dea permata sari (f14080083)

1

PENDUGAAN KOMPOSISI KIMIA BIJI JARAK PAGAR (Jatropha curcas L.) IP-3P DENGAN METODE NEAR INFRARED

(NIR)

SKRIPSI

DEA PERMATA SARI

F14080083

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

2012

2

PREDICTION OF CHEMICAL COMPOSITIONS OF JATROPHA CURCAS L. SEEDS IP-3P BY NEAR INFRARED (NIR) METHOD

Dea Permata Sari and I Wayan Budiastra Departement of Mechanical And Biosystem Engineering, Faculty of Agricultural Technology,

Bogor Agricultural University, IPB Dramaga Campus, PO Box 220, Bogor, West Java, Indonesia. Phone 62 251 8632327, e-mail : [email protected]

ABSTRACT

The objective of this study was to assess NIR method in predicting chemical compositions of Jatropha curcas L. seeds accurately. Parameters used in the chemical compositions of Jatropha curcas L. was moisture, free fatty acid, and fat contents. The wavelengths of near infrared reflectance, range from 1000 to 2500 nm were measured by NIRFlex Solids Petri Apparatus. Samples were divided into two parts, 46 samples (2/3 of total samples) for developing calibration equation and 23 samples (1/3 of total samples) for performing validation. Calibration methods which is used in this study are principal component regression (PCR) and partial least squares (PLS). Data treatments on the reflectance spectrum are used that is normalization between 0 to 1, first derivative Savitzky–Golay 9 points, and combination both of them. The judging for calibration can be inspected by precision (standard error of calibration and coefficient of variability should be as close to zero as possible), accuracy (V-set Bias should be as close to zero as possible), regression coefficient should be as close to one as possible. The standard error of calibration, coefficient of variability, V-set Bias, and regression coefficient by the PCR method with the combination by normalization between 0 to 1 and first derivative Savizky–Golay 9 points respectively were 0.64%, 15.69%, -0.08%, 59.50%, 0.46% for moisture contents, 0.09%, 11.51%, 0%, 73.17% for free fatty acid contents, and 3.27%, 8.91%, -0.56%, 36.63% for fat contents. The results of standard error of calibration, coefficient of variability, V-set Bias, regression coefficient by the PLS method with the combination by normalization between 0 to 1 and first derivative Savizky–Golay 9 points respectively were 0.27%, 6.51%, 0.01%, 94.27%, 0.73% for moisture contents, 0.05%, 6.60%, 0%, 92.05% for free fatty acid contents, and 2.17%, 5.88%, 0.01%, 77.47% for fat contents. The best calibration of NIR for moisture, free fatty acid,and fat contents using the PLS method and the data treatments of the combination by normalization between 0 to 1 and first derivative Savizky–Golay 9 points.

Keywords: near infrared spectroscopy, pcr, pls, jatropha curcas l. seeds

3

DEA PERMATA SARI. F14080083. Pendugaan Komposisi Kimia Biji Jarak Pagar (Jatropha curcas L.) IP-3P dengan Metode Near Infrared (NIR). Di bawah bimbingan I Wayan Budiastra. 2012

RINGKASAN

Bahan bakar minyak merupakan sumber energi yang dikonsumsi paling besar dibandingkan

sumber energi lainnya. Peningkatan laju konsumsi BBM yang tidak sejalan dengan produksi minyak bumi di dalam negeri yang semakin menurun sehingga perlu diambil langkah-langkah untuk mendapatkan sumber energi alternatif sebagai pensubstitusi bahan bakar fosil. Di Indonesia dengan jumlah penduduk yang semakin meningkat dari tahun ke tahun dan pertumbuhan ekonomi terus berlangsung, maka peningkatan kebutuhan energi adalah suatu hal yang tak bisa dihindari. Salah satu sumber energi terbarukan, yaitu minyak nabati dari biji jarak pagar.

Komposisi kimia yang dijadikan sebagai parameter mutu umum yang terdapat pada biji jarak pagar adalah kadar air, asam lemak bebas, dan kadar lemak. Parameter ini sangat penting karena akan menentukan proses, rendemen, dan kualitas biodiesel. Metode yang digunakan pada umumnya untuk mengetahui komposisi kimia suatu bahan dilakukan dengan cara analisis laboratorium dengan metode konvensional. Namun, hal tersebut cukup rumit, memerlukan waktu analisis yang lama, mahal, dan membutuhkan tenaga ahli intensif di samping membutuhkan ruangan yang luas sebagai laboratorium. Kendala dalam metode konvensional tersebut dapat diatasi dengan metode near infrared (NIR). Metode NIR dapat menduga komposisi kimia dari bahan pangan, produk hortikultura, dan pakan ternak dalam waktu yang cepat, teliti, lebih sederhana, tidak membutuhkan bahan-bahan kimia, dan ekonomis. Waktu pengukuran dengan menggunakan NIR sangat cepat (30 detik per sampel). Selain itu, biaya operasional yang dikeluarkan pun kecil karena pemakaian tenaga kerja yang sedikit, penggunaan listrik yang tidak begitu besar, dan tidak menggunakan bahan-bahan kimia yang harganya cenderung mahal. Penggunaan minyak nabati dari biji jarak pagar diharapkan dapat menjadi substitusi bahan bakar bensin sehingga harganya dapat menjadi lebih ekonomis. Tujuan umum dari penelitian ini adalah untuk menduga komposisi kimia (kadar air, kadar asam lemak bebas, dan kadar lemak) biji jarak pagar IP-3P (Improve Population – 3 Pakuwon) dengan metode NIR.

Spektroskopi inframerah dekat merupakan teknik spektroskopi yang menggunakan wilayah panjang gelombang inframerah pada spektrum elektromagnetik (780-2500 nm). Daerah inframerah dekat memiliki energi yang relatif rendah dan stabil dalam interaksi terhadap molekul-molekul (C-H, O-H, C-N, dan N-H) akan menimbulkan getaran (vibrasi) dan menyerap pada panjang gelombang tertentu. Kadar air memiliki ikatan O-H, asam lemak bebas dan kadar lemak memiliki ikatan C-H. Data yang diukur oleh near infrared adalah data reflektan (R). Data reflektan adalah data yang diperoleh dari proses pemantulan sampel tepung jarak pagar. Alat yang digunakan dalam penelitian ini, antara lain NIRFlex Solids Petri tipe N-500 merk BUCHI dan seperangkat komputer dengan software, seperti NIRWare Operator, NIRWare Management Console, dan NIRCal 5. Pengukuran kadar air, asam lemak bebas, dan kadar lemak biji jarak pagar dilakukan uji laboratorium dengan metode konvensional.

Jumlah sampel penelitian ini adalah 69 sampel biji jarak pagar IP-3P. Terdapat dua tahap, yaitu kalibrasi dan validasi. Sebanyak 2/3 dari jumlah sampel digunakan untuk tahap kalibrasi dan 1/3 dari jumlah sampel digunakan untuk tahap validasi. Sampel jarak pagar di dalam petri dish dilakukan pengukuran di NIR sebanyak 3 kali scan di titik yang berbeda sehingga terdapat 3 spektra untuk setiap sampel dengan data kimia yang sama. Data ketiga spektra tersebut dimasukkan ke dalam kalibrasi dan validasi yang telah ditentukan sehingga diperoleh 207 data spektra, dimana 138 data spektra untuk kalibrasi dan 69 data spektra untuk validasi. Metode kalibrasi yang digunakan adalah principal component regression (PCR) dan partial least squares (PLS). Pada tahap awal, kalibrasi dilakukan tanpa perlakuan data terhadap spektra, kemudian tahap kedua adalah kalibrasi diberikan perlakuan data (data treatment), yaitu normalisasi antara 0-1, derivatif pertama Savitzky-Golay setiap 9 titik, dan kombinasi dari normalisasi antara 0-1 dan derivatif pertama Savitzky-Golay setiap 9 titik.

