Ryfhfjh
Ryfhfjh
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.
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.
Kata kunci: Biji kopi, kadar air, kadar kafein, NIRS, PLS
SUMMARY
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
Diketahui oleh
PRAKATA
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
DAFTAR TABEL
DAFTAR LAMPIRAN
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
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
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
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.
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.
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)
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).
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
𝑆𝐸
𝐶𝑉 = ( 𝑌̅ ) 𝑋 100% (3)
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.
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.
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
Kalibrasi
Tidak
RMSEC
r≈1
Validasi
CV ≈ 0
Ya
Tidak
RMSEP
r≈1
CV ≈ 0
Ya
Selesai
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).
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
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.
𝐵𝑎−𝐵𝑏
𝐾𝑎 = 𝑥 100% (6)
𝐵𝑎
tidak jauh berbeda (1726 nm). Kafein berada pada panjang gelombang 1128, 1298,
1677, 1726, dan 1934 nm (Ribeiro et al. 2011).
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
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
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.
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
2013), kadar lemak pada biji jarak pagar (Lengkey et al. 2013) dan biji kakao
(Zulfahrizal et al. 2014).
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
13
kalibrasi
12 Validasi
11
11 12 13 14 15
Kadar air referensi (%)
Gambar 12 Prediksi kadar air biji kopi
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
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.
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
[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
LAMPIRAN
Blender Saringan
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)
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
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