Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Data singkat 29 (2020) 105211

Daftar isi tersedia di SainsLangsung

Data secara singkat

beranda jurnal: www.elsevier.com/locate/dib

Artikel Data

Analisis data spektroskopi inframerah dekat (NIRS)

untuk prediksi parameter nutrisi pakan yang
cepat dan simultan
Samadi A, **, Sitti Wajizah A, Agus Arip Munawar B, C, *
A Jurusan Peternakan, Universitas Syiah Kuala, Banda Aceh, IndonesiaB Jurusan Teknik Pertanian,
Universitas Syiah Kuala, Banda Aceh, IndonesiaC Pusat Penelitian Mekanisasi Pertanian,
Universitas Syiah Kuala, Banda Aceh, Indonesia

info artikel abstrak

Sejarah artikel: Makalah yang disajikan menggambarkan dataset pada spektroskopi

Diterima 14 Desember 2019 inframerah dekat (NIRS) yang digunakan sebagai metode yang cepat dan
Diterima dalam bentuk revisi 22 Januari 2020 kuat untuk memprediksi dan menentukan beberapa parameter nutrisi
Diterima 23 Januari 2020
pakan ternak secara bersamaan. Data spektrum dekat diperoleh dan
Tersedia online 31 Januari 2020
direkam dalam rentang panjang gelombang dari 1000 hingga 2500 nm
dengan tambahan 64 pemindaian per sampel pengukuran. Di sisi lain,
Kata kunci:
parameter nutrisi referensi aktual: kecernaan bahan organik in vitro
NIRS
Memberi makan
(IVOMD), kecernaan bahan kering in vitro (IVDMD), serat deterjen netral
Nilai gizi (NDF) dan serat deterjen asam (ADF) pakan ternak diukur menggunakan
Ramalan prosedur laboratorium terdekat. . Kumpulan data inframerah dekat dapat
Spektroskopi ditingkatkan menggunakan beberapa metode koreksi spektrum untuk
meningkatkan akurasi dan ketahanan prediksi.

© 2020 Penulis. Diterbitkan oleh Elsevier Inc. Ini adalah artikel akses
terbuka di bawah lisensi CC BY (http://creativecommons.
org/lisensi/oleh/4.0/).

* Penulis yang sesuai. Jurusan Teknik Pertanian, Universitas Syiah Kuala, Banda Aceh, Indonesia.
* * Penulis yang sesuai.Alamat email: samadi177@unsyiah.ac.id (Samadi), aamunawar@unsyiah.ac.id
(A.Munawar).

https://doi.org/10.1016/j.dib.2020.1052112352-3409/© 2020 Penulis. Diterbitkan oleh Elsevier Inc. Ini adalah artikel akses terbuka di
bawah lisensi CC BY (http://creativecommons.org/licenses/by/4.0/).
2 KMK Samadi dkk. / Data singkat 29 (2020) 105211

Tabel Spesifikasi

Subjek Ilmu Pertanian dan Biologi Ilmu

Bidang subjek tertentu
Jenis data
Bagaimana data diperoleh
Hewan
Spektroskopi, uji non-destruktif untuk evaluasi kualitas pakan ternak Tabel
Grafik
Data spektroskopi
Kumpulan data spektral sampel pakan ternak diperoleh menggunakan spektroskopi
inframerah transformasi Fourier benchtop (Thermo Nicolet Antaris II TM). Data spektrum
direkam dalam bentuk spektrum absorbansi pada rentang panjang gelombang 1000-2500
nm dengan co-added 32 scan dengan jendela resolusi 0,2 nm. Di sisi lain, untuk
mendapatkan data referensi aktual serat deterjen netral (NDF) dan serat deterjen asam (ADF),
prosedur laboratorium standar seperti yang diusulkan oleh Ref. [1] dipekerjakan. Sampel
pakan direbus dalam larutan deterjen netral dan asam selama satu jam secara berurutan.
Data NDF dan ADF dinyatakan dalam persen. Sementara itu, kecernaan bahan organik in vitro
(IVOMD) dan kecernaan bahan kering in vitro (IVDMD) ditentukan dengan mengurangkan
residu bahan kering dan bahan organik sebelum fermentasi. Inkubasi in vitro dilakukan
dalam tiga run dan dua botol serum diwakili untuk setiap run. Keempat parameter nutrisi
tersebut dilakukan dalam rangkap tiga dan dirata-ratakan.