Hasil kalibrasi terbaik diperoleh apabila nilai standar error (SE) dan koefisien keragaman (CV) dari kalibrasi dan validasi semakin kecil. Hasil analisis data NIR menunjukkan bahwa perlakuan data kombinasi dari normalisasi antara 0-1 dan derivatif pertama Savitzky-Golay setiap 9 titik dengan metode PLS merupakan hasil kalibrasi terbaik untuk pendugaan kadar air, asam lemak bebas, dan

4

kadar lemak biji jarak pagar IP-3P. Nilai standar error (SE) dan koefisien keragaman (CV) sebesar 0.27% dan 6.51% untuk kadar air, 0.06% dan 6.60% untuk asam lemak bebas, serta 2.17% dan 5.88% untuk kadar lemak. Nilai koefisien keragaman (CV) yang diperoleh masih cukup besar karena koefisien keragaman yang ideal sebesar 1-1.5%. Hal ini disebabkan oleh jumlah sampel yang terbatas (69 sampel). Keterbatasan sampel tersebut disebabkan oleh ketersediaan pada saat pengambilan bahan dan keterbatasan dana yang dikeluarkan untuk uji laboratorium. Oleh karena itu, perlu dilakukan penambahan sampel agar diperoleh akurasi yang lebih tinggi dan mengurangi nilai standar error serta koefisien keragaman yang dihasilkan.

5

PENDUGAAN KOMPOSISI KIMIA BIJI JARAK PAGAR

(Jatropha curcas L.) IP-3P DENGAN METODE NEAR INFRARED (NIR)

SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN pada Departemen Teknik Mesin dan Biosistem

Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh DEA PERMATA SARI

F14080083

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

2012

6

Judul Skripsi : Pendugaan Komposisi Kimia Biji Jarak Pagar (Jatropha curcas L.)

IP-3P dengan Metode Near Infrared (NIR) Nama : Dea Permata Sari NIM : F14080083

Menyetujui,

Dosen Pembimbing Akademik

(Dr. Ir. I Wayan Budiastra, M.Agr) NIP. 19611019 198601 1 002

Mengetahui, Ketua Departemen Teknik Mesin dan Bosistem

(Dr. Ir. Desrial, M.Eng) NIP. 19661201 199103 1 004

Tanggal Lulus :

7

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Pendugaan Komposisi Kimia Biji Jarak Pagar (Jatropha curcas L.) IP-3P dengan Metode Near Infrared (NIR) adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. 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 skripsi ini.

Bogor, Juli 2012

Dea Permata Sari F14080083

8

© Hak cipta milik Dea Permata Sari, tahun 2012 Hak cipta dilindungi

Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi,

mikrofilm, dan sebagainya

9

BIODATA PENULIS

Penulis bernama lengkap Dea Permata Sari, dilahirkan di Bogor, 14 Mei 1990, putri dari pasangan Zulkarnaen Abdul Karim dan Neneng Erna Wirawanti, sebagai putri ketiga dari tiga bersaudara. Penulis menamatkan pendidikan dasar pada tahun 2002 di SDN Polisi 4 Bogor, kemudian melanjutkan pendidikan menengah pertama di SMPN 6 Bogor pada tahun 2005. Pendidikan menengah atas penulis tamatkan tahun 2008 di SMAN 5 Bogor, Jawa Barat.

Pada tahun 2008 penulis memilih Program Studi Teknik Pertanian, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian di

Institut Pertanian Bogor. Penulis diterima di IPB melalui jalur Undangan Seleksi Masuk IPB. Selama mengikuti perkuliahan penulis pernah aktif mengikuti kegiatan kepanitiaan acara, seperti masa perkenalan departemen, SAPA 2010. Selain itu, mengikuti kepanitiaan acara RED’S CUP 2010.

Penulis melakukan Praktik Lapang (PL) pada tahun 2011 di PT Indolakto, Jakarta dengan judul “Teknik Pengolahan Susu Sterilisasi Kemasan Botol di PT Indolakto, Jakarta”. Sebagai salah satu syarat memperoleh gelar Sarjana Teknologi Pertanian, penulis menyelesaikan skripsi dengan judul “Pendugaan Komposisi Kimia Biji Jarak Pagar (Jatropha curcas L.) IP-3P dengan Metode Near Infrared (NIR)” di bawah bimbingan Dr. Ir. I Wayan Budiastra, M.Agr.

iii

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas karuniaNya sehingga penelitian dan skripsi ini berhasil diselesaikan. Penelitian dengan judul “Pendugaan Komposisi Kimia Biji Jarak Pagar (Jatropha curcas L.) IP-3P dengan Metode Near Infrared (NIR)” dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian sejak bulan Februari 2012 hingga April 2012.

Dengan telah selesainya penelitian hingga tersusunnya skripsi ini, penulis ingin menyampaikan penghargaan dan terima kasih yang sebesar-besarnya kepada:

1. Dr. Ir. I Wayan Budiastra, M.Agr selaku dosen pembimbing akademik atas bimbingannya selama

penelitian dan penyusunan skripsi. 2. Prof. Dr. Ir. Armansyah H. Tambunan, M.Agr dan Dr. Ir. Rokhani Hasbullah, M.Si selaku dosen

penguji yang telah memberikan saran demi terselesaikannya perbaikan skripsi ini. 3. Ayah Zulkarnaen Abdul Karim, ibu Neneng Erna Wirawanti, kakak-kakak (Mia Megasari, Oky

Rifky Saputra, dan Gilang Purnama), serta keponakan tercinta (Shakila Nayla Putri) yang memberikan dorongan, motivasi, dan doa kepada penulis.

4. Ibu Lady Corrie Emma Ch. Lengkey selaku mahasiswi S3 partner penelitian tentang NIR, Ibu Andasuryani selaku mahasiswi S3.

5. Pak Sulyaden selaku teknisi Lab. TPPHP dan Pak Wahid selaku teknisi Lab. Biokimia Pangan atas bantuannya selama penelitian.

6. Pak Andi dan Pak Neka dari Balai Penelitian Tanaman Industri atas ketersediaan sampel biji jarak pagar Pakuwon.

7. Para sahabat Nissa Izzani, Lela Melawati, Melda Santi, Yudith Pradipta, dan Feny Matrian atas semangat, doa, dan perhatiannya.

