 8.2997 12.1797 12.4861
48 Gayo 48 4.7694 5.0135 9.1957 11.7124 11.8455
49 Gayo 49 4.1253 5.0734 8.6243 11.3218 11.6257
50 Gayo 50 4.2427 5.0371 8.7115 11.2823 11.4908
 34

Lampiran 3 Data kadar kafein

Standar kafein 1000000

y = 8442,7x + 2777,1
no konst (ppm ) area 800000
R² = 0,9999
1 0 0 600000

Area
2 5 43823
400000
3 10 86552
4 20 173632 200000
5 50 430658 0
6 100 843899 0 50 100 150
Konstanta (ppm)

no g sampel total vol area fp kafein ( ppm ) mg/g Kafein (%)

1 3.0131 100 388847 5 75.889 0.07589 0.2519
2 3.0072 100 202818 10 78.797 0.07880 0.2615
3 3.0713 100 159468 10 60.433 0.06043 0.2006
4 3.0869 100 154961 10 58.398 0.05840 0.1938
5 3.0028 100 233667 10 91.082 0.09108 0.3023
6 3.0154 100 236752 10 91.913 0.09191 0.3050
7 2.8172 100 214937 10 89.207 0.08921 0.2961
8 3.1291 100 238872 10 89.376 0.08938 0.2966
9 3.0163 100 230944 10 89.605 0.08961 0.2974
10 3.0011 100 225093 10 87.750 0.08775 0.2912
11 3.0027 100 214235 10 83.419 0.08342 0.2769
12 4.206 100 291569 10 81.334 0.08133 0.2699
13 4.2971 100 294907 10 80.530 0.08053 0.2673
14 3.0259 100 206780 10 79.861 0.07986 0.2650
15 3.0455 100 207736 10 79.719 0.07972 0.2646
16 3.0636 100 204787 10 78.108 0.07811 0.2592
17 3.0679 100 219091 10 83.521 0.08352 0.2772
18 3.0036 100 219085 10 85.307 0.08531 0.2831
19 3.0066 100 222367 10 86.515 0.08652 0.2871
20 3.0442 100 223089 10 85.727 0.08573 0.2845
21 2.6309 100 200169 10 88.875 0.08888 0.2950
22 3.0171 100 230041 10 89.227 0.08923 0.2961
23 3.2178 100 251204 10 91.452 0.09145 0.3035
24 3.0004 100 233736 10 91.182 0.09118 0.3026
25 2.9738 100 203985 10 80.147 0.08015 0.2660
26 3.0118 100 213665 10 82.943 0.08294 0.2753
27 2.9731 100 218097 10 85.789 0.08579 0.2847
28 3.008 100 229578 10 89.314 0.08931 0.2964
29 3.0342 100 232148 10 89.547 0.08955 0.2972
30 3.0045 100 218578 10 85.082 0.08508 0.2824
31 3.0213 100 208479 10 80.649 0.08065 0.2677
 35

32 3.0002 100 204711 10 79.729 0.07973 0.2646

33 3.0163 100 179708 10 69.484 0.06948 0.2306
34 3.0154 100 177990 10 68.830 0.06883 0.2284
35 3.0079 100 239733 10 93.317 0.09332 0.3097
36 3.0294 100 241948 10 93.520 0.09352 0.3104
37 3.0008 100 252787 10 98.690 0.09869 0.3275
38 3.0286 100 249779 10 96.608 0.09661 0.3206
39 3.0000 100 237766 10 92.786 0.09279 0.3079
40 3.0052 100 237984 10 92.711 0.09271 0.3077
41 3.0299 100 224906 10 86.842 0.08684 0.2882
42 3.0105 100 226114 10 87.877 0.08788 0.2917
43 3.0098 100 224649 10 87.321 0.08732 0.2898
44 3.0476 100 225778 10 86.677 0.08668 0.2877
45 3.0171 100 227610 10 88.272 0.08827 0.2930
46 3.0182 100 219319 10 84.986 0.08499 0.2821
47 3.0251 100 199891 10 77.185 0.07718 0.2562
48 3.0099 100 197798 10 76.751 0.07675 0.2547
49 3.0273 100 217186 10 83.896 0.08390 0.2784
50 3.0164 100 217937 10 84.494 0.08449 0.2804
 36