Format data Mentah

Parameter untuk pengumpulan data
Deskripsi pengumpulan data
Dianalisis
Ditingkatkan
Disajikan sebagai.xl dan .unsb fiformat file
Parameter nutrisi sampel pakan ternak adalah kecernaan bahan organik in vitro (IVOMD),
kecernaan bahan kering in vitro (IVDMD), serat deterjen netral (NDF) dan serat deterjen asam
(ADF).
Data spektroskopi inframerah dekat berupa spektrum absorbansi digunakan untuk
memprediksi empat parameter nutrisi pakan ternak tersebut (IVOMD, IVDMD, NDF dan ADF)
secara bersamaan. Data prediksi atribut nutrisi ini diperoleh dengan membuat model melalui
kalibrasi. Regresi komponen utama (PCR) dan regresi kuadrat terkecil parsial (PLSR)
diterapkan sebagai metode dalam mengumpulkan nilai prediksi. Data prediksi kemudian
dikuantifikasi dengan cara validasi silang selama fase kalibrasi.

Lokasi sumber data Pengambilan data dilakukan di Jurusan Peternakan Institut Pertanian Bogor dan Jurusan
Teknik Pertanian Universitas Syiah Kuala Banda Aceh e Indonesia.

Aksesibilitas data Dataset tersedia di artikel ini dan dapat ditemukan di data repositori Mendeley:https://
data.mendeley.com/datasets/r6fjtx943d/1atau https://doi.org/10.17632/r6fjtx943d.1

Nilai Data
- Dataset spektral sampel pakan ternak dapat digunakan untuk memprediksi parameter nutrisi yang berasal dari model kalibrasi. Ini
memberikan pendekatan yang cepat, non-destruktif dan simultan untuk menentukan atribut nutrisi dari objek biologis seperti pakan ternak
dalam kasus ini.
- Data bermanfaat dalam industri pakan ternak untuk pemeriksaan kualitas produk pakan mereka. Dataset ini juga dapat digunakan kembali
untuk mengembangkan model prediksi parameter nutrisi lainnya seperti pati, protein, pH, dan lainnya.
- Dataset spektral dapat ditingkatkan dengan menggunakan beberapa pendekatan pra-pemrosesan data dan ditransfer ke instrumen NIRS
yang sudah ada.
- Performa prediksi dapat bervariasi, tergantung pada peningkatan spektrum dan pendekatan regresi yang akan diterapkan selama
kalibrasi dan pengembangan model prediksi.

1. Data

Dataset spektral inframerah dekat dari sampel umpan diperoleh dan dicatat sebagai spektrum absorbansi dalam rentang
panjang gelombang dari 1000 hingga 2500 nm (Gambar 1). Biasanya, data spektrum inframerah dekat dapat
direpresentasikan sebagai fungsi dari energi (cm-1) atau panjang gelombang (nm) dari radiasi elektromagnetik. Data
spektrum mengandung sifat kimia dan informasi yang dapat diungkapkan melalui kalibrasi dengan
 KMK Samadi dkk. / Data singkat 29 (2020) 105211 3

Gambar 1. Spektrum absorbansi inframerah dekat yang khas dari sampel umpan.