8. Teman-teman satu bimbingan Nur Fitri Shofiyatun dan Nufzatussalimah. 9. Teman-teman Union Class (Nurfadilah Nasution, Fiki Fitriya Silmi Kafah, Diza Puspa Arista,

Liba Silvia Bunga Kasih) atas semangat dan doa yang diberikan kepada penulis. 10. Teman-teman Magenta45 (Anggi Tri Granita, Angga Rakay Fatahilah, Rhamdani Mardiansyah,

Gita Pujasari, Kurnia Ayu Putranti, Sunu Ariastin, Oryza Sativa) 11. Halfsection (Pramita Riskia, Ade Prisma Pranayudha, Agustino Aritonang) atas kerjasamanya

dalam bermusik selama di kampus IPB. 12. Teman-teman Rusunawa 213 (Laksitasya Chrysantiningtyas dan Rizki Amilia) dan 214 (Viona

Rosa, Lidya Widiastuti, Yuniar Rizki, Annisa Amelia) atas semangat yang diberikan kepada penulis.

13. Semua pihak yang tidak dapat disebutkan satu persatu dan telah banyak membantu penulis selama menyelesaikan penelitian dan penulisan skripsi ini.

Penulis menyadari bahwa dalam penyusunan laporan ini masih ada kekurangan, kritik dan

saran yang membangun sangat penulis harapkan demi penyempurnaan laporan ini. Semoga tulisan ini bermanfaat dan memberikan kontribusi yang nyata terhadap perkembangan ilmu pengetahuan.

Bogor, Juli 2012

Dea Permata Sari

iv

DAFTAR ISI

Halaman KATA PENGANTAR........................................................................................................... iii DAFTAR TABEL ................................................................................................................. vi DAFTAR GAMBAR ............................................................................................................ vii DAFTAR LAMPIRAN ......................................................................................................... viii I. PENDAHULUAN

A. LATAR BELAKANG .......................................................................................... 1 B. TUJUAN ............................................................................................................... 3

II. TINJAUAN PUSTAKA A. TANAMAN JARAK PAGAR ............................................................................... 4 B. JARAK PAGAR IP-3P .......................................................................................... 6 C. TEKNOLOGI NEAR INFRARED SPECTROSCOPY (NIRS) ................................. 6

1. TEORI NEAR INFRARED SPECTROSCOPY (NIRS) ....................................... 6 2. KEMOMETRIKA ............................................................................................ 9 3. APLIKASI TEKNOLOGI NEAR INFRARED SPECTROSCOPY (NIRS) .......... 9

D. PENGUKURAN ANALISIS KIMIA LABORATORIUM ..................................... 11 1. KADAR AIR ................................................................................................... 11 2. BILANGAN ASAM DAN ASAM LEMAK BEBAS ........................................ 11 3. KADAR LEMAK ............................................................................................ 11

E. METODE KALIBRASI MULTIVARIATIF .......................................................... 12 1. METODE PRINCIPAL COMPONENT REGRESSION (PCR) ........................... 12 2. METODE PARTIAL LEAST SQUARES (PLS) .................................................. 12

III. METODOLOGI PENELITIAN A. TEMPAT DAN WAKTU PENELITIAN ............................................................... 14 B. BAHAN DAN ALAT ............................................................................................ 14 C. METODE PENELITIAN....................................................................................... 15

1. PERSIAPAN SAMPEL PENELITIAN ............................................................. 15 2. PERSIAPAN INSTRUMENT NIRS ................................................................. 15 3. PENGUKURAN REFLEKTAN NIR ................................................................ 17 4. PENGUKURAN SIFAT KIMIA TEPUNG JARAK PAGAR SECARA DESTRUKTIF ................................................................................................ 17

4.1 PENGUKURAN KADAR AIR ................................................................. 17 4.2 PENGUKURAN ASAM LEMAK BEBAS ................................................ 18 4.3 PENGUKURAN KADAR LEMAK........................................................... 19

5. ANALISIS DATA............................................................................................ 20 5.1 KALIBRASI ............................................................................................. 22

5.1.1 METODE PRINCIPAL COMPONENT REGRESSION (PCR)/ REGRESI KOMPONEN UTAMA ................................................. 22 5.1.2 METODE PARTIAL LEAST SQUARES (PLS)/ KUADRAT TERKECIL PARSIAL ................................................. 22

5.2 VALIDASI................................................................................................ 23 5.3 PERLAKUAN DATA ............................................................................... 24

v

IV. HASIL DAN PEMBAHASAN A. SPEKTRA REFLEKTAN BIJI JARAK PAGAR IP-3P.......................................... 26 B. ANALISIS DATA KIMIAWI BIJI JARAK PAGAR IP-3P HASIL UJI

LABORATORIUM ............................................................................................... 27 C. HASIL KALIBRASI REFLEKTAN DENGAN DATA KIMIA TANPA PERLAKUAN DATA TERHADAP SPEKTRA ...................................... 29

1. KADAR AIR ................................................................................................... 29 2. ASAM LEMAK BEBAS .................................................................................. 30 3. KADAR LEMAK ............................................................................................ 30

D. HASIL KALIBRASI REFLEKTAN ANTARA DATA KIMIA DENGAN PERLAKUAN DATA TERHADAP SPEKTRA ................................... 31


E. HASIL KALIBRASI TERBAIK UNTUK KADAR AIR, ASAM LEMAK BEBAS, DAN KADAR LEMAK ................................................ 35


V. SIMPULAN DAN SARAN A. KESIMPULAN ..................................................................................................... 42 B. SARAN................................................................................................................. 42

DAFTAR PUSTAKA ............................................................................................................ 43 LAMPIRAN .......................................................................................................................... 45

vi

DAFTAR TABEL

Halaman Tabel 1. Beberapa sumber minyak nabati yang potensial sebagai bahan baku

biodiesel ............................................................................................................... 2 Tabel 2. Karakteristik biji dan bungkil biji jarak pagar ......................................................... 5 Tabel 3. Hasil pengujian kualitas minyak jarak .................................................................... 5 Tabel 4. Kandungan asam lemak minyak jarak .................................................................... 6 Tabel 5. Daerah spektrum inframerah .................................................................................. 7 Tabel 6. Data statistik 69 sampel biji jarak pagar IP-3P hasil analisis laboratorium ............... 27 Tabel 7. Data kalibrasi dan validasi sampel biji jarak pagar IP-3P hasil analisis laboratorium .......................................................................................................... 29 Tabel 8. Data reflektan kadar air dengan metode PCR dan PLS tanpa perlakuan data ........... 29 Tabel 9. Data reflektan asam lemak bebas dengan metode PCR dan PLS tanpa perlakuan data ....................................................................................................... 30 Tabel 10. Data reflektan kadar lemak dengan metode PCR dan PLS tanpa perlakuan data ...... 31 Tabel 11. Data reflektan kadar air metode PLS dengan perlakuan data .................................. 33 Tabel 12. Data reflektan asam lemak bebas metode PLS dengan perlakuan data .................... 34 Tabel 13. Data reflektan kadar lemak metode PLS dengan perlakuan data .............................. 35 Tabel 14. Hasil kalibrasi terbaik untuk kadar air, asam lemak bebas, dan kadar lemak ............ 36

