ZAQLUL IQBAL
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Zaqlul Iqbal
NIM F151130186
RINGKASAN
Kondisi buah kelapa sawit sebelum diekstrak menjadi salah satu kunci
dalam menghasilkan Crude Palm Oil (CPO) berkualitas. Pengaruh negatif akan
muncul jika buah tidak matang ikut diolah. Buah mentah memiliki kandungan
minyak yang lebih sedikit dari buah matang, sehingga ketika diproses akan
menurunkan rendemen minyak total. Pada buah lewat matang, terdapat kandungan
Asam Lemak Bebas (ALB) diatas ambang batas yang berkontribusi menurunkan
kualitas minyak. Saat ini penentuan kematangan Tandan Buah Segar (TBS) kelapa
sawit oleh petani dilakukan dengan melihat seberapa banyak brondol sawit dari
TBS yang jatuh di atas tanah. Padahal tidak semua TBS mudah melepaskan
brondol atau brondol yang terlepas tersangkut di sela pohon, sehingga dapat
membiaskan hasil prediksi.
Tujuan dari penelitian ini adalah untuk membangun model kalibrasi dari
beberapa kandungan kimia kelapa sawit yang dapat dijadikan standar kematangan
buah untuk menggantikan penaksiran kematangan konvensional. Terdapat empat
tahapan pada penelitian ini, Langkah pertama adalah persiapan sampel. Langkah
kedua akuisisi spektrum NIR pada 60 sampel menggunakan NIRFlex N-500.
Langkah ketiga adalah mengumpulkan data kimia yaitu kandungan minyak, asam
lemak bebas (ALB), kadar air, dan karoten untuk masing-masing sampel. Langkah
keempat adalah pembuatan model kalibrasi dengan metode Principal Component
Analysis (PCA) dan Partial Least Square (PLS). Digunakan tambahan
pretreatment pada spektrum NIR untuk meningkatkan kehandalan model, yaitu
First Derivative Savitzky Golay (DG1), Multiplicative Scatter Correction (MSC),
Standard Normal Variate (SNV) pada analisis PCA dan PLS serta Orthogonal
Signal Correction (OSC) pada PLS.
Hasil menyatakan bahwa metode PCA mampu membedakan seluruh sampel
dalam dua kelompok besar, yaitu kelompok dengan umur kematangan 4 bulan dan
kelompok dengan umur kematangan 5, 6, dan 7 bulan. Dari model PLS tanpa
menggunakan pretreatment menghasilkan R2 untuk kadar minyak sebesar 0.031,
ALB sebesar 0.236, dan karoten sebesar 0.490. Meskipun telah menggunakan
tambahan beberapa pretreatment, model pendugaan kadar minyak, ALB, dan
karoten tidak bisa digunakan sebagai model kalibrasi. Model PLS untuk kadar air
yang paling baik adalah dengan pretreatment DG1 yang menghasilkan nilai R2
sebesar 0.961, RPD 2.27 dan latent variable 4.
Kata kunci: Tandan Buah Segar (TBS), spektrum NIR, model kalibrasi,
kandungan ki kandungan kimia.
SUMMARY
ZAQLUL IQBAL. Prediction of Oil Palm Fresh Fruit Bunch (FFB) Chemical
Content Using NIR Spectroscopy. Supervised by SAM HERODIAN and
SLAMET WIDODO.
Condition of palm oil fruit before extracted is one of key factor to produce
good Crude Palm Oil (CPO). Negative effect will appear if not-ripe fruit
extracted. Unripe fruit has lower oil content compare with ripe fruit, so it can
decrease total oil yield. Meanwhile, over ripe fruit has Free Fatty Acid (FFA)
high above normal that can decrease the quality of oil. Nowadays prediction of
Fresh Fruit Bunch (FFB) palm oil fruit ripeness done by seeing how many
fruitlets detached from FFB fall down on the ground. However, not all FFB
detach their fruitlets easily or the fruitlets stuck at frond, therefore the prediction
result can be confusing.
The aim of this research was to develop NIR calibration model of some FFB
chemical contents that can be a standard of ripe fruit to replace conventional
ripeness prediction method. There were four steps of the research, the first was
sample preparation. The second was NIR data aquisition of 60 samples by using
NIRFlex N-500. The third was collecting chemical data specifically oil content,
free fatty acid (FFA), water content, and carotene from each sample. The fourth
was developing NIR calibration model using Principal Component Analysis
(PCA) and Partial Least Square (PLS). Pretreatment of NIR spectra was applied
to increase reliability of model. In this research pretreatment First Derivative
Savitzky Golay (DG1), Multiplicative Scatter Correction (MSC), Standard Normal
Variate (SNV), and Orthogonal Signal Correction (OSC) were used.
The result showed that PCA could distinguish the whole sample into two
major grups namely grup with 4 month of ripeness and 5, 6, and 7 month of
ripeness. PLS model without using pretreatment resulted R2 for the oil content
was 0.031, FFA was 0.236, and carotene was 0.490. Although it had already used
some additional pretreatments, PLS models could not be used as a calibration
model. PLS model of water content was good after using pretreatment. The best
PLS model of water content was developed by using DG1 with R 2 0.961, RPD
2.27, and latent variable 4.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
PENDUGAAN KANDUNGAN KIMIA TANDAN BUAH SEGAR
(TBS) KELAPA SAWIT MENGGUNAKAN SPEKTROSKOPI NIR
ZAQLUL IQBAL
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Teknik Mesin Pertanian dan Pangan
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji Luar Komisi pada Ujian Tesis : Dr Ir Y Aris Purwanto, MSc
Judul Tesis : Pendugaan Kandungan Kimia Tandan Buah Segar (TBS) Kelapa
Sawit Menggunakan Spektroskopi NIR
Nama : Zaqlul Iqbal
NIM : F151130186
Disetujui oleh
Komisi Pembimbing
Diketahui oleh
Segala puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala
atas rahmat dan karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan.