Lampiran 4 Kalibrasi dan validasi kadar air pengolahan data n01, dg1

Kalibrasi
Nama (yR- yR-yNIR - (yR-yNIR -
No Orig Pred yR-yNIR (yR-yNIR)2 yR-ȳR yNIR-ȳNIR (yR-ȳR)2 (yNIR-ȳNIR)2 yR * yNIR yR 2
spektrum ȳR)(yNIR- BIAS BIAS) 2
1 2pnl_Gayo1_a 13.1517 13.52472 -0.37305 0.13916 0.026 13.525 0.35390 0.00068 182.91807 -0.42134 0.17753 177.87272 172.96655
2 2pnl_Gayo3_a 14.4477 14.20219 0.24551 0.06027 1.322 14.202 18.77802 1.74819 201.70222 0.19721 0.03889 205.18897 208.73602
3 2pnl_Gayo4_a 13.3246 13.54289 -0.21832 0.04767 0.199 13.543 2.69583 0.03962 183.40989 -0.26662 0.07109 180.45314 177.54407
4 2pnl_Gayo8_a 13.9670 13.80223 0.16480 0.02716 0.842 13.802 11.61487 0.70816 190.50157 0.11650 0.01357 192.77614 195.07789
5 2pnl_Gayo9_a 13.0643 13.13218 -0.06784 0.00460 -0.061 13.132 -0.80321 0.00374 172.45417 -0.11613 0.01349 171.56332 170.67709
6 2pnl_Gayo11_a 13.2061 13.34728 -0.14117 0.01993 0.081 13.347 1.07586 0.00650 178.14990 -0.18946 0.03590 176.26569 174.40142
7 2pnl_Gayo13_a 13.7564 13.60403 0.15234 0.02321 0.631 13.604 8.58223 0.39798 185.06965 0.10404 0.01082 187.14203 189.23763
8 2pnl_Gayo15_a 13.4160 13.70823 -0.29220 0.08538 0.291 13.708 3.98252 0.08440 187.91559 -0.34050 0.11594 183.91000 179.98981
9 2pnl_Gayo16_a 12.7087 12.90578 -0.19703 0.03882 -0.417 12.906 -5.37859 0.17369 1.00000 -0.24533 0.06018 164.01632 161.51230
10 2pnl_Gayo17_a 13.8036 13.47426 0.32933 0.10846 0.678 13.474 9.13662 0.45979 181.55570 0.28103 0.07898 185.99312 190.53901
11 2pnl_Gayo18_a 13.5699 13.59408 -0.02421 0.00059 0.444 13.594 6.04070 0.19746 184.79903 -0.07250 0.00526 184.46990 184.14138
12 2pnl_Gayo19_a 13.7781 13.89122 -0.11310 0.01279 0.653 13.891 9.06562 0.42591 192.96601 -0.16139 0.02605 191.39494 189.83667
13 2pnl_Gayo20_a 13.5946 13.26576 0.32888 0.10816 0.469 13.266 6.22344 0.22009 175.98040 0.28059 0.07873 180.34327 184.81431
14 2pnl_Gayo22_a 13.9974 14.09166 -0.09428 0.00889 0.872 14.092 12.28616 0.76017 198.57490 -0.14257 0.02033 197.24635 195.92670
15 2pnl_Gayo23_a 13.7972 13.74751 0.04966 0.00247 0.672 13.748 9.23372 0.45113 188.99405 0.00137 0.00000 189.67676 190.36196
16 2pnl_Gayo25_a 13.3697 13.57595 -0.20626 0.04254 0.244 13.576 3.31505 0.05963 184.30643 -0.25455 0.06480 181.50628 178.74869
17 2pnl_Gayo26_a 12.9926 13.21261 -0.22003 0.04841 -0.133 13.213 -1.75627 0.01767 174.57308 -0.26832 0.07200 171.66594 168.80723
18 2pnl_Gayo28_a 13.1559 13.10736 0.04855 0.00236 0.030 13.107 0.39849 0.00092 171.80290 0.00025 0.00000 172.43924 173.07795
19 2pnl_Gayo29_a 13.2099 13.18874 0.02111 0.00045 0.084 13.189 1.11237 0.00711 173.94288 -0.02718 0.00074 174.22128 174.50014
20 2pnl_Gayo31_a 13.1027 13.3341 -0.23144 0.05357 -0.023 13.334 -0.30471 0.00052 177.79824 -0.27974 0.07825 174.71212 171.67958
21 2pnl_Gayo33_a 14.2413 13.64194 0.59937 0.35924 1.116 13.642 15.22168 1.24501 186.10254 0.55107 0.30368 194.27906 202.81484
22 2pnl_Gayo35_a 13.6801 13.67244 0.00761 0.00006 0.555 13.672 7.58195 0.30752 186.93563 -0.04068 0.00166 187.03967 187.14377
23 2pnl_Gayo37_a 13.7638 13.70819 0.05562 0.00309 0.638 13.708 8.75004 0.40744 187.91449 0.00733 0.00005 188.67699 189.44259
24 2pnl_Gayo38_a 13.8685 13.54004 0.32850 0.10791 0.743 13.540 10.06072 0.55210 183.33270 0.28021 0.07852 187.78061 192.33646
25 2pnl_Gayo39_a 13.2810 13.40424 -0.12329 0.01520 0.155 13.404 2.08361 0.02416 179.67367 -0.17158 0.02944 178.02106 176.38368
26 2pnl_Gayo40_a 13.6247 13.70429 -0.07963 0.00634 0.499 13.704 6.84055 0.24915 187.80758 -0.12792 0.01636 186.71632 185.63141
27 2pnl_Gayo41_a 11.4954 11.40685 0.08854 0.00784 -1.630 11.407 -18.59456 2.65730 130.11624 0.04024 0.00162 131.12614 132.14389
28 2pnl_Gayo43_a 11.6097 11.41254 0.19715 0.03887 -1.516 11.413 -17.29929 2.29769 130.24608 0.14886 0.02216 132.49609 134.78498
29 2pnl_Gayo45_a 11.2920 11.52193 -0.22989 0.05285 -1.833 11.522 -21.12513 3.36162 132.75488 -0.27819 0.07739 130.10605 127.51009
30 2pnl_Gayo46_a 11.2687 11.19219 0.07651 0.00585 -1.857 11.192 -20.78174 3.44773 125.26513 0.02822 0.00080 126.12144 126.98361
31 2pnl_Gayo47_a 12.4861 12.43768 0.04838 0.00234 -0.639 12.438 -7.95320 0.40889 154.69590 0.00009 0.00000 155.29766 155.90179
32 2pnl_Gayo49_a 11.6257 11.96537 -0.33965 0.11536 -1.500 11.965 -17.94548 2.24935 143.17009 -0.38794 0.15050 139.10607 135.15743
33 2pnl_Gayo50_a 11.4908 11.28127 0.20949 0.04389 -1.635 11.281 -18.44202 2.67240 127.26707 0.16120 0.02598 129.63038 132.03759