vii

DAFTAR GAMBAR

Halaman Gambar 1. a. Tanaman jarak pagar; b. Daun jarak pagar ....................................................... 4 Gambar 2. a. Buah jarak pagar; b. Bunga jarak pagar ........................................................... 5 Gambar 3. Spektrum elektromagnetik .................................................................................. 7 Gambar 4. Prinsip kerja NIR spektroskopi ........................................................................... 7 Gambar 5. Biji jarak pagar IP-3P standar benih .................................................................... 14 Gambar 6. Sampel tepung jarak pagar.................................................................................. 15 Gambar 7. Spektrometer NIRFlex N-500 saat scan pada sampel tepung jarak pagar ............. 15 Gambar 8. Diagram alir pelaksanaan penelitian pendugaan komposisi kimia tepung jarak pagar IP-3P dengan metode NIR ................................................................ 16 Gambar 9. Pengukuran kadar air dengan metode oven ......................................................... 17 Gambar 10. Proses pengukuran asam lemak bebas ................................................................. 19 Gambar 11. Perangkat Soxhlet .............................................................................................. 20 Gambar 12. Grafik fungsi X-PRESS dalam pemilihan komponen utama pertama ................... 21 Gambar 13. Spektra reflektan (R) tepung jarak pagar ............................................................. 26 Gambar 14. Perlakuan spektra dengan normalisasi antara 0-1 ................................................ 32 Gambar 15. Perlakuan spektra dengan derivatif pertama Savitzky Golay setiap 9 titik ............ 32 Gambar 16. Perlakuan spektra kombinasi antara normalisasi 0-1 dan derivatif pertama Savitzky Golay setiap 9 titik ............................................................................... 32 Gambar 17. Konsistensi antara SEC dan SEP kadar air .......................................................... 37 Gambar 18. Nilai V-Set PRESS kadar air .............................................................................. 37 Gambar 19. Hasil kalibrasi dan validasi kadar air prediksi NIR terbaik dengan data kimia ...... 38 Gambar 20. Konsistensi antara SEC dan SEP asam lemak bebas ............................................ 39 Gambar 21. Nilai V-Set PRESS asam lemak bebas ................................................................ 39 Gambar 22. Hasil kalibrasi dan validasi asam lemak bebas prediksi NIR terbaik dengan data kimia .............................................................................................. 39 Gambar 23. Konsistensi antara SEC dan SEP kadar lemak ..................................................... 40 Gambar 24. Nilai V-Set PRESS kadar lemak ......................................................................... 40 Gambar 25. Hasil kalibrasi dan validasi kadar lemak prediksi NIR terbaik dengan data kimia .............................................................................................. 41

viii

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Data hasil kimia pengukuran kadar air sampel tepung jarak pagar IP-3P ............ 46 Lampiran 2. Data hasil kimia pengukuran asam lemak bebas sampel tepung jarak pagar IP-3P .............................................................................................. 50 Lampiran 3. Data hasil kimia pengukuran kadar lemak sampel tepung jarak pagar IP-3P .............................................................................................. 54 Lampiran 4. Data statistik hasil kalibrasi metode PCR dengan perlakuan data ....................... 58 Lampiran 5. Spektra beberapa komponen kimia.................................................................... 59 Lampiran 6. Contoh output program NIRCal 5 (Software dari NIRFlex Tipe N-500 Merk BUCHI) pada pendugaan kadar air biji jarak pagar IP-3P dengan metode partial least squares (PLS) ....................................................... 62 Lampiran 7. Tampilan software NIRFlex N-500 merk BUCHI .............................................. 69

1

I. PENDAHULUAN

A. Latar Belakang

Bahan bakar minyak merupakan sumber energi yang dikonsumsi paling besar dibandingkan sumber energi lain. Kebutuhan bahan bakar minyak, baik dalam bidang industri maupun transportasi, semakin hari semakin meningkat karena mesin-mesin tersebut membutuhkan bahan bakar minyak. Menurut laporan International Energy Agency (IEA), disampaikan bahwa pada tahun 2025 pertumbuhan kebutuhan energi akan meningkat hingga 50% dari total kebutuhan energi pada saat ini. Secara umum terjadinya peningkatan kebutuhan energi mempunyai keterkaitan erat dengan berkembangnya kegiatan ekonomi dan bertambahnya jumlah penduduk. Di Indonesia dengan jumlah penduduk yang semakin meningkat dari tahun ke tahun dan pertumbuhan ekonomi terus berlangsung, maka peningkatan kebutuhan energi adalah suatu hal yang tak bisa dihindari. Sebagian besar kebutuhan energi ini di pasok oleh energi fosil, yaitu minyak dan batubara. Ketidakstabilan harga minyak hingga mencapai 100 U$ per barel menyebabkan munculnya persoalan yang dihadapi dunia beberapa tahun terakhir ini. Kenaikan tersebut diperkirakan akan terus berlanjut dikarenakan cadangan energi ini semakin menipis sehingga ketersediaannya akan habis karena dikonsumsi secara terus-menerus.

Bahan bakar fosil memberikan kontribusi terbesar terhadap pencemaran udara. Bahan bakar minyak yang digunakan saat ini menghasilkan emisi CO2, CO, dan debu yang dapat menyebabkan gangguan pernafasan bahkan kanker. Penggunaan energi fosil ini juga menjadi penyebab adanya pemanasan global, yaitu fenomena naiknya suhu permukaan bumi karena meningkatnya efek rumah kaca. Akibat yang dapat ditimbulkan oleh adanya pemanasan global ini adalah peningkatan permukaan air laut yang diakibatkan mencairnya kutub utara dan selatan, penurunan hasil panen pertanian dan perikanan, dan perubahan keanekaragaman hayati. Semakin tingginya harga bahan bakar fosil yang disertai dengan emisinya yang tidak ramah lingkungan memunculkan suatu pengembangan diversifikasi energi dan sumber energi yang terbarukan.

Pengembangan sumber bahan bakar non-fosil berupa bahan bakar nabati yang bersifat terbarukan (renewable) serta ramah lingkungan, termasuk biodiesel dimunculkan sebagai antisipasi krisis bahan bakar di masa depan. Biodiesel secara umum adalah bahan bakar mesin diesel yang terbuat dari bahan terbarukan atau secara khusus merupakan bahan bakar mesin diesel yang terdiri atas ester alkil dari asam-asam lemak. Kelebihan biodiesel sebagai bahan baku alternatif pengganti solar diantaranya adalah dihasilkan dari sumber daya energi terbarukan dan ketersediaan bahan bakunya terjamin, angka setana tinggi, viskositas tinggi, menurunkan emisi gas buang, dan dapat diproduksi secara lokal.

Biodiesel dapat dibuat dari minyak mentah kelapa sawit (Crude Palm Oil atau CPO), minyak biji jarak pagar, minyak kelapa, dan tanaman-tanaman lain. Beberapa jenis tanaman yang potensial untuk menghasilkan biofuel (bahan bakar yang dibuat dari bahan tanaman) dapat dilihat pada Tabel 1. Akan tetapi, untuk memilih jenis bahan baku biofuel diperlukan pertimbangan yang matang. Jarak pagar merupakan pilihan yang tepat karena tanaman ini bukan merupakan bahan pangan dan mudah ditanam di berbagai lahan, termasuk lahan kritis. Budi daya tanaman jarak pagar juga tidak memerlukan biaya yang tinggi dan bijinya cepat dipanen. Jarak pagar dipandang menarik sebagai sumber biodiesel karena kandungan minyaknya yang tinggi lebih dari 40% dan tidak berkompetisi untuk pemanfaatan lain (misalnya jika dibandingkan dengan kelapa sawit atau tebu), dan memiliki karakteristik agronomi yang menarik.