Topik penelitian yang diambil adalah Spektroskopi NIR dengan judul Pendugaan
Kandungan Kimia Tandan Buah Segar (TBS) Kelapa Sawit Menggunakan
Spektroskopi NIR.
Atas diselesaikannya karya ilmiah ini penulis ingin menyampaikan
penghargaan dan terima kasih yang sebesar-besarnya kepada :
1. Orang tua dan keluarga yang senantiasa melimpahkan do’a, semangat dan
kasih sayang hingga tesis ini terselesaikan
2. Dr Ir Sam Herodian, MS selaku ketua komisi pembimbing dan Dr Slamet
Widodo, STP MSc selaku anggota komisi pembimbing yang selalu
memberikan bimbingan, arahan, dan masukan dalam menyelesaikan tesis
ini.
3. Program Studi Teknik Mesin Pertanian dan Pangan serta Fakultas
Teknologi Pertanian yang telah membantu dan memberikan izin
pelaksanaan penelitian.
4. Perkebunan PTPN VIII yang telah memberikan izin dalam penyediaan
sampel TBS kelapa sawit
5. Rekan-rekan Laboratorium TPPHP dan seluruh teman-teman TMP
angkatan 2012 yang selalu memberikan masukan dan semangat selama
penyusunan tesis ini.
Penulis menyadari sepenuhnya bahwa penyusunan tesis ini masih belum
sempurna. Untuk itu penulis mengharapkan kritik dan saran dari semua pihak
sebagai upaya perbaikan selanjutnya, serta penulis berharap semoga tesis ini dapat
bermanfaat bagi kita semua.
Zaqlul Iqbal
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Batasan Masalah 2
2 TINJAUAN PUSTAKA 3
3 METODE 10
Waktu dan Tempat 10
Alat dan Bahan 10
Metode Penelitian 11
Persiapan Sampel 12
Pengukuran Spektrum NIR 12
Pengukuran Kandungan Kimia 13
Kadar Minyak 13
Kandungan ALB (Asam Lemak Bebas) 13
Kadar Air 13
Kandungan Total Karoten 14
Pengembangan Model Kalibrasi Menggunakan Metode PCA dan PLS 14
4 HASIL DAN PEMBAHASAN 15
Kandungan Kimia TBS Kelapa Sawit Secara Destruktif 15
Karakteristik Spektrum NIR TBS Kelapa Sawit 19
Analisis Spektrum NIR dengan Metode PCA 21
Kalibrasi Kuantitatif Spektrum NIR dengan Metode PLS 23
5 SIMPULAN DAN SARAN 28
Simpulan 28
Saran 28
DAFTAR PUSTAKA 29
RIWAYAT HIDUP 38
DAFTAR TABEL
1 Fraksi matang panen pada tanaman kelapa sawit 4
2 Daerah spektrum inframerah 5
3 Deskripsi statistik kadar minyak TBS kelapa sawit 23
4 Deskripsi statistik ALB TBS kelapa sawit 24
5 Deskripsi statistik kadar air TBS kelapa sawit 25
6 Deskripsi statistik total karoten TBS kelapa sawit 27
DAFTAR GAMBAR
1 Bagian-bagian buah kelapa sawit 3
2 Grafik perkembangan kandungan minyak di tiap minggu 4
3 Indikasi ikatan kimia terhadap spektrum NIR 5
4 Set alat spektrometer NIRFlex N-500 7
5 Konfigurasi penyinaran inframerah pada sampel 8
6 Diagram alir proses penelitian 11
7 Fiber optic solid NIRFlex N-500 12
8 Grafik kadar minyak TBS kelapa sawit 16
9 Grafik kadar ALB TBS kelapa sawit 17
10 Grafik kadar air TBS kelapa sawit 17
11 Perkembangan kadar minyak (A) dan kadar air (B) terhadap umur buah
sawit 18
12 Kadar minyak vs kadar air 18
13 Grafik total karoten TBS kelapa sawit 19
14 Ikatan molekul trigliserida 20
15 Spektrum absorban NIR kelapa sawit 20
16 Scatter plot data spektrum original (A), pretreatment SNV (B),
pretreatment MSC (C), dan pretreatment DG1 (D) 21
17 Hasil analisis PCA (A) tanpa pretreatment dan (B) dengan DG1 22
18 Hasil analisis PCA (A) SNV dan (B) dengan MSC 22
19 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment kadar minyak 23
20 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment ALB 24
21 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment kadar air 25
22 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment total karoten 27
DAFTAR LAMPIRAN
Lampiran 1. Grafik analisis PLS kadar minyak dengan pretreatment 32
Lampiran 2. Grafik analisis PLS ALB dengan pretreatment 33
Lampiran 3. Grafik analisis PLS kadar air dengan pretreatment 34
Lampiran 4. Grafik analisis PLS total karoten dengan pretreatment 36
1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
1. Buah mentah dan lewat matang masih sering ikut dipanen sehingga
berimplikasi pada menurunnya rendemen dan kualitas CPO
2. Kesalahan penentuan kematangan TBS kelapa sawit masih sering terjadi
3. Perkembangan industri minyak kelapa sawit menuntut peningkatan hasil
rendemen dan kualitas minyak.