cara pendekatan regresi. Selain informasi yang relevan dan penting, data spektra juga dapat berisi latar
belakang informasi yang tidak relevan yang dikenal sebagai noise akibat hamburan cahaya.2]. Noise ini
dapat mengganggu akurasi prediksi dan ketahanan yang dihasilkan selama kalibrasi. Dengan demikian,
untuk menghilangkan atau meminimalkan kebisingan, data spektrum dapat dikoreksi dan ditingkatkan
menggunakan beberapa teknik pra-pemrosesan seperti pemulusan spektrum, normalisasi, koreksi pencar
multiplicative (MSC), standar normal variate (SNV), koreksi sinyal ortogonal (OSC) , spektrum turunan, de-
trending, dan kombinasi di antaranya [3]. Pemilihan metode pra-pemrosesan spektrum harus diikuti dengan
pengetahuan tentang karakteristik sampel, protokol pengukuran sampel, interaksi radiasi, dan persyaratan
masalah analitik [4].
Parameter nutrisi seperti NDF, ADF, pH, kadar pati, kadar air, IVOMD, IVDMD dan lain-lain terkubur dalam pola
spektrum di sepanjang daerah inframerah dekat. Panjang gelombang tertentu berhubungan dengan atribut nutrisi
tertentu yang mewakili jumlah cahaya yang diserap, dipantulkan atau ditransmisikan. Penyerapan cahaya dan
hamburan radiasi NIR adalah dua fenomena utama yang mempengaruhi spektrum fitur [5]. Data spektrum juga
dapat ditransformasikan ke dalam turunannya seperti yang disajikan padaGambar 2.untuk mengamati fitur
spektrum lebih detail dan mendeteksi suara potensial di sepanjang daerah panjang gelombang inframerah dekat.
Turunan spektrum adalah cara yang baik untuk mengoreksi distorsi ini yang biasanya digunakan sebagaiSavitzky-
Golay algoritma turunan.
Tujuan utama penerapan NIRS adalah untuk menetapkan model yang digunakan untuk memprediksi dan
menentukan atribut nutrisi atau kualitas sampel yang diteliti. Dalam beberapa dekade terakhir, regresi linier
berganda (MLR) pertama kali diterapkan dengan beberapa variabel asli yang sebelumnya diubah dan dipilih untuk
membawa informasi sifat kimia yang relevan dan penting. Saat ini, pendekatan regresi lain seperti regresi
komponen utama (PCR) dan regresi kuadrat terkecil parsial (PLSR) biasanya digunakan [6].

Gambar 2. Spektrum inframerah dekat setelah turunan pertama (a) dan turunan kedua (b).
4 KMK Samadi dkk. / Data singkat 29 (2020) 105211

Kedua metode regresi ini dipasang seperti sarung tangan di bidang NIRS yang muncul sampai sekarang. Kedua
metode tersebut mencari korelasi terbaik antara data spektrum NIRS dan parameter nutrisi atau kualitas masing-
masing seperti NDF, ADF, IVOMD, dan IVDMD dalam kasus ini. Model prediksi dikembangkan dengan meregresi
data spektrum (variabel X) dan atribut nutrisi aktual yang diperoleh dengan prosedur laboratorium standar (variabel
Y). Hasil prediksi kemudian dibandingkan dengan yang sebenarnya, untuk menilai kinerja prediksi seperti yang
ditunjukkan padaGambar 3.
Model prediksi dapat dikembangkan secara langsung baik menggunakan data spektrum mentah (tidak diolah)
atau spektrum yang disempurnakan (diperlakukan).7]. Seperti disebutkan sebelumnya, perlu untuk mengoreksi dan
melakukan pra-proses data spektrum inframerah dekat untuk mencapai hasil prediksi yang lebih akurat dan kuat.
Tabel 1 menunjukkan perbandingan kinerja prediksi antara data spektra mentah dan terkoreksi untuk penentuan
parameter nutrisi pakan.
Kinerja prediksi dapat bervariasi tergantung pada algoritma pra-pemrosesan spektrum dan pendekatan
regresi yang akan digunakan. Seperti yang disajikan dalamMeja 2, kinerja prediksi bervariasi di antara
metode koreksi spektrum yang berbeda dalam analisis data ini menggunakan standar normal variate (SNV),
koreksi pergeseran dasar (BSC), dan de-trending (DT) umumnya ditingkatkan ketika model dibangun
menggunakan data spektrum yang dikoreksi.