2

Jarak pagar (Jatropha curcas L.) merupakan tanaman semak berkayu yang banyak ditemukan di daerah tropik. Tanaman ini dikenal sangat tahan kekeringan dan mudah diperbanyak dengan stek. Tanaman jarak pagar berbentuk pohon kecil maupun belukar besar yang tingginya mencapai 5 m. Tanaman ini merupakan salah satu sumber minyak nabati Indonesia yang dapat dimanfaatkan sebagai bahan baku biodiesel. Konversi jarak pagar ke dalam energi terbarukan ini akan menghasilkan produk berupa bahan bakar padat, cair, dan gas. Masing-masing produk diambil dari bagian jarak pagar, yaitu cangkang dan limbah untuk bahan bakar padat. inti biji untuk cair dengan pemerasan, sedangkan gas melalui proses anaerobic digestion, yaitu proses dengan melibatkan mikroorganisme tanpa adanya oksigen dalam suatu digester dengan gas produk berupa metana (CH4) dan karbon dioksida (CO2) serta beberapa gas yang jumlahnya kecil, seperti H2, N2, dan H2S. Dibandingkan penggunaan briket batubara, gas bumi atau sumber lainnya, minyak jarak lebih sederhana, murah, dan tidak akan habis. Keuntungan penggunaan minyak jarak adalah dapat terjaga kebersihan lingkungannya. Emisi gas sulfur (SOx), nitrogen (NOx), dan karbon dari pembakaran minyak jarak yang mencemari udara lebih kecil dibandingkan minyak solar dari bahan bakar fosil (Nurcholis Mohammad dan Sumarsih Sri 2007).

Tabel 1. Beberapa sumber minyak nabati yang potensial sebagai bahan baku biodiesel

Sumber: Soerawidjaja dalam Prastowo Bambang 2007

Kandungan kimia yang dijadikan sebagai parameter mutu umum yang terdapat pada biji jarak pagar adalah kadar air, asam lemak bebas, dan kadar lemak. Parameter ini sangat penting karena akan menentukan proses, rendemen, dan kualitas biodiesel. Metode-metode konvensional untuk menentukan komposisi kimia pada bahan pertanian membutuhkan biaya yang mahal, tenaga laboratorium yang ahli, dan waktu yang cukup lama untuk menganalisis. Namun, pada saat ini telah dikembangkan teknologi instrumentasi untuk menentukan komposisi kimia suatu bahan dengan proses yang cepat, tepat, dan akurat. Salah satu teknologi tersebut adalah pengukuran dengan near infrared spectroscopy (NIRS). Spektroskopi inframerah dekat merupakan teknik analisis untuk mendeteksi komposisi kimia dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat yang sederhana, tidak menggunakan bahan kimia, tidak merusak (non destruktif), serta ekonomis.

Indonesia Inggris Latin

Sawit Oil Palm Elaeis guineensis Kelapa Coconut Cocos nucifera Alpukat Avocado Persea Americana Kacang Brazil Brazil nut Bertholletia excelsa Kacang Makadam Macadamia nut Macadamia temif. Jarak Pagar Physic nut Jatropha curcas Jojoba Jojoba Simmondsia California Kacang Pekan Pecan nut Carya pecan Jarak Kaliki Castor Ricinus communis Zaitun Olive Olea europea Kanola Rapeseed Brassica napus

Opium Poppy Papaver somniferum

3

Pada teknologi near infrared spectroscopy (NIRS) diperlukan proses kalibrasi. Hal ini disebabkan oleh data gelombang inframerah dekat yang diperoleh belum dapat dimanfaatkan tanpa diketahui hubungannya dengan kandungan kimia bahan yang diukur. Oleh karena itu, diperlukan metode-metode kalibrasi yang dapat memberikan informasi yang terkait dengan kandungan kimia bahan yang diukur. Beberapa metode kalibrasi yang digunakan pada proses kalibrasi adalah principal component regression (PCR) dan partial least squares (PLS). Metode PCR merupakan algoritma regresi kuantitatif yang secara langsung digunakan untuk data linear. Metode PLS menggunakan kombinasi linear untuk menduga variabel bebas.

B. Tujuan

Tujuan umum penelitian ini adalah menduga komposisi kimia (kadar air, asam lemak bebas, dan kadar lemak) tepung jarak pagar IP-3P dengan metode near infrared (NIR). Sedangkan tujuan khusus dalam penelitian ini adalah sebagai berikut: 1. Menganalisis hasil kalibrasi spektrum reflektan tepung jarak pagar IP-3P tanpa perlakuan

data dan dengan perlakuan data menggunakan metode PCR dan PLS pada kadar air, asam lemak bebas, dan kadar lemak.

2. Menentukan metode terbaik (PCR dan PLS) perlakuan data spektra untuk pendugaan komposisi kimia tepung jarak pagar IP-3P.

4

II. TINJAUAN PUSTAKA

A. Tanaman Jarak Pagar

Jatropha Curcas L. adalah tanaman yang berasal dari daerah tropis di Meksiko, Amerika Tengah. Tanaman jarak pagar telah lama dikenal masyarakat di berbagai daerah Indonesia, yaitu sejak diperkenalkan oleh bangsa Jepang pada tahun 1942-an, yang mana masyarakat diperintahkan untuk melakukan penanaman jarak sebagai pagar pekarangan. Di Indonesia terdapat beragai jenis tanaman jarak antara lain jarak kepyar (Ricinus communis), jarak bali (Jafropha podagrica), jarak ulung (Jafropha gossypifolia L.), dan jarak pagar (Jatropha curcas L.). Di antara jenis tanaman jarak tersebut yang memiliki potensi sebagai penghasil minyak bakar (biofuel) adalah jarak pagar (Jatropha curcas L.). Latros dalam bahasa Yunani adalah dokter, sedangkan trophe adalah makanan/nutrisi, atau dengan kata lain Jatropha curcas L. adalah “tanaman obat”.

Gambar 1. a. Tanaman jarak pagar; b. Daun jarak pagar

Dalam sistematika (taksonomi) tumbuhan, kedudukan tanaman jarak pagar diklasifikasikan sebagai berikut:

Kingdom : Plantae Subkingdom : Tracheobionta (tumbuhan vascular) Superdivisio : Spermatophyta (tumbuhan berbiji) Divisio : Magnoliophyta (tumbuhan berbunga) Kelas : Magnoliopsida (Dicotyledonae) Subkelas : Rosidae Ordo : Euphorbiales Famili : Euphorbiaceae Genus : Jatropha L. Species : Jatropha curcas L. Jarak pagar berupa pohon kecil atau perdu. Tanaman ini dapat mencapai umur 50 tahun.

Tinggi tanaman pada kondisi normal adalah 1.5-5 m. Percabangannya tidak teratur dengan ranting bulat dan tebal. Batangnya berkayu silindris, jika tergores bisa mengeluarkan getah. Daunnya berupa daun tunggal, berlekuk, bersudut 3 atau 5 dengan tulang daun menjari yang memiliki 5-7 tulang utama. Warna daun hijau dengan permukaan bagian bawah lebih pucat

a b

5

dibandingkan dengan bagian atas. Bunganya berwarna kuning kehijauan berupa bunga jantan dan betina yang tersusun dalam rangkaian berbentuk cawan. Buah jarak pagar berbentuk bulat telur, berdiameter 2-4 cm serta berwarna hijau ketika masih muda dan kuning jika sudah masak. Buah jarak pagar terbagi menjadi tiga ruang yang masing-masing ruang berisi satu biji. Biji berbentuk bulat lonjong dengan warna cokelat kehitaman. Biji inilah yang banyak mengandung minyak dengan rendemen 25-30% (Priyanto Unggul 2007).