4. Terdapat metode spektroskopi NIR yang berpotensi memperbaiki cara
menentukan kualitas TBS kelapa sawit
Tujuan Penelitian
Tujuan umum dari penelitian ini adalah untuk mengkaji penggunaan NIR
spektroskopi dalam penentuan kondisi panen optimum TBS, dengan tujuan khusus:
1. Menganalisis karakteristik spektrum NIR TBS kelapa sawit terhadap
sampel dengan berbagai umur panen
2. Melakukan analisis kualitatif untuk melihat pengelompokan tingkat
kematangan TBS kelapa sawit
3. Membangun model kalibrasi untuk NIR untuk memprediksi kadar minyak,
ALB, kadar air, dan karoten
Batasan Masalah
3. Pengindikasian ikatan kimia pada spektrum NIR TBS kelapa sawit didasari
pada literatur pendukung
4. Analisis data spektrum yang dilakukan adalah analisis kualitatif dengan
metode Principal Component Analysis (PCA) dan analisis kuantitatif
dengan metode Partial Least Square (PLS)
2 TINJAUAN PUSTAKA
Kelapa Sawit
Mesokarp
Endokarp
Kernel
Eksokarp
yang terbentuk atas molekul gliserol dan digliserol. Selain komponen mayor,
terdapat pula komponen minor minyak sawit seperti fosfatida, sterol, pigmen,
tokoferol dan logam (Sambanthamurthi 2000). Kandungan minyak buah sawit
terbentuk secara signifikan mulai dari minggu ke 15 dan terus meningkat hingga
minggu ke-20 (Gambar 2) (Flingoh & Zukarinah (1989) dalam Razali (2012)).
Spektrum infra merah terletak pada daerah dengan panjang gelombang dari
0.78 – 1000 µm atau bilangan gelombang dari 12 800 sampai 10 cm-1. Dilihat dari
segi aplikasi dan instrumentasi spektrum inframerah dibagi ke dalam tiga jenis
radiasi yaitu infra merah dekat, infra merah pertengahan, dan infra merah jauh.
Daerah spektrum infra merah dapat dilihat pada Tabel 2.
Aplikasi spektroskopi infra merah sangat luas baik untuk analisis kualitatif
maupun kuantitatif. Kegunaan yang paling penting adalah untuk identifikasi
senyawa organik karena spektrumnya sangat kompleks terdiri dari banyak
puncak-puncak. Dan juga spektrum infra merah dari senyawa organik mempunyai
sifat fisik yang karakteristik artinya kemungkinan dua senyawa mempunyai
spektrum sama adalah kecil (Nur 1989). Korelasi antara spektrum infra merah
terhadap stuktur kimia tersaji pada Gambar 3 (Osborne et al. 1986).
c
V (1)
1
(2)
dp (3)
2 n IRE sin 2 (nsmp / n IRE ) 2
7
l
T (4)
lo
Nilai I adalah intensitas energi yang keluar dari sampel, dan Io adalah
energi yang mengenai sampel. Menurut hukum Beer-Lambert, jumlah intensitas
yang diserap oleh bahan atau Absorbance (A) dinyatakan dengan persamaan :
l l
log 10 o log 10 kcl A (5)
l T
1
A log 10 (6)
R
NIR, semakin besar kandungan kimia suatu bahan pertanian, maka penyerapan
akan semakin besar atau puncak gelombangnya semakin tinggi.
Konfigurasi dasar suatu spektrofotometer terdiri atas transmitan dan
pantulan (reflektan) cahaya yang tersaji pada Gambar 5. Untuk produk yang
bersifat tidak tembus cahaya dan buram, pancaran radiasi akan dipantulkan seperti
pada cermin. Jika permukaan sampel bersifat tidak rata, maka sudut pantulan
radiasi tidak akan sama seperti sudut datangnya radiasi (Osborne et al. 1986).
Bahan yang kaya akan kandungan kimia, memilik ketebalan tinggi, dan bersifat
tidak tembus cahaya akan menyerap cahaya yang mengenainya dalam jumlah
besar. Serapan cahaya (absorption) inilah yang digunakan sebagai dasar dalam
menjabarkan karakteristik pada bahan.
komponen utama kedua tegak lurus terhadap komponen utama pertama dan
memiliki variasi terbesar berikutnya (Miller & Miller 1984).
PLS digunakan untuk memperkirakan serangkaian peubah tidak bebas
(respons) dari peubah bebas (prediktor) yang jumlahnya sangat banyak, memiliki
struktur sistematik linear atau nonlinear, dengan atau tanpa data yang hilang, dan
memiliki kolinearitas yang tinggi (Hervey 2000). Bila jumlah prediktor X jauh
lebih besar dibandingkan dengan jumlah pengamatan Y, pendekatan regresi akan
sulit diterapkan karena adanya multikolinearitas pada data. Permasalahan ini
diatasi dengan menentukan komponen utama dari matriks X, yang selanjutnya
digunakan sebagai regresor pada Y. Peubah-peubah X yang memiliki korelasi
yang tinggi dengan peubah respons diberi bobot lebih karena akan lebih efektif
dalam perkiraan (Miller & Miller 2000).
X k Mean ( X ) (7)
Xk
SD ( X )
3 METODE
Penelitian ini dilakukan mulai bulan Mei 2014 sampai Agustus 2014, di
Laboratorium Teknik Pengolahan dan Hasil Pertanian (Lab. TPPHP), Departemen
Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, dan Balai Besar
Pasca Panen, Bogor.