Validasi
(yR-ȳR)(yNIR- yR-yNIR - (yR-yNIR -
Nama spektrum No Orig Pred yR-yNIR (yR-yNIR)2 yR-ȳR yNIR-ȳNIR (yR-ȳR)2 (yNIR-ȳNIR)2 yR * yNIR yR 2
No ȳNIR) BIAS BIAS) 2
1 2pnl_Gayo2_a 2 13.6038 13.8069 -0.20307 0.04124 0.414 0.635 0.26287 0.17111 0.40383 -0.22182 0.04920 187.827 185.064
2 2pnl_Gayo5_a 5 13.4900 13.5326 -0.04263 0.00182 0.300 0.361 0.10828 0.08988 0.13045 -0.06138 0.00377 182.554 181.979
3 2pnl_Gayo6_a 6 13.3373 13.5517 -0.21443 0.04598 0.147 0.380 0.05594 0.02164 0.14461 -0.23318 0.05437 180.743 177.883
4 2pnl_Gayo7_a 7 13.6958 13.6606 0.03515 0.00124 0.506 0.489 0.24732 0.25561 0.23929 0.01640 0.00027 187.092 187.574
5 2pnl_Gayo10_a 10 13.2453 13.5013 -0.25604 0.06556 0.055 0.330 0.01817 0.00303 0.10882 -0.27479 0.07551 178.828 175.437
6 2pnl_Gayo12_a 12 13.7655 13.7524 0.01314 0.00017 0.575 0.581 0.33427 0.33104 0.33753 -0.00561 0.00003 189.309 189.490
7 2pnl_Gayo14_a 14 12.8791 13.0341 -0.15502 0.02403 -0.311 -0.137 0.04272 0.09678 0.01886 -0.17377 0.03020 167.867 165.871
8 2pnl_Gayo21_a 21 14.2708 13.9167 0.35406 0.12536 1.081 0.745 0.80533 1.16766 0.55544 0.33531 0.11243 198.602 203.654
9 2pnl_Gayo24_a 24 13.9224 13.6844 0.23804 0.05666 0.732 0.513 0.37564 0.53622 0.26314 0.21929 0.04809 190.520 193.834
10 2pnl_Gayo27_a 27 13.0692 13.5515 -0.48230 0.23262 -0.121 0.380 -0.04598 0.01463 0.14446 -0.50105 0.25105 177.107 170.804
11 2pnl_Gayo30_a 30 13.1369 13.278 -0.14105 0.01990 -0.053 0.107 -0.00567 0.00283 0.01136 -0.15980 0.02554 174.432 172.579
12 2pnl_Gayo32_a 32 13.1865 13.2504 -0.06390 0.00408 -0.004 0.079 -0.00029 0.00001 0.00624 -0.08265 0.00683 174.726 173.884
13 2pnl_Gayo34_a 34 13.7974 13.5771 0.22031 0.04854 0.607 0.406 0.24634 0.36873 0.16457 0.20156 0.04063 187.329 190.368
14 2pnl_Gayo36_a 36 14.0318 13.6828 0.34897 0.12178 0.842 0.511 0.43037 0.70828 0.26151 0.33022 0.10904 191.994 196.891
15 2pnl_Gayo42_a 42 11.5944 11.2259 0.36854 0.13582 -1.596 -1.946 3.10453 2.54636 3.78506 0.34979 0.12236 130.158 134.431
16 2pnl_Gayo44_a 44 11.3613 11.2054 0.15587 0.02430 -1.829 -1.966 3.59567 3.34489 3.86525 0.13712 0.01880 127.308 129.078
17 2pnl_Gayo48_a 48 11.8455 11.7024 0.14312 0.02048 -1.345 -1.469 1.97532 1.80809 2.15803 0.12437 0.01547 138.621 140.316
 37