Gambar 2. a. Buah jarak pagar; b. Bunga jarak pagar

Tanaman jarak menghasilkan biji jarak pagar yang terdiri atas 60% berat kernel (daging

buah) dan 40% berat kulit. Inti biji (kernel) jarak pagar mengandung sekitar 40-45% minyak sehingga dapat diekstrak menjadi minyak jarak dengan cara mekanis ataupun ekstraksi menggunakan pelarut seperti heksana. Minyak jarak pagar merupakan jenis minyak yang merniliki komposisi trigliserida yang mirip dengan minyak kacang tanah. Hampir 90-95% minyak nabati terdiri atas gliserida, yaitu ester, gliserol, dan asam lemak. Asam lemak berperan dalam menentukan sifat fisis dan kimia dari minyak nabati. Adapun karakteristik biji dan bungkil biji jarak pagar sebagai berikut:

Tabel 2. Karakteristik biji dan bungkil biji jarak pagar Parameter Biji jarak pagar Bungkil biji jarak pagar

Kadar air (%) 8.05 ± 0.11 7.25 ± 0.07 Kadar abu (%) 5.00 ± 0.06 6.00 ± 0.08 Kadar minyak (%) 33.67 ± 3.42 23.75 ± 2.64 Nilai kalor (kal/g) 4689 ± 21.88 4117 ± 19.52

Sumber: Sumangat Djajeng dan Broto Wisnu 2009

Tabel 3. Hasil pengujian kualitas minyak jarak Parameter Nilai

Densitas (gr/cm3) 0.91 Viskositas (cp) 46.7 Bilangan asam (mg NaOH/gr) 7.87 FFA (sebagai asam oleat) mg NaOH /gr 15.3

Sumber: Sriharti et al. 2011

Komponen minyak jarak yang terbesar adalah trigliserida yang mengandung asam lemak oleat dan linoleat seperti yang dicantumkan pada Tabel 4. Asam palmitoleat, oleat, linoleat, dan linolenat termasuk asam lemak tidak jenuh, yaitu rantai hidrokarbonnya tidak dijenuhi oleh

a b

6

hidrogen dan mempunyai satu ikatan rangkap atau lebih. Asam lemak ini berasal dari lemak nabati dan lemak hewani (Suhardjo dan M Kusharto Clara 2007). Asam miristat, palmitat, stearat, arakhidat, dan behenat termasuk asam lemak jenuh, yaitu rantai hidrokarbonnya dijenuhi dengan hidrogen. Asam lemak ini terdapat pada banyak bahan, khususnya lemak padat (R B Kasmidjo 1992).

Tabel 4. Komposisi asam lemak minyak jarak Asam Lemak Komposisi (% Berat)

Asam miristat (14:0) 0-0.1 Asam palmitat (16:0) 14.1-15.3 Asam palmitoleat (16:1) 0-1.3 Asam stearat (18:0) 3.7-9.8 Asam oleat (18:1) 34.3-45.8 Asam linoleat (18:2) 29.0-44.2 Asam linolenat (18:3) 0-0.3 Asam arakhidat (20:0) 0-0.3 Asam behenat (22:0) 0-0.2

Sumber: Gubitz et al. 1999

B. Jarak Pagar IP-3P

Jarak pagar IP-3P merupakan kepanjangan dari Improve Population – 3 Pakuwon. Jenis jarak pagar ini berasal dari Pakuwon, Sukabumi. Awalnya pada tahun 2006 didatangkan pohon jarak pagar dari 5 provinsi besar disertai tenaga ahlinya dari masing-masing provinsi tersebut, yaitu Sumatera Barat, Lampung, Banten, Jawa Barat, dan Jawa Tengah. Pohon jarak pagar tersebut didatangkan dalam bentuk stek, lalu dilakukan semai seleksi pohon negatif. Pohon negatif adalah pohon yang proses seleksinya berasal dari bentuk pohon yang sama, tidak ada pembedanya. Alur dalam proses seleksi tersebut adalah menanam, berbuah, dan seleksi. Seleksi tersebut dilakukan dengan menghitung jumlah buah jarak yang dihasilkan dalam satu pohon setiap kali panen. Berikut penentuan improve population pohon jarak pagar:

IP-0P : saat tanam IP-0P ke IP-1P : 50 buah dalam 1 pohon IP-1P ke IP-2P : 100 buah dalam 1 pohon IP-2P ke IP-3P : 200 buah dalam 1 pohon

C. Teknologi Near Infrared Spectroscopy (NIRS)

1. Teori near infared spectroscopy (NIRS)

Spektroskopi inframerah dekat merupakan teknik spektroskopi yang menggunakan wilayah panjang gelombang inframerah pada spektrum elektromagnetik (780-2500 nm). Fungsinya untuk mengidentifikasi senyawa kimia dalam analisis kuantitatif dan kualitatif. Dikatakan inframerah dekat karena wilayah ini berada di dekat wilayah gelombang merah yang tampak. Dilihat dari segi aplikasi dan instrumentasi, spektrum inframerah dibagi ke dalam tiga jenis radiasi, yaitu inframerah dekat, inframerah pertengahan, dan inframerah jauh. Daerah spektrum inframerah dapat dilihat pada Tabel 5.

7

Tabel 5. Daerah spektrum inframerah

Daerah Panjang gelombang ()

m Bilangan gelombang ()

cm-1 Frekuensi (f)

Hz Dekat 0.78 – 2.5 12800 – 4000 3.8 x 1014 – 1.2 x 1014 Pertengahan 2.5 – 50 4000 – 200 1.2 x 1014 – 6.0 x 1012 Jauh 50 – 1000 200 – 10 6.0 x 1014 – 3.0 x 1011 Sumber: Nur Anwar 1989

Gambar 3. Spektrum elektromagenik (Sumber: Giwangkara 2007)

Gelombang elektromagnetik meliputi frekuensi maupun panjang gelombang yang sangat lebar. Wilayah frekuensi dan panjang gelombang ini sering disebut sebagai spektrum elektromagnetik. Pada Gambar 3 dapat dilihat bahwa spektrum elektromagnetik semakin ke kanan, maka akan semakin besar panjang gelombangnya. Sedangkan untuk frekuensi, semakin ke kiri maka akan semakin besar frekuensinya. Dalam spektroskopi inframerah panjang gelombang dan bilangan gelombang adalah nilai yang digunakan untuk menunjukkan posisi dalam spektrum serapan. Panjang gelombang biasanya diukur dalam mikron atau mikro meter (m), sedangkan bilangan gelombang menunjukkan jumlah gelombang per cm.

Gambar 4. Prinsip kerja NIR spektroskopi (Sumber: Patil Smita 2007)

Menurut Mohsenin (1984) dalam Fery Purba Samuel (2010), sinar yang dipancarkan dari sumber ke bahan organik, sekitar 4% akan dipantulkan kembali oleh permukaan luar (regular refraction) dan sisanya sekitar 96% akan masuk ke dalam produk tersebut yang selanjutnya mengalami penyerapan (absorption), pemantulan (body reflection), penyebaran (scattering), dan penerusan cahaya (transmitten). Bahan pertanian pada umumnya tidak

Sampel Sumber cahaya

Monokromator Detektor Transmittan

Detektor Reflektan

8

tembus cahaya, oleh karena itu analisis NIR cenderung menggunakan reflektan dan absorban daripada transmitan.