Bahan penelitian adalah TBS kelapa sawit klon Sungai Pancur (SP) yang
ditentukan dari pohon dengan umur panen 4, 5, 6, dan 7 bulan dihitung mulai
terbentunya brondol sawit berdasarkan penaksiran mandor panen. Dalam
menentukan kematangan, mandor panen juga melihat warna dan jumlah brondol
yang jatuh ke tanah. Masing-masing umur terdiri dari 15 sampel TBS, sehingga
total sampel berjumlah 60. TBS berasal dari Perkebunan Cikasungka PTPN 8,
Bogor, Jawa Barat. Peralatan yang digunakan untuk akuisisi data spektrum NIR
adalah Spektrometer NIRFlex N-500 dengan panjang gelombang 1000-2500 nm.
Untuk menganalisis spektrum dengan metode PCA dan PLS digunakan software
The Unscrambler X 10.3.
11
Metode Penelitian
Diagram alir dari penelitian ini dapat dilihat Gambar 6. Berikut ini metode
yang digunakan dalam penelitian.
8
Mulai
Persiapan sampel
Model Tidak
memenuhi syarat
Ya
Tidak R2 tinggi
RPD > 2
RMSE kecil
Ya
Selesai
Persiapan Sampel
Jumlah TBS yang digunakan adalah 60 buah dengan empat umur panen
berbeda (4,5,6, dan 7 bulan) dimana masing-masing umur panen berjumlah 15
TBS. Sampel yang diambil berupa brondol (buah sawit kecil) dilepaskan dari
bagian bawah dari TBS kelapa sawit. Dalam satu TBS, total brondol yang diambil
mengikuti jumlah minimum yang dibutuhkan untuk pengujian kandungan kimia,
yaitu 33 brondol. Sebanyak 6 butir untuk pengujian kadar air dan masing-masing
9 butir untuk pengujian kadar minyak, ALB, dan karoten. 5 TBS diambil setiap
paginya selama 12 hari kerja. Dari TBS tersebut akan dipilih brondol yang
berkondisi baik dan masih melekat pada TBS. Brondol tersebut kemudian di
tempatkan pada cool box dengan tambahan ice gel untuk menjaga sampel agar
tetap sejuk dan terhindar dari paparan panas selama transportasi.
Sampel yang tiba di Laboratorium TPPHP akan segera dibersihkan dari
kotoran dan langsung diambil data spektrumnya. Kemudian sebagian sampel akan
diuji kadar airnya secara mandiri dan sisa sampel dibawa ke Laboratorium Balai
Besar Pasca Panen, Bogor untuk pengujian kadar minyak, ALB, dan total karoten.
Pengerjaan dari pengambilan sampel hingga pengujian kadar air serta transportasi
sampel ke Laboratorium Balai Besar Pasca Panen, Bogor dilakukan kurang dari
12 jam setiap harinya agar informasi spektrum dan data kimianya
merepresentasikan kondisi buah segar.
1. Kadar Minyak
Kandungan lemak atau minyak merupakan komponen yang dominan pada
buah sawit. Sehingga ini merupakan salah satu parameter penting diukur karena
kemungkinan besar dapat menyatakan kematangan buah sawit yang dominan
perubahannya. Serat brondol sawit diiris sampai terpisah dari kernel. Kemudian
diperas dengan menggunakan kain. Minyak yang tersaring diletakkan dalam labu
lemak sesuai alat ekstraksi soxhlet.
Sampel sebanyak 1–2 g dimasukkan dalam selongsong kertas yang dialasi
kapas. Kemudian selongsong tersebut disumbat dengan kapas dan dikeringkan
dalam oven pada suhu ≤ 80oC selama sekitar satu jam. Lalu sampel dimasukkan
ke dalam labu lemak berisi batu didih yang telah dikeringkan dan telah diketahui
bobotnya. Sampel diekstrak dengan heksana selama 7 jam. Kemudian heksana
disuling dan ekstrak sampel dikeringkan pada oven pengering pada suhu 105 oC,
lalu didinginkan dan ditimbang. Proses tersebut diulangi hingga mencapai bobot
tetap. Setelah itu lakukan perhitungan dengan Persamaan 8 (SNI 01-2891-1992).
W W1
% kadar m inyak x100 % (8)
W2
Dimana :
W = Bobot sampel, dalam gram
W1 = Bobot lemak sebelum ekstraksi, dalam gram
W2 = Bobot labu lemak sesudah ekstraksi dalam gram
M xV xT
% ALB (9)
10 x m
Dimana :
V = Volume NaOH yang diperlukan dalam penitaran dalam ml
T = Normalitas NaOH
m = Bobot contoh, dalam gram
M = Bobot melekul asam lemak
3. Kadar Air
Pengukuran kadar air dilakukan di Laboratorium TPPHP dengan
menggunakan metode oven. Langkah awal dalam pengukuran kadar air sampel
adalah dengan mengeringkan cawan kosong di dalam oven bersuhu 105 oC selama
14
a b
m x100% (10)
a
Dimana :
m = Kadar air sampel dalam basis basah (%b.b.)
a = Berat sampel sebelum dikeringkan (gram)
b = Berat sampel setelah dikeringkan (gram)
4. Kandungan Karoten
Pengukuran total karoten dilakukan dengan metode berdasarkan panduan
analisis pangan oleh Apriyantono (1989) di Balai Besar Pascapanen. Sebanyak 9-
15 sampel dicacah serabutnya dan dicampur. Kemudian sebanyak 5 gr sampel
dimasukkan dalam labu erlemeyer dan ditambah 100 ml larutan Aceton:Hexan
(40:60) dan dikocok. Sampel didiamkan 1 malam dan disaring, lalu dicuci dengan
campuran 25 ml aceton dan 25 ml Hexan. Kemudian dimasukkan ke dalam labu
pisah dan dicuci dengan air suling. Ambil fasa organik dan tambahkan 9 ml aceton
dan ditera hingga 100 ml (C) dengan hexan. Kocok dan ukur dengan spektro pada
panjang gelombang 436 nm, lalu ukur standar karoten sebagai β karoten. Hitung
total karoten dengan Persamaan 11 (Apriyantono 1989).