2. Desain, bahan, dan metode eksperimental

2.1. Pengaturan instrumen

Data spektrum inframerah dekat sampel pakan diperoleh menggunakan instrumen NIR benchtop
(Thermo Nicolet Antaris II TM). Instrumen dikontrol dan dikonfigurasi di bawah perangkat lunak terintegrasi
Thermo Integration® dan Operasi Termo®. Tugas tertentu dilakukan dengan menetapkan alur kerja
menggunakan perangkat lunak Thermo Integration. Pengukuran resolusi tinggi dengan mengintegrasikan
bola dipilih sebagai metode untuk akuisisi spektrum [8].
Untuk setiap pengukuran spektrum, pelabelan sampel diperlukan secara otomatis sebelum akuisisi untuk
membedakan sampel umpan masing-masing. Data spektrum diperoleh dan dicatat sebagai spektrum absorbansi
dalam rentang panjang gelombang dari 1000 hingga 2500 nm dan disimpan dalam tiga format file yang berbeda:
Nicolet(.spa), Jcamp (.jdx) dan nilai yang dipisahkan koma (.csv). Metode laboratorium standar juga disiapkan untuk
empat parameter nutrisi sampel pakan yang disebutkan.

2.2. Akuisisi data spektrum

Data spektra dekat diperoleh terlebih dahulu dengan menggunakan instrumen NIR untuk semua sampel pakan,
terbuat dari delapan sumber residu agroindustri produk samping (sisa sagu, bungkil kelapa, kecap kedelai oleh

Gambar 3. Kinerja prediksi penentuan NDF (a) dan ADF (b).

 KMK Samadi dkk. / Data singkat 29 (2020) 105211 5

Tabel 1
Perbandingan kinerja prediksi antara data spektra mentah dan terkoreksi dengan menggunakan pendekatan regresi komponen utama (Principal Component
Regression/PCR).

Parameter Nutrisi Data spektrum Indikator statistik

R2 R RMSE RPD

NDF Mentah 0,757 0,870 3.665 1.627

dikoreksi 0,830 0,911 3.098 1.925
ADF Mentah 0,831 0,912 0,538 1.782
dikoreksi 0,867 0,931 0,486 1,972

ADF: serat deterjen asam, NDF: serat deterjen netral, R2: koefisien determinasi, r: koefisien korelasi, RMSE: root mean square error, RPD:
simpangan simpangan prediksi.

produk, ampas kopi, buah kakao, pohon sagu, tongkol jagung, dan merek beras). Sekitar 33 g dari sebagian besar sampel
pakan ditempatkan terpusat pada pemegang sampel. Setiap sampel curah ditempatkan secara manual langsung ke lubang
masuk (diameter 1 cm) dari sumber cahaya untuk memastikan kontak langsung dan meminimalkan kebisingan karena
hamburan cahaya. Spektrum serapan dalam rentang panjang gelombang 1000-2500 nm diperoleh dengan co-tambahan dari
64 scan. Sampel diatur untuk berputar selama akuisisi spektrum untuk memastikan keseragaman.