Lampiran 5 Kalibrasi dan validasi kadar kafein pengolahan data dg2

Kalibrasi
(yR-ȳR)(yNIR- yR-yNIR - (yR-yNIR -
No Nama spektrum No Orig Pred yR-yNIR (yR-yNIR)2 yR-ȳR yNIR-ȳNIR (yR-ȳR)2 (yNIR-ȳNIR)2 yR * yNIR yR 2
ȳNIR) BIAS BIAS) 2
1 2pnl_Gayo1_b 1 0.2519 0.2552511 -0.00339 0.00001 -0.027 -0.023 0.00063 0.00072 0.00055 -0.00339 0.00001 0.06429 0.06343
2 2pnl_Gayo3_b 3 0.2006 0.1973199 0.00325 0.00001 -0.078 -0.081 0.00636 0.00611 0.00663 0.00325 0.00001 0.03958 0.04023
3 2pnl_Gayo4_b 4 0.1938 0.1973199 -0.00350 0.00001 -0.085 -0.081 0.00691 0.00721 0.00663 -0.00350 0.00001 0.03824 0.03756
4 2pnl_Gayo5_b 5 0.3023 0.3071619 -0.00487 0.00002 0.024 0.028 0.00067 0.00055 0.00081 -0.00487 0.00002 0.09285 0.09138
5 2pnl_Gayo6_b 6 0.3050 0.3071619 -0.00212 0.00000 0.026 0.028 0.00075 0.00069 0.00081 -0.00212 0.00000 0.09370 0.09305
6 2pnl_Gayo7_b 7 0.2961 0.2934684 0.00260 0.00001 0.017 0.015 0.00026 0.00030 0.00022 0.00260 0.00001 0.08689 0.08765
7 2pnl_Gayo8_b 8 0.2966 0.2934684 0.00316 0.00001 0.018 0.015 0.00026 0.00032 0.00022 0.00316 0.00001 0.08705 0.08799
8 2pnl_Gayo9_b 9 0.2974 0.2933677 0.00402 0.00002 0.019 0.015 0.00027 0.00035 0.00021 0.00402 0.00002 0.08724 0.08844
9 2pnl_Gayo10_b 10 0.2912 0.2933677 -0.00214 0.00000 0.012 0.015 0.00018 0.00016 1.00000 -0.00214 0.00000 0.08544 0.08481
10 2pnl_Gayo12_b 12 0.2699 0.2726831 -0.00275 0.00001 -0.009 -0.006 0.00005 0.00008 0.00004 -0.00275 0.00001 0.07361 0.07286
11 2pnl_Gayo13_b 13 0.2673 0.2662057 0.00106 0.00000 -0.011 -0.013 0.00014 0.00013 0.00016 0.00106 0.00000 0.07115 0.07143
12 2pnl_Gayo15_b 15 0.2646 0.2591448 0.00543 0.00003 -0.014 -0.020 0.00028 0.00020 0.00038 0.00543 0.00003 0.06856 0.07000
13 2pnl_Gayo16_b 16 0.2592 0.2591448 0.00008 0.00000 -0.020 -0.020 0.00038 0.00038 0.00038 0.00008 0.00000 0.06718 0.06720
14 2pnl_Gayo17_b 17 0.2772 0.26896 0.00823 0.00007 -0.002 -0.010 0.00002 0.00000 0.00010 0.00823 0.00007 0.07455 0.07684
15 2pnl_Gayo20_b 20 0.2845 0.2787117 0.00580 0.00003 0.006 0.000 0.00000 0.00003 0.00000 0.00580 0.00003 0.07930 0.08095
16 2pnl_Gayo21_b 21 0.2950 0.3016367 -0.00667 0.00004 0.016 0.023 0.00037 0.00026 0.00052 -0.00667 0.00004 0.08897 0.08700