C x V x P x 100
mikrogram karoten / 100 gr (11)
bobot sampel
Dimana :
C = Nisbah absorban spektroskopi dengan slope pada diagram
spektroskopi
V = Fasa organik + 9 ml aceton + hexan hingga 100 ml
P = Volume pengencer (jika dibutuhkan)
SD
RPD (12)
RMSEP
100
Kadar minyak rata-rata (% minyak)
90
80
70
60
50
40
30
20
10
0
3 4 5 6 7 8
Umur panen (bulan)
Gambar 8 Grafik kadar minyak TBS kelapa sawit
Rata-rata komposisi asam lemak bebas kelapa sawit didominasi oleh asam
lemak palmitat dan oleat. Saat buah dipotong maka terjadi kerusakan pada sel-sel
sehingga enzim lipase mulai bekerja dan merusak molekul lemak. Kecepatan
hidrolisa oleh enzim lipase yang terdapat dalam jaringan relatif lambat pada suhu
rendah, sedangkan pada kondisi yang cocok, proses hidrolisis oleh enzim lipase
akan lebih intensif dibandingkan dengan enzim lipotik yang dihasilkan oleh
bakteri. Reaksi hidrolisis tersebut terjadi akibat adanya sejumlah air pada minyak
(Ketaren 1986).
Pengujian pada sampel menunjukkan nilai antara 0.409% hingga 38.357%
dengan standar deviasi 3.61. Dari Gambar 9, terlihat bahwa konsentrasi ALB pada
sampel sangat bervariasi. Mulai umur 4 bulan menuju 6 bulan, kandungan ALB
cenderung menurun. Hal tersebut dapat disebabkan akibat kadar air menurun
sampai bulan ke 6 yang menyebabkan reaksi hidrolisis menurun dan
menyebabkan ALB yang dihasilkan ikut menurun. namun dari umur 6 bulan
menuju 7 bulan ALB meningkat secara drastis.
Meskipun kadar air pada sampel bulan ke 7 lebih rendah dari bulan ke 4
atau ke 5, sampel bulan ke 7 yang diambil merupakan sampel lewat matang atau
sedang mengalami fase pembusukan. Menurut Ketaren (1986), beberapa jamur
dan bakteri juga ikut andil dalam menghidrolisis molekul lemak, sehingga pada
sampel tersebut terjadi 2 proses hidolisis oleh air dan organisme pembusuk yang
menyebabkan kadar ALB kembali meningkat.
17
100
90
80
Air merupakan salah satu parameter yang menentukan bahwa buah kelapa
sawit telah matang atau tidak. Sehingga parameter ini cukup penting untuk diuji
dalam penelitian. Standar kadar air untuk buah yang matang adalah sebesar 27%
(Ketaren 1986). Berdasarkan hasil pengukuran pada 4 umur kematangan TBS
kelapa sawit didapatkan kandungan kadar air berada diantara 22.05% - 86.15%
dengan standar deviasi 17.27.
Pada Gambar 1 terlihat bahwa kadar air menurun cukup besar dari umur
panen 4 bulan ke umur panen 5 bulan, lalu pada umur panen 6 bulan sampai 7
bulan, kadar air mengalami penurunan yang tidak terlalu besar. Menurut
Keshvadi.et al (2012), semakin meningkat usia buah maka semakin berkurang
kandungan airnya. Penurunan kadar air di tiap umurnya juga diikuti oleh
peningkatan kadar minyak. Pada bulan ke 4, terlihat bahwa variasi data tinggi jika
dibandingkan bulan ke 5, 6 atau 7. Hal tersebut dapat disebkan akibat sampel di
umur 4 bulan dekat dengan umur 3 bulan yang memiliki kadar air lebih tinggi dari
umur 4 bulan.
100
90
Kadar air rata-rata (% bb)
80
70
60
50
40
30
20
10
0
3 4 5 6 7 8
Umur panen (bulan)
Gambar 10 Grafik kadar air TBS kelapa sawit
18
Gambar 11 Perkembangan kadar minyak (A) dan kadar air (B) terhadap
umur buah sawita
a
Keshvadi 2012
Kadar minyak rata-rata (% minyak)
70
y = 36.01e-0.01x
60
R² = 0.704
50
40
30
20
10
0
20 30 40 50 60 70
Kadar air rata-rata (% bb)
Gambar 12 Kadar minyak vs kadar air
Minyak kelapa sawit juga memiliki komponen minor, salah satunya adalah
karoten. Karoten merupakan salah satu komponen kimia yang berperan dalam
perubahan warna buah sawit menjadi jingga kemerahan. Sama halnya dengan
kadar air, parameter ini juga memiliki nilai standar untuk buah matang. Standar
karoten untuk buah kelapa sawit matang adalah sebesar sebesar 500-700 ppm atau
0.05-0.07% (Ketaren 1986). Secara visual buah sawit mengalami perubahan
warna selama fase kematangan. Buah sawit mentah memiliki warna hitam,
kemudian berubah menjadi jingga kehitaman dan pada buah matang pada
19
0.25
total karoten rata-rata (%karoten)
0.2
0.15
0.1
0.05
0
3 4 5 6 7 8
Umur panen (bulan)
Gambar 13 Grafik total karoten TBS kelapa sawit
Berdasarkan pemindaian data spektrum NIR yang tersaji pada Gambar 15,
pada panjang gelombang tertentu, terdapat spektrum yang tumpang tindih.