2.3. Pengukuran IVOMD, IVDMD, NDF dan ADF

Setelah akuisisi data spektrum selesai, sampel pakan langsung dianalisis untuk menentukan parameter
nutrisi yang sebenarnya. Untuk pengukuran NDF dan ADF, sampel pakan direbus dalam larutan deterjen
netral dan deterjen asam selama 1 jam secara berurutan. Nilai NDF ditentukan tanpa menggunakanA-
amilase dan natrium sulfit, sedangkan untuk ADF keduanya digunakan. Penentuan NDF dan ADF masing-
masing didasarkan pada kandungan CP (NDICP) tidak larut deterjen netral dan CP tidak larut deterjen asam
(ADICP) masing-masing dan dinyatakan sebagai tidak termasuk abu residu [9].
Selain itu, fermentasi rumen in vitro dilakukan untuk menentukan IVDMD dan IVOMD. Secara singkat,
cairan rumen dikumpulkan pada pagi hari sebelum diberi makan melalui sapi berfistula rumen. Cairan
rumen disaring dengan empat lapis kain kasa sebelum digunakan [10]. Botol serum 125 ml disiapkan untuk
mengisi 0,75 sampel dan menambahkan 75 ml cairan rumen buffer dengan rasio buffer cairan rumen (1,4 v/
v). Inkubasi dilakukan dalam penangas air dengan suhu 39 C selama 48 jam. Setelah inkubasi, supernatan
yang diperoleh dianalisis untuk menentukan pH residunya, selanjutnya diinkubasi dengan 75 ml larutan
pepsin-HCl 0,2 N selama 48 jam.1,10]. Atribut nutrisi pakan: IVOMD dan IVDMD ditentukan dengan
mengurangi residu bahan organik (OM) dan bahan kering (DM) dari awal sebelum fermentasi masing-
masing. Inkubasi in vitro dilakukan dalam tiga ulangan dan dua serum

Meja 2
Perbandingan antara metode koreksi spektrum yang berbeda terhadap kinerja prediksi parameter nutrisi menggunakan pendekatan
regresi kuadrat terkecil parsial (PLSR).

Parameter nutrisi Data spektrum Indikator statistik

R2 R RMSE RPD

IVOMD Mentah 0,590 0,770 2.510 1.599

SNV 0.810 0,922 1.710 2.347
BSC 0,750 0,861 1.960 2.048
DT 0,690 0.832 2.180 1,841
IVDMD Mentah 0,610 0,780 2.032 2.284
SNV 0,860 0,936 1.201 3.911
BSC 0,720 0,861 1.651 3.706
DT 0,720 0.852 1.712 3.362

BSC: koreksi pergeseran dasar, DT: de-trending, IVOMD: kecernaan bahan organik in vitro (IVOMD), IVDMD: kecernaan bahan kering in
vitro, R2: koefisien determinasi, r: koefisien korelasi, RMSE: root mean square error, RPD: penyimpangan prediksi residual. SNV: varian
normal standar.
6 KMK Samadi dkk. / Data singkat 29 (2020) 105211

Tabel 3
Statistik deskriptif parameter nutrisi terukur aktual dari sampel pakan.

Indikator statistik Parameter nutrisi

IVOMD IVDMD NDF ADF

Berarti 56,50 54.14 27.36 17.48

Maks 64.58 60.36 49.77 18.95
min 50.34 48.56 22.10 15.30
Jangkauan 14.24 11.80 27.67 3.65
Std. Deviasi 4.01 3.34 5.96 0,96
Perbedaan 16.11 11.12 35.54 0,92
RM 56.63 54.24 27.97 17.51
Kecondongan 0.73 0,40 2.72 - 0,20
Kurtosis - 0,34 - 0,60 8.34 - 0,48
median 55.85 53,92 25.78 17.25
Q1 54.15 52.09 24.21 16.97
Q3 57.39 55.55 27.61 18.10

ADF: serat deterjen asam, IVOMD: kecernaan bahan organik in vitro, IVDMD: kecernaan bahan kering in vitro, NDF: serat deterjen
netral, Q1: kuartil pertama, Q3: kuartil ketiga.

botol diwakili untuk setiap ulangan. Statistik deskriptif dari IVOMD, IVDMD, NDF dan ADF terukur aktual
ditunjukkan pada:Tabel 3.