Inframerah dekat banyak digunakan untuk menentukan kandungan kimia suatu bahan organik karena ikatan molekul bahan organik sangat peka pada kisaran panjang gelombang inframerah dekat. Semua bahan organik terdiri atas atom-atom, terutama karbon, oksigen, hidrogen, nitrogen, phospor, dan sulfur. Atom-atom tersebut terikat secara kovalen untuk membentuk molekul. Molekul bervibrasi pada frekuensi yang berkaitan dengan panjang gelombang dalam daerah inframerah dari spektrum elektromagnetik. Ketika molekul diradiasi dengan sumber energi, molekul memerlukan energi potensial untuk perubahan energi. Radiasi elektromagnetik ditentukan oleh frekuensi (f), panjang gelombang () atau bilangan gelombang ().

Energi radiasi (Ep) biasanya disebut dengan photon dan bergantung pada panjang gelombang dimana radiasi diemisikan dan dapat ditentukan dengan persamaan:

푬풑 = 풉풇 = 풉 풄

(1)

dimana h adalah konstanta Planck yang besarnya 6.63 x 10-34 J, c adalah kecepatan

cahaya yang besarnya 3 x 108 m/s. Molekul-molekul hanya dapat menyerap energi photon pada panjang gelombang yang cocok dengan vibrasi molekul tersebut.

Semua makanan dan bahan makanan yang berasal dari tumbuhan dan hewan terdiri atas unsur yang mengandung kelompok-kelompok dari atom-atom yang diserap dalam wilayah inframerah dekat, di antaranya adalah C-H, O-H, N-H, dan kelompok lainnya. Kelompok C-H pada panjang gelombang 1200, 1400, 1725, 1750, 2310, dam 2340 nm terlihat jelas mencerminkan asam lemak (Phil Williams dan Norris 1990). Spektra komponen kimia lainnya dapat dilihat pada Lampiran 5. Kisaran panjang gelombang NIR telah lama dipelajari dan digunakan sebagai metode analitik. Cahaya tampak diterima oleh mata sesuai dengan besarnya pantulan, seperti halnya warna dihasilkan dari cahaya yang dipantulkan dari suatu objek. Setiap bahan memiliki spektrum gabungan pantulan NIR yang unik dan beragam yang dihasilkan dari efek penyebaran, penyerapan, dan pantulan cahaya oleh bahan.

Setelah dipancarkan maka radiasi ini akan diserap oleh semua bahan organik dan informasi utama yang dapat diekstrak adalah stretching dan bending ikatan kimia C-H (seperti bahan organik turunan minyak bumi), O-H (seperti kadar air, karbohidrat, dan lemak), C-N, dan N-H (seperti protein dan asam amino) yang merupakan ikatan dasar dari semua ikatan kimia bahan-bahan organik. Informasi tersebut dapat dilihat dari pantulan NIR yang dihasilkan dalam bentuk spektrum pantulan. Terdapat dua jenis vibrasi molekul, yaitu stretching dan bending. Vibrasi stretching adalah pergerakan atom yang teratur sepanjang sumbu ikatan antara dua atom sehingga jarak antar atom dapat bertambah atau berkurang. Sedangkan vibrasi bending adalah pergerakan atom yang menyebabkan perubahan sudut ikatan antara dua ikatan atau pergerakan dari sekelompok atom terhadap atom lainnya. Cahaya inframerah dekat yang mengenai bahan memiliki energi yang kecil dan hanya menembus sekitar satu millimeter permukaan bahan, tergantung dari komposisi bahan tersebut.

Spektroskopi inframerah memiliki beberapa keunggulan, di antaranya adalah memiliki waktu pengukuran yang sangat cepat (30 detik per sampel), tanpa perlu penyiapan sampel secara khusus (buah segar secara langsung bisa diambil sampelnya), bebas bahan-bahan kimiawi, bebas limbah dan dapat digunakan dalam proses penilaian kualitas buah secara

9

terus menerus. Teknologi ini masih tergolong metode sekunder karena memerlukan tahap kalibrasi terutama bagi sampel uji yang belum pernah menggunakan alat ini.

2. Kemometrika

Kemometrika adalah ilmu pengukuran yang berkaitan dengan sistem kimia atau proses penerapan metode matematika dan statistika. Kemometrika di dalam analisis NIR terdiri atas tiga aspek berikut: (1) pra-pengolahan data spektra, (2) membangun model kalibrasi untuk analisis kuantitatif, (3) transfer model. Salah satu analisis kemometrik yang terpenting adalah membentuk model kalibrasi melalui metode pengenalan pola untuk mengidentifikasi kemiripan dan pola utama data. Selanjutnya, model ini digunakan untuk memprediksi sampel yang tidak diketahui (Africia Saragih Maharani 2007). Data yang diperoleh dari NIR mengandung latar belakang informasi dan noise selain informasi sampel. Dalam rangka untuk mendapatkan model kalibrasi yang akurat, maka sangat diperlukan pra-pengolahan data spektra.

3. Aplikasi teknologi near infrared spectroscopy (NIRS) Teknologi near infrared spectroscopy (NIRS) telah banyak diperkenalkan dan

digunakan di beberapa negara maju, seperti Eropa, Amerika Utara, Asia, Australia, dan New Zealand baik dalam bidang industri maupun dalam bidang pertanian. Sedangkan di Indonesia, metode ini belum banyak digunakan terutama di dalam bidang pertanian.

Spektroskopi ini umum dipakai dalam analisis kedokteran, farmasetika (pembuatan obat), ilmu pangan dan kimia pertanian, serta astronomi. Dalam bidang kedokteran, NIR umum digunakan dalam diagnostik medis, terutama dalam pengukuran kadar oksigen darah atau juga kadar gula darah. Selain itu, NIR digunakan untuk penginderaan jauh untuk pencitraan (imaging) NIR yang diletakkan pada pesawat terbang/balon udara atau satelit yang digunakan untuk menganalisis kandungan kimia tanah atau hamparan vegetasi penutup permukaan tanah. Ini merupakan aplikasi di bidang tata ruang, kehutanan, serta geografi. Selain itu, NIR pun digunakan dalam ilmu pangan dan kimia pertanian. Dalam bidang ini, penggunaan NIR sangat digemari karena tidak memerlukan persiapan sampel yang rumit. Selain itu, sampel bisa digunakan lagi untuk keperluan lain, misalnya benih bisa langsung ditanam setelah diukur kandungan asam lemaknya. NIR pun dapat digunakan dalam industri susu, yaitu untuk menentukan kandungan protein, lemak, dan kadar air dalam susu murni dan menentukan kandungan protein yang terdapat dalam tepung susu skim. Instrumentasi NIR yang berkembang pesat dengan penggunaan komputer membuat alat ini menjadi populer.

Berdasarkan sifat reflektan dari energi radiasi yang dipancarkan, maka metode NIR dapat digunakan untuk menduga komposisi kimia, seperti kadar air, lemak, asam lemak bebas, gula, protein dan berbagai senyawa lainnya suatu bahan. Aplikasi NIR dalam industri produk pangan dan pertanian telah banyak dilakukan.