Terdapat pula perbedaan tingkat reflektansi yang disebabkan karena sampel yang
diambil memiliki perbedaan tingkat usia kematangan. Data spektrum awal
merupakan reflektan hasil pengukuran. Spektrum reflektan perlu diubah menjadi
spektrum absorban untuk mempermudah dalam melihat puncak-puncak mana saja
yang terbentuk pada spektrum kelapa sawit. Pola spektrum NIR untuk kelapa
sawit memiliki puncak-puncak yang mengandung informasi kandungan kimia
pada sawit. Dari Gambar 15 terdapat puncak gelombang yang terlihat pada kisaran
panjang gelombang 1190-1219 nm, 1408-1470 nm, 1724 nm, 1886-1960 nm, dan
2380-2500 nm.
Kisaran panjang gelombang 1190-1219 nm memuat infromasi ikatan CH3
dan CH2. Pada 1408-1470 nm memuat informasi ROH, CH2, ikatan aromatik, Ar-
OH, CONH2, Pati, CH, dan ikatan O-H H2O. Panjang gelombang 1724 nm
memuat informasi CH dan CH2. Panjang gelombang 1886-1960 nm memuat
informasi pati, CO2H, P-OH, CONH, H2O, -CO-R, dan CONH2. Sedangkan pada
panjang gelombang 2380-2500 nm memuat informasi pati (Osborne et al. 1986).
20
R1COO CH2
R2COO CH
R3COO CH2
2 ROH
Aromatik
1.8 ArOH
CH3 CONH2 CH
1.6 CH2 CH, OH CH2
1.4
1.2
Absorban
1
0.8
0.6
OH
0.4 CO2H ROH
pOH Pati
0.2 CO-R
CONH2
0
1000 1111 1250 1429 1667 2000 2500
Panjang gelombang (nm)
Gambar 15 Spektrum absorban NIR kelapa sawit
21
Sebelum dilakukan analisis PCA dan PLS data spektrum diubah ke dalam
scatter plot untuk melihat apakah spektrum memerlukan pretreatment untuk
memperbaiki data. Dari Gambar 16 terlihat bahwa scatter plot pada spektrum
original terdapat sampel yang tumpang tindih yang dapat diperbaiki dengan
penambahan DG1. Perubahan data juga terlihat tidak sejajar dari rata-rata
spektrum awal hingga akhir yang menandakan adanya multiplicative effect dan
dapat diperbaiki dengan penambahan pretreatment MSC atau SNV. Dalam
analisis PLS, akan ditambahkan pula pretreatment OSC yang mampu
mengeliminasi seluruh data dari predictors (spektrum) terhadap respons (data
kimia) yang tidak memiliki hubungan, sehingga memungkinkan perbaikan dalam
pengembangan model.
A B
C D
Gambar 16 Scatter plot data spektrum original (A), pretreatment SNV (B),
pretreatment MSC (C), dan pretreatment DG1 (D)
kelompok umur 4 bulan lebih memisah jauh dari umur lainnya, akan tetapi umur 5,
6, dan 7 bulan tetap berada dalam satu kelompok.
1.5 0.015
1 A B
0.01
0.5
PC 2 (15%)
PC 2 (12%)
0.005
0
0
-0.5
-1 -0.005
-1.5 -0.01
-4 -2 0 2 4 -0.04 -0.02 0 0.02
PC 1 (84%) PC 1 (80%)
4 bulan 5 bulan 6 bulan 7 bulan 4 bulan 5 bulan 6 bulan 7 bulan
Gambar 17 Hasil Analisis PCA (A) tanpa pretreatment dan (B) dengan DG1
1.5 1.5
1 A 1 B
0.5 0.5
PC 2 (15%)
PC 2 (7%)
0
0
-0.5
-0.5
-1
-1.5 -1
-2 -1.5
-4 -2 0 2 4 6 8 -4 -2 0 2 4
PC 1 (89%) PC 1 (84%)
4 bulan 5 bulan 6 bulan 7 bulan 4 bulan 5 bulan 6 bulan 7 bulan
Gambar 18 Hasil Analisis PCA (A) dengan SNV dan (B) dengan MSC
60 60
A
Kadar minyak prediksi (% minyak)
35B
Kadar minyak prediksi (% minyak)
50 50 30
R² cv = NA n = 20
n = 40
40 40 25
20
30 30
15 R² cal = 0.087
20 20 10 R² cv = 0.058
n = 60
10 10 5 RPD = 1.01
0 faktor = 1
0 0
0 20 40 60
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Kadar minyak aktual (% minyak)
Kadar minyak aktual (% minyak) Kadar minyak aktual (% minyak)
Gambar 19 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment kadar minyak
24
25 25
A R² kal = 0.236 B RPD = 1.27
R² cv = 0.148 n = 20
20 20
ALB prediksi (% ALB)
n = 40
ALB prediksi (% ALB)
15 15
10 10
5 5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
ALB aktual (% ALB) ALB aktual (% ALB)
Gambar 20 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment ALB
25
100 100
A B
Kadar air prediksi (% bb)
Kadar air prediksi (% bb)
80 80
60 60
40 40
R² kal = 0.908 RPD = 1.73
R² cv = 0.891 n = 20
20 20
n = 40
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Kadar air aktual (% bb) Kadar air aktual (% bb)
Gambar 21 (A) Kalibrasi dan (B) prediksi PLS tanpa pretreatment kadar air
26
0.5
0.5
A R² kal = 0.49 B
0.4 R² cv = 0.40 RPD = 1.2
0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
-0.1 -0.1
ALB aktual (% ALB) karoten aktual (% karoten)
Pada model dengan pretreatment SNV, model juga menjadi lebih baik
dengan R2 kalibrasi bernilai 0.46 dan R2 cross validation 0.369 dengan jumlah
latent variable 2. Pada model dengan pretreatment MSC, model menghasilkan R2
kalibrasi bernilai 0.49 dan R2 cross validation bernilai 0.45 dengan jumlah latent
variable 2. Model dengan pretreatment ini masih belum baik. Sama halnya
dengan MSC, model dengan pretreatment OSC masih belum baik dengan R2
kalibrasi bernilai 0.416 dan R2 cross validation 0.354 dengan jumlah latent
variable 2. Secara umum model yang dibangun baik dengan pretreatment maupun
tanpa pretreatment tidak mampu memprediksi karoten dengan baik.