2.4. Deteksi outlier sampel

Dalam banyak praktik, pengguna NIRS terkadang dihadapkan pada masalah dalam memilih kumpulan data
sampel yang paling representatif untuk dikalibrasi, membagi kumpulan data besar menjadi subset, bertujuan untuk
kalibrasi dan validasi, atau mengidentifikasi dan mendeteksi sampel yang entah bagaimana sangat berbeda dari
mayoritas sisanya. sampel dari mana dikenal sebagai outlier (s) [4,11]. Pencilan ini dapat ditemukan dalam
kumpulan data sampel yang digunakan untuk konstruksi dan validasi model, atau muncul di antara sampel baru
selama penggunaan model tersebut untuk prediksi independen.
Ada beberapa metode yang dapat digunakan untuk mendeteksi dan menghilangkan outlier, salah satu metode
yang paling umum adalah statistik Hoteling (atau t2) elips, digunakan untuk mendefinisikan batas statistik dengan
asumsi distribusi normal dari skor analisis komponen utama (PCA). Biasanya, outlier diidentifikasi sebagai sampel
yang ditemukan di luar atau di luar batas kepercayaan elips, biasanya ditetapkan pada tingkat 95% [12,13]. Metode
lain yang direkomendasikan untuk deteksi outlier adalah penggunaanMahalanobis jarak (leverage) dan residu
spektral untuk mendeteksi outlier dalam kumpulan data spektra mentah.
Setelah outlier dideteksi dan diidentifikasi dengan metode apa pun yang disebutkan, mereka tidak boleh
dihapus begitu saja dari kumpulan data, tetapi alasan mengapa outlier itu ada harus diverifikasi [14,15]. Ini
dapat membantu meningkatkan pengetahuan tentang kumpulan data dan memberikan informasi tentang
cara meningkatkan kualitasnya untuk mencapai kinerja model yang lebih baik.

2.5. Koreksi data spektrum inframerah

Sebelum melakukan pengembangan model prediksi, perlu dilakukan pra-proses dan koreksi data spektra
untuk mencapai hasil prediksi yang lebih akurat dan kuat. Beberapa metode koreksi tersedia dan dapat
digunakan berdasarkan karakteristik sampel, dampak spektrum dan pengetahuan terkait lainnya yang harus
dikenali sebelum koreksi spektrum. Dalam penelitian ini, kami menggunakan tiga metode koreksi spektrum
yaitu baseline shift correction (BSC), standard normal variate (SNV) dan detrending (DT). Ketiga koreksi
spektra tersebut kemudian dibandingkan dan dilihat pengaruhnya terhadap kinerja prediksi terhadap
prediksi parameter nutrisi. Dalam praktik NIRS, koreksi spektrum terkadang dapat digabungkan untuk
menghasilkan model prediksi yang lebih baik.
 KMK Samadi dkk. / Data singkat 29 (2020) 105211 7