17 2pnl_Gayo23_b 23 0.3035 0.2989003 0.00462 0.00002 0.025 0.020 0.00050 0.00061 0.00041 0.00462 0.00002 0.09072 0.09212
18 2pnl_Gayo25_b 25 0.2660 0.272021 -0.00603 0.00004 -0.013 -0.007 0.00009 0.00016 0.00005 -0.00603 0.00004 0.07236 0.07075
19 2pnl_Gayo26_b 26 0.2753 0.272021 0.00325 0.00001 -0.003 -0.007 0.00002 0.00001 0.00005 0.00325 0.00001 0.07488 0.07578
20 2pnl_Gayo27_b 27 0.2847 0.2949369 -0.01022 0.00010 0.006 0.016 0.00010 0.00004 0.00026 -0.01022 0.00010 0.08397 0.08106
21 2pnl_Gayo28_b 28 0.2964 0.2949369 0.00148 0.00000 0.018 0.016 0.00029 0.00031 0.00026 0.00148 0.00000 0.08743 0.08787
22 2pnl_Gayo30_b 30 0.2824 0.2804441 0.00193 0.00000 0.004 0.002 0.00001 0.00001 0.00000 0.00193 0.00000 0.07919 0.07973
23 2pnl_Gayo31_b 32 0.2646 0.2610168 0.00359 0.00001 -0.014 -0.018 0.00025 0.00020 0.00031 0.00359 0.00001 0.06907 0.07002
24 2pnl_Gayo33_b 33 0.2306 0.2384107 -0.00780 0.00006 -0.048 -0.040 0.00194 0.00232 0.00163 -0.00780 0.00006 0.05498 0.05318
25 2pnl_Gayo35_b 35 0.3097 0.3075005 0.00220 0.00000 0.031 0.029 0.00089 0.00096 0.00083 0.00220 0.00000 0.09523 0.09592
26 2pnl_Gayo37_b 37 0.3275 0.3232075 0.00433 0.00002 0.049 0.044 0.00217 0.00238 0.00198 0.00433 0.00002 0.10586 0.10728
27 2pnl_Gayo38_b 38 0.3206 0.3232075 -0.00258 0.00001 0.042 0.044 0.00186 0.00176 0.00198 -0.00258 0.00001 0.10363 0.10280
28 2pnl_Gayo41_b 41 0.2882 0.2860772 0.00214 0.00000 0.009 0.007 0.00007 0.00009 0.00005 0.00214 0.00000 0.08245 0.08307
29 2pnl_Gayo42_b 42 0.2917 0.2860772 0.00557 0.00003 0.013 0.007 0.00009 0.00017 0.00005 0.00557 0.00003 0.08343 0.08506
30 2pnl_Gayo44_b 44 0.2877 0.2906534 -0.00299 0.00001 0.009 0.012 0.00011 0.00008 0.00014 -0.00299 0.00001 0.08361 0.08275
31 2pnl_Gayo46_b 46 0.2821 0.2909592 -0.00890 0.00008 0.003 0.012 0.00004 0.00001 0.00015 -0.00890 0.00008 0.08207 0.07956
32 2pnl_Gayo47_b 47 0.2562 0.2618356 -0.00567 0.00003 -0.023 -0.017 0.00038 0.00051 0.00029 -0.00567 0.00003 0.06707 0.06562
33 2pnl_Gayo49_b 49 0.2784 0.271544 0.00689 0.00005 0.000 -0.007 0.00000 0.00000 0.00005 0.00689 0.00005 0.07561 0.07753