Karoten yang merupakan komponen minor memang tidak menyumbang
komposisi yang besar, akan tetapi jika dilihat dari spektrum original, kandungan
yang tersusun atas ikatan CH3 seharusnya terindikasi di panjang gelombang infra
merah dekat. Salah satu hal yang menyebabkan buruknya model yang dibentuk
adalah ketika akuisisi data NIR, karoten yang menyumbang warna merah-jingga
tampak jelas di permukaan kulit sawit. Selain itu faktor kurangnya sampel yang
digunakan dapat menyebabkan model yang dibentuk tidak baik.
28
Simpulan
Saran
1. Model pendugaan kadar minyak, ALB, dan total karoten TBS kelapa sawit
dapat dikembangkan dengan menambah jumlah sampel di masing-masing
umur panen. Disamping itu pengujian destruktif perlu dipercepat sehingga
rentang waktu antara akuisisi data spektrum dengan data kimia cukup
dekat dan menghasilkan data kimia yang lebih real time.
2. Selain penambahan jumlah sampel, perlu dilakukan analisis lain seperti
ANN.
3. Konfigurasi scanning reflektan spektrometer perlu diatur ulang sehingga
informasi kandungan minor pada TBS seperti ALB dan total karoten masih
dapat dianalisis dengan baik.
4. Pendugaan minyak TBS dapat dilakukan secara tidak langsung dengan
menggunakan model PLS kadar air dan mengacu pada korelasi kadar air
dengan kadar minyak.
29
DAFTAR PUSTAKA
McGlone VA, Jordan RB, and Martinsen PJ. 2002. Vis/NIR Estimation at Harvest
of Pre- and Post-Storage Quality Indices for ‘Royal Gala’ Apple.
Postharvest Biology and Technology. 25(1):135-144
Miller JC and Miller JN. 2000. Statistics and Chemometrics for Analytical
Chemistry. Ed Ke-4. Harlow: Pearson Education.
Moghimi A, Aghkhani MH, Sazgarnia A, and Sarmad M. 2010. Vis/NIR
Spectroscopy and Chemometrics for the Prediction of Soluble Solids Content
and Acidity (pH) of Kiwifruit. Biosystem Engineering. 106(1):295-
302.doi:10.1016/j.biosystemseng. 2010.04.002
Moscetti R, Haff RP, Stella E, Contini M, Monarca D, Cecchini M, and
Massantini R. 2015. Feasibility of NIR Spectroscopy to Detect Olive Fruit
Infested by Bactrocera Oleae. Postharvest Biology and Technology.
99(1):58-62.doi:10.1016/j.postharvbio.2014.07.015
Munck L and Moller B. 2005. Principal Component Analysis of Near Infrared
Spectra as a Tool of Endosperm Mutant Characterisation and in Barley
Breeding for Quality. Czech J. Genet. Plant Breed. 41(3):89-95
Murray I, Williams PC. 1990. Chemical Prinsiple of Near-Infrared Technology.
Di dalam: Williams P, Norris K, editor. Near-Infrared Technology in the
Agricultural and Food Industries. Ed ke-2. St. Paul, Minnesota, USA. Hlm
18.
Nur MA, Adijuwana H. 1989. Teknik Spektroskopi dalam Analisis Biologis.
Departemen Pendidikan dan Kebudayaan Direktorat Jenderal Pendidikan
Tinggi: Pusat Antar Universitas Institut Pertanian Bogor.
Omayma AE and Abdel NBS. 2013. Carotenoids. Journal of Pharmacognosy and
Phytochemistry. 2(1):225-234.
Osborne BG, Fearn T, and Hindle PH. 1993. Practical NIR Spectroscopy With
Application in Food and Baverage Analysis. Singapore: Longman Singapore
Publishers (Pte) Ltd.
PPKS. 2006. Panen pada Tanaman Kelapa Sawit.
PPKS. 2014. Buah Sawit. [internet]. [diacu 2014 Juli 8]. Tersedia dari:
http://www.iopri.org/varietas.html.