2.6. Model prediksi

Inti penting dari praktik dan aplikasi NIRS adalah untuk membangun dan mengembangkan model yang
digunakan untuk memprediksi atribut nutrisi atau kualitas yang diinginkan dari sampel yang dipelajari.
Atribut kualitas ini dapat diprediksi secara cepat dan simultan melalui proses yang disebut kalibrasi, dengan
meregresi data spektrum NIR (variabel X) dan atribut nutrisi terukur aktual (variabel Y). Idealnya, kumpulan
sampel yang digunakan dalam tahap regresi harus mewakili sampel prediksi saat ini dan masa depan. Ini
berarti bahwa semua sumber variabilitas yang diharapkan harus dipertimbangkan baik dalam set data
sampel kalibrasi maupun validasi.
Dalam praktik NIRS yang paling umum, regresi kuadrat terkecil parsial (PLSR) adalah salah satu yang
paling banyak digunakan sebagai metode regresi dalam membangun model prediksi. Metode PLSR terus
menjadi pekerja keras untuk regresi dalam aplikasi NIRS. PLSR asli adalah metode linier yang
mengasumsikan hubungan linier dari parameter atau konsentrasi nutrisi yang dimodelkan sebagai fungsi
dari variasi spektral inframerah. Nonlinier yang lemah dapat diselesaikan dengan meningkatkan jumlah
variabel laten (LVs) termasuk dalam model PLSR [12,16]. Preferensi pengguna lain untuk membuat dan
mengembangkan model prediksi di NIRS adalah regresi komponen utama (PCR). Ini adalah metode regresi
multivariat serupa yang bekerja berdasarkan PCA dan regresi linier berganda (MLR).
Performa prediksi dievaluasi dengan parameter statistik berikut: koefisien korelasi (r) dan determinasi (R2
) antara parameter gizi atau atribut kualitas yang diprediksi dan diukur, kesalahan prediksi yang
didefinisikan sebagai root mean square error (RMSE) dan residual prediktif deviasi (RPD), didefinisikan
sebagai rasio antara standar deviasi (SD) dari nilai populasi yang sebenarnya dari IVOMD, IVDMD, NDF dan
ADF, dan RMSE parameter nutrisi yang diprediksi [1,6]. Berdasarkan literatur, model yang baik dalam NIRS
harus memiliki koefisien r dan R2
di atas 0,75 dan indeks RPD di atas 2,5 masing-masing [4,17,18]. Semakin tinggi nilai RPD, semakin besar
kemungkinan model untuk memprediksi parameter nutrisi yang diinginkan atau konsentrasi kimia dari sampel
dataset secara akurat dan kokoh [11,19].

Ucapan Terima Kasih

Kami mengucapkan terima kasih yang sebesar-besarnya kepada LPPM Universitas Syiah Kuala di Banda Aceh, Indonesia untuk
dukungan pendanaan melalui Hibah Penelitian Profesor (PP) skema 2019.

Konflik kepentingan

Para penulis menyatakan bahwa mereka tidak mengetahui adanya persaingan kepentingan keuangan atau hubungan
pribadi yang tampaknya dapat mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.

Lampiran A. Data tambahan

Data tambahan untuk artikel ini dapat ditemukan online di https://doi.org/10.1016/j.dib.2020.105211.

Referensi

[1] A. Belanche, MR Weisbjerg, GG Allison, CJ Newbold, JM Moorby, Pengukuran bahan kering rumen dan degradabilitas serat deterjen
netral dari pakan dengan spektroskopi inframerah transformasi Fourier, J. Dairy Sci. 97 (4) (2014) 2361e2375.
[2] AA Munawar, D. von Ho €rsten, JK Wegener, E. Pawelzik, D.Mo €rlein, Prediksi mangga yang cepat dan tidak merusak
atribut kualitas menggunakan transformasi Fourier spektroskopi inframerah dekat dan kemometrik, Eng. pertanian. Mengepung. Makanan 9 (3) (2016).

[3] AA Munawar, DV Ho €rsten, D.Mo €rlein, E. Pawelzik, JK Wegener, “Prediksi cepat dan tidak merusak mangga
rasa manis dan keasaman menggunakan spektroskopi inframerah dekat,” in Catatan Kuliah Informatika (LNI), Prok. Ser. Ges. Inf. (2013) 211.
[4] C. Pasquini, “Spektroskopi inframerah dekat: teknik analisis yang matang dengan perspektif baru e ulasan, Anal. Chim. Acta 1026
(2018) 8e36.
[5] RH Suci, Z. Zulfahrizal, AA Munawar, Menerapkan spektrum LIBS-QCL ditambah dengan analisis komponen utama untuk
membedakan kopi Arabika Gayo dan kopi robusta, Int. J.Sci. teknologi. Res. teknologi. Res. 8 (10) (2019) 919e924.
[6] AA Munawar, Kusumiyati, D. Wahyuni, Data spektroskopi inframerah dekat untuk prediksi cepat dan simultan atribut kualitas buah
mangga utuh, Data Br. 27 (2019) 104789.
8 KMK Samadi dkk. / Data singkat 29 (2020) 105211