Validasi
yNIR- (yR- (yNIR- yR-yNIR - (yR-yNIR -
No Nama spektrum No Orig Pred yR-yNIR (yR-yNIR)2 yR-ȳR (yR-ȳR)2 yR * yNIR yR 2
ȳNIR ȳR)(yNIR- ȳNIR)2 BIAS BIAS) 2
1 2pnl_Gayo2_a 2 0.2615 0.2553 0.00620 0.00004 -0.021 -0.024 0.00052 0.00046 0.00058 0.00265 0.00001 0.06676 0.068382
2 2pnl_Gayo11_a 11 0.2769 0.2727 0.00420 0.00002 -0.006 -0.007 0.00004 0.00004 0.00004 0.00065 0.00000 0.07551 0.076674
3 2pnl_Gayo14_a 14 0.2650 0.2662 -0.00120 0.00000 -0.018 -0.013 0.00024 0.00032 0.00017 -0.00475 0.00002 0.07054 0.070225
4 2pnl_Gayo18_a 18 0.2831 0.2690 0.01410 0.00020 0.000 -0.010 0.00000 0.00000 0.00011 0.01055 0.00011 0.07615 0.080146
5 2pnl_Gayo19_a 19 0.2871 0.2787 0.00840 0.00007 0.004 -0.001 0.00000 0.00002 0.00000 0.00485 0.00002 0.08001 0.082426
6 2pnl_Gayo22_a 22 0.2961 0.3016 -0.00550 0.00003 0.013 0.022 0.00029 0.00017 0.00049 -0.00905 0.00008 0.08930 0.087675
7 2pnl_Gayo24_a 24 0.3026 0.2989 0.00370 0.00001 0.020 0.020 0.00038 0.00039 0.00038 0.00015 0.00000 0.09045 0.091567
8 2pnl_Gayo29_a 29 0.2972 0.2804 0.01680 0.00028 0.014 0.001 0.00001 0.00020 0.00000 0.01325 0.00018 0.08333 0.088328
9 2pnl_Gayo31_a 31 0.2677 0.2610 0.00670 0.00004 -0.015 -0.018 0.00028 0.00023 0.00034 0.00315 0.00001 0.06987 0.071663
10 2pnl_Gayo34_a 34 0.2284 0.2384 -0.01000 0.00010 -0.055 -0.041 0.00223 0.00297 0.00168 -0.01355 0.00018 0.05445 0.052167
11 2pnl_Gayo36_a 36 0.3104 0.3075 0.00290 0.00001 0.027 0.028 0.00077 0.00076 0.00079 -0.00065 0.00000 0.09545 0.096348
12 2pnl_Gayo39_a 39 0.3079 0.3022 0.00570 0.00003 0.025 0.023 0.00057 0.00062 0.00052 0.00215 0.00000 0.09305 0.094802
13 2pnl_Gayo40_a 40 0.3077 0.3022 0.00550 0.00003 0.025 0.023 0.00057 0.00061 0.00052 0.00195 0.00000 0.09299 0.094679
14 2pnl_Gayo43_a 43 0.2898 0.2907 -0.00090 0.00000 0.007 0.011 0.00008 0.00005 0.00013 -0.00445 0.00002 0.08424 0.083984
15 2pnl_Gayo45_a 45 0.2930 0.2910 0.00200 0.00000 0.010 0.012 0.00012 0.00010 0.00014 -0.00155 0.00000 0.08526 0.085849
16 2pnl_Gayo48_a 48 0.2547 0.2618 -0.00710 0.00005 -0.028 -0.018 0.00050 0.00080 0.00031 -0.01065 0.00011 0.06668 0.064872
17 2pnl_Gayo50_a 50 0.2804 0.2715 0.00890 0.00008 -0.003 -0.008 0.00002 0.00001 0.00006 0.00535 0.00003 0.07613 0.078624
 37