Razali AS, Halim MA, and Abidin SZ. 2012. A Review on Crop Plant Production
and Ripeness Forecasting. International Joural of Agriculture and Crop.
4(2):54-63.
Sambanthamurthi R , Sundram K, and Tan AT. 2000. Chemistry and Biochemistry
of Palm Oil. Progress in Lipid Research. 39(1):507-558.
Saranwong S, Sornsrivichai J, and Kawano S. 2004.Prediction of Ripe-Stage
Eating Quality Of Mango Fruit From Its Harvest Quality Measured
Nondestructively by Near Infrared Spectroscopy. Postharvest Biology and
Technology. 31(1):137–145. doi:10.1016/j.postharvbio.2003.08.007.
Setnica V. 2014. FT-IR Reflection Techniques. [internet]. [diacu 2015 Januari 29].
Tersedia.dari:.http://old.vscht.cz/anl/vibspec/FTIR%20Reflection %20Tech
niques.pdf
Steuer B, Schulz H, and Läger E.2001. Classification and Analysis of Citrus Oils
by NIR Spectroscopy. Food Chemistry. 72(1):113-117.
William P dan Norris K. 1990. Near infrared technology in the agricultural and
food industries.American Association of Cereal Chemist, Inc, St. Paul. USA.
31
6035 6030
Kadar minyak prediksi (% minyak)
Grafik (A) Kalibrasi dan (B) prediksi PLS + DG1 kadar minyak
60 60
B
Kadar minyak prediksi (% minyak)
30 30
20 20
10 10
0 0
0 20 40 60 0 10 20 30 40 50 60
Grafik (A) Kalibrasi dan (B) prediksi PLS + SNV kadar minyak
60 60
B
Kadar minyak prediksi (% minyak)
30 30
20 20
10 10
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Kadar minyak aktual (% minyak) Kadar minyak aktual (% minyak)
Grafik (A) Kalibrasi dan (B) prediksi PLS + MSC kadar minyak
33
60 60
A B
30 30
20 20
10 10
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Kadar minyak aktual (% minyak) Kadar minyak aktual (% minyak)
Grafik (A) Kalibrasi dan (B) prediksi PLS + OSC kadar minyak
25 25
A R² kal = 0.227 B RPD = 1.23
20 R² cv = 0.136 n = 20
20
ALB prediksi (% ALB)
n = 40
ALB prediksi (% ALB)
15 15
10 10
5 5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
ALB aktual (% ALB) ALB aktual (% ALB)
Grafik (A) Kalibrasi dan (B) prediksi PLS + DG1 ALB
25 25
A R² kal = 0.034 B RPD = 1.03
R² cv = NA n = 20
20 20
ALB prediksi (% ALB)
ALB prediksi (% ALB)
n = 40
15 15
10 10
5 5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
ALB aktual (% ALB) ALB aktual (% ALB)
25 25
A R² kal = 0.034 B RPD = 1.03
20 R² cv = NA 20 n = 20
ALB prediksi (% ALB)
15 15
10 10
5 5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
15 15
10 10
5 5
0 0
0 5 10 15 20 25 0 5 10 15 20 25
ALB aktual (% ALB)
ALB aktual (% ALB)
100 100
A B
Kadar air prediksi (% bb)
80 80
60 60
40 R² kal = 0.973 40
RPD = 2.12
R² cv = 0.938
n = 20
20 n = 40 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Grafik (A) Kalibrasi dan (B) prediksi PLS + DG1 kadar air
35
100 100
Kadar air prediksi (% bb) A B
60 60
40 R² kal = 0.928 40
RPD = 3
R² cv = 0.900
n = 20
20 n = 40 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Grafik (A) Kalibrasi dan (B) prediksi PLS + SNV kadar air
100 100
A B
80 80
60 60
40 40
R² kal = 0.913
R² cv = 0.888 RPD = 3.43
20 20 n = 20
n = 40
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Grafik (A) Kalibrasi dan (B) prediksi PLS + MSC kadar air
100 100
A B
Kadar air prediksi (% bb)
80 80
60 60
40 40
R² kal = 0.974 RPD = 2.98
R² cv = 0.942 n = 20
20 n = 40 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Grafik (A) Kalibrasi dan (B) prediksi PLS + OSC kadar air
36
0.5 0.5
A B
R² kal = 0.494 RPD = 1.21
0.4
Karoten prediksi (% karoten)
R² cv = 0.406 0.4 n = 20
0.2 0.2
0.1 0.1
0
0
0 0.1 0.2 0.3 0.4 0.5
0 0.1 0.2 0.3 0.4 0.5 -0.1
-0.1
Karoten aktual (% karoten) Karoten aktual (% karoten)
Grafik (A) Kalibrasi dan (B) prediksi PLS + DG1 total karoten
0.5 0.5
A B RPD = 1.21
R² kal = 0.46
n = 20
Karoten prediksi (%karoten)
R² cv = 0.37
Karoten prediksi (%karoten)
0.4 0.4
n = 39
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Karoten aktual (%karoten) Karoten aktual (%karoten)
Grafik (A) Kalibrasi dan (B) prediksi PLS + SNV total karoten
0.5 0.5
A R² kal = 0.49 B RPD = 1.38
Karoten prediksi (% karoten)
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Grafik (A) Kalibrasi dan (B) prediksi PLS + MSC total karoten
37
0.5 0.5
A B RPD = 1.21
R² kal = 0.416
Karoten prediksi (% karoten)
0.4 0.4
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Grafik (A) Kalibrasi dan (B) prediksi PLS + OSC total karoten
38
RIWAYAT HIDUP