[7] S. Syahrul, Y. Yunus, P. Satriyo, AA Munawar, Menerapkan spektroskopi reflektansi inframerah untuk memprediksi kualitas air di sungai Aceh,
Int. J.Sci. teknologi. Res. 8 (10) (2019) 969e972.
[8] Kusumiyati Sudarjat, Hasanuddin, AA Munawar, Deteksi infestasi serangga secara cepat dan tidak merusak pada mangga utuh
dengan menggunakan spektroskopi inframerah dekat Deteksi serangga yang cepat dan tidak merusak pada mangga utuh
dengan menggunakan spektroskopi inframerah dekat, dalam: IOP Conference Series , Ilmu Bumi dan Lingkungan, 2019.
[9] S. Wajizah Samadi, AA Munawar, Penentuan nilai nutrisi pakan secara cepat dan simultan dengan menggunakan spektroskopi
inframerah dekat, Trop. animasi. Sci. J.41 (2) (2018).
[10] A. Gallo, S. Bruschi, F. Masoero, Catatan teknis: evaluasi metode enzimatik baru untuk memprediksi serat deterjen netral yang tidak
tercerna dari hijauan dan pakan berserat non-hijauan, J. Dairy Sci. 102 (7) (2019) 6235e6241.
[11] Y. Yunus, D. Devianti, P. Satriyo, AA Munawar, Prediksi cepat indeks kualitas tanah menggunakan spektroskopi inframerah dekat Prediksi cepat
indeks kualitas tanah menggunakan spektroskopi inframerah dekat, dalam: IOP Conference Series, Earth and Environmental Science, 2019.

[12] Y. Saputri, Y. Yusriana, AA Munawar, Fitur spektroskopi inframerah bubuk kunyit, dalam: IOP Conference Series: Earth And
Environmental Science, 2019.
[13] AA Munawar, H. Syah, Yusmanizar, Penilaian kualitas madu yang cepat dan kuat menggunakan spektroskopi inframerah dekat Penilaian
kualitas madu yang cepat dan kuat menggunakan spektroskopi inframerah dekat, dalam: IOP Conference Series, Earth and Environmental
Science, 2019.
[14] R. Agustina, AA Munawar, “Sifat Elektro-Optik Serbuk pliek U kering : bahan-bahan lokal dari Aceh Sifat-sifat elektro-optik serbuk
pliek U kering : bahan-bahan lokal dari Aceh, dalam: IOP Conference Series, Ilmu Bumi dan Lingkungan, 2019.

[15] AA Munawar, D. Devianti, P. Satriyo, Y. Yunus, Prediksi cepat dan simultan atribut kualitas tanah menggunakan teknologi
inframerah dekat, Int. J.Sci. teknologi. Res. 8 (9) (2019) 9e12.
[16] CD Iskandar, Z. Zainudin, AA Munawar, Optimasi pembekuan daging sapi dengan model planck melalui simulasi optimasi
pembekuan daging sapi dengan model planck melalui simulasi, dalam: IOP Conference Series, Earth and Environmental Science,
2019.
[17] AA Munawar, Hafidh Kusumiyati, R. Hayati, D. Wahyuni, Penerapan teknologi inframerah dekat sebagai metode cepat dan tidak
merusak untuk menentukan kandungan vitamin C buah mangga utuh, INMATEH Agric. Ind. 58 (2) (2019) 1e12.
[18] T. Nordey, J. Joas, F. Davrieux, M. Chillet, M. Le -chaudel, model NIRS yang kuat untuk prediksi non-destruktif dari mangga di-
kualitas internal, Sci. Hortik. (Amst.) 216 (2017) 51e57.
[19] D. Darusman, Z. Zulfahizal, Y. Yunus, AA Munawar, “Penilaian kualitas tanah dengan Spektroskopi inframerah dekat: prediksi ph dan
karbon organik tanah, Int. J.Sci. teknologi. Res. 8 (10) (2019).