RIWAYAT HIDUP

Penulis dilahirkan di Kota Takengon, Aceh tengah

Provinsi Aceh pada tanggal 21 Januari 1991 sebagai anak
bungsu dari empat bersaudara dari pasangan Bapak M
Rasyid, S.Ag dan Ibu Siti Hasanah S.Pd. Penulis lulus dari
SMA Negeri 1 Takengon pada tahun 2009 lalu
melanjutkan pendidikan S1 di Jurusan Teknologi Hasil
Pertanian Fakultas Pertanian Universitas Syiah Kuala
(UNSYIAH) melalui jalur Undangan Seleksi Masuk
Universitas (USMU). Penulis menyelesaikan program
sarjana pada tahun 2013 dengan judul penelitian “Analisis
Umur Simpan Selai Terung Belanda (Cyphomandra
betacea Sendt) Model Arrhenius” yang dibimbing oleh Ibu
Melly Novita, S.TP M.Si dan Ibu Nida El Husna, S.T,
M.Si.
Pada tahun 2014 penulis melanjutkan kuliah Magister pada Program Studi
Teknologi Pascapanen, Departemen Teknik Mesin dan Biosistem, Fakultas
Teknologi Pertananian Institut Pertanian Bogor (IPB) dengan beasiswa fresh
graduate dari Direktorat Kementerian Pendidikan Tinggi (DIKTI). Selama masa
studi penulis aktif dalam berbagai organisasi seperti Forum Mahasiswa
Pascasarjana (FORUM WACANA) dan Ikatan Mahasiswa Pascasarjana Bogor
(IKAMAPA) dibidang Humas. Selain itu penulis juga aktif menjadi asisten PAI
untuk Mata kuliah Agama Islam mahasiswa tingkat 1 strata 1. Hasil karya ilmiah
yang merupakan bagian dari penelitian S2 dipublikasikan pada Jurnal Keteknikan
Pertanian Edisi Vol.4, No.2 Oktober 2016 yang berjudul Prediksi Kandungan
kafein Biji Kopi Arabika Gayo dengan Near Infrared Spectroscopy.