Mita Mala Dheni (2003) menerapkan metode NIR untuk menduga kadar air, karbohidrat, protein, dan lemak tepung jagung. Berdasarkan penelitian tersebut disimpulkan bahwa data reflektan dari near infrared dapat menduga kadar protein jagung lebih baik daripada data absorban. Koefisien korelasi dan SE data reflektan untuk kadar protein adalah 0.9981 dan 0.19, sedangkan untuk data absorban 0.9911 dan 0.46. Namun, pendugaan karbohidrat, kadar lemak, dan kadar air menggunakan data absorban lebih baik daripada data reflektan. Koefisien korelasi dan SE data reflektan untuk karbohidrat 0.9624 dan 2.1, sedangkan untuk data absorban 0.9947 dan 0.88. Koefisien korelasi dan SE data reflektan

10

untuk kadar lemak 0.9446 dan 0.96, sedangkan untuk data absorban 0.9874 dan 0.38. Koefisien korelasi dan SE data reflektan untuk kadar air 0.9288 dan 0.5, sedangkan untuk data absorban 0.9803 dan 0.39.

Quddus Atiatul (2006) menerapkan metode NIR untuk menentukan kandungan energi bruto tepung ikan untuk bahan pakan ternak. Pengukuran reflektan dengan menggunakan perangkat NIR kemudian diikuti dengan pengukuran energi bruto (EB) dan energi metabolis (EM). Acuan dari energi metabolis dilakukan dengan uji bioassay. Hasil prediksi nilai EM dengan regresi linier berganda (RLB) yang menggunakan data reflektan dan absorban mendekati hasil uji bioassay. Pendugaan nilai energi bruto dan energi metabolis menggunakan metode Principal Component Regression (PCR) menunjukkan hasil yang kurang akurat dibandingkan regresi berganda. Nilai SEP untuk EB 119.92 Kkal dan CV 4.16%, sedangkan nilai SEP untuk EM 388.37 Kkal dan CV 13.12%.

Mardison (2010) menerapkan metode NIR dan jaringan syaraf tiruan untuk menentukan komposisi kimia biji jarak pagar. Sampel jarak yang digunakan adalah biji jarak utuh tanpa dijadikan tepung. Hasil yang diperoleh menunjukkan bahwa nilai RMSEP NIR-JST 3.718%, 1.314%, dan 1.989% untuk kadar minyak, FFA, dan kadar air. Sedangkan koefisien korelasi 0.848, 0.872, dan 0.993 untuk kadar minyak, FFA, dan kadar air.

Fery Purba Samuel (2010) menerapkan metode NIR untuk menduga komposisi kimia modified cassava flour (MOCAF). Metode PLS dengan data reflektan NIR dan perlakuan data berupa penghalusan rataan setiap 3 titik adalah metode kalibrasi dan perlakuan data yang terbaik untuk pendugaan kadar air MOCAF dengan standar error validasi (SEP) sebesar 0.49% dan koefisien keragaman (CV) sebesar 4.2%. Pendugaan kadar abu, pH, dan kadar amilosa MOCAF paling baik diperoleh dengan metode PLS, data absorban NIR, dan perlakuan data berupa kombinasi antara penghalusan rataan setiap 3 titik dan derivatif kedua Savitzky-Golay setiap 9 titik. Nilai standar error validasi (SEP) dan koefisien keragaman (CV) berturut-turut adalah 0.02% dan 2.8% untuk pendugaan kadar abu, 0.02 dan 0.4% untuk pendugaan pH, dan 0.39% dan 1.3% untuk pendugaan kadar amilosa.

Heruwati Ita (2011) menerapkan metode NIR untuk mendeteksi gejala chilling injury buah belimbing (Averrhoa carambola L.) yang disimpan pada suhu rendah. Model kalibrasi untuk memprediksi pH buah belimbing dengan NIR dikembangkan berdasarkan korelasi data reflektan NIR dengan data pH hasil pengukuran secara destruktif. Data yang dianalisis adalah data pada suhu 5C selama 30 hari penyimpanan. Hasil kalibrasi dan validasi PLS menunjukkan nilai r model kalibrasi sebesar 0.6656 artinya pH memiliki korelasi dengan reflektan NIR. Selisih nilai RMSEC sebesar 0.0297, serta nilai CV < 5% yaitu 4.43% yang artinya akurasi dan kestabilan model cukup baik. Rendahnya nilai r pada model kalibrasi karena rentang data pH yang sangat kecil yaitu 3.37 – 4.15. Hubungan antara pH dengan slope ion leakage berupa pola liniear dan dapat ditentukan dengan persamaan y = 0,040557x – 0,037067. Perubahan slope ion leakage selama penyimpanan dapat ditentukan dengan menggunakan reflektan NIR berdasarkan nilai pH prediksi NIR dengan menggunakan persamaan tersebut. Nilai tertinggi slope ion leakage prediksi NIR terjadi pada hari ke-7 penyimpanan yang artinya kebocoran membran telah mencapai puncaknya dan chilling injury diprediksi telah terjadi pada hari ke-7 penyimpanan.

11

D. Pengukuran Analisis Kimia Laboratorium 1. Kadar air

Analisis kadar air dalam bahan pangan sangat penting dilakukan baik untuk bahan pangan segar maupun olahan. Analisis kadar air dalam bahan pangan sering menjadi tidak sederhana karena air dalam bahan pangan berada dalam bentuk terikat secara fisik atau kimia dengan komponen bahan pangan lainnya sehingga berkembang berbagai metode analisis air. Salah satu metode analisis kadar air adalah metode langsung (metode kimia).

Penentuan kadar air dengan metode gravimetri dilakukan dengan cara mengeluarkan air dari bahan dengan proses pengeringan dalam oven. Faktor yang dapat mempengaruhi analisis air dengan metode oven diantaranya adalah perlakuan saat penimbangan, kondisi oven, kondisi saat pengeringan, dan perlakuan setelah pengeringan. Faktor yang berkaitan dengan kondisi oven adalah fluktuasi suhu, kecepatan aliran, dan kelembaban udara di dalam oven.

Spektrum penyerapan inframerah dari molekul air dapat digunakan sebagai dasar penetapan kadar air dari suatu bahan pangan baik bahan padat atau cairan, dimana intensitas penyerapan sinar inframerah berbanding lurus dengan kadar air. Metode spektroskopi inframerah dapat digunakan untuk menentukan kadar air pada bahan yang mengandung air sangat rendah, sampai sekitar 0.05%. Metode ini banyak digunakan untuk mengukur kadar air pada biji-bijian dan produk tepung (Nur Faridah Didah et al. 2010).

2. Bilangan asam dan asam lemak bebas

Bilangan asam adalah bilangan yang menunjukkan jumlah asam lemak bebas yang terkandung dalam lemak/minyak yang biasanya dihubungkan dengan proses hidrolisis lemak/minyak. Jumlah bilangan asam dinyatakan sebagai jumlah miligram NaOH yang dibutuhkan untuk menetralkan asam lemak bebas yang terdapat dalam 1 gram minyak atau lemak. Bilangan asam ditentukan dengan reaksi penyabunan, yaitu dengan cara mereaksikan lemak/minyak dengan basa, yaitu NaOH.

3. Kadar lemak

Analisis kadar lemak bertujuan untuk mengetahui kandungan lemak dari suatu bahan pangan. Terdapat berbagai metode analisis kadar lemak, di antaranya adalah metode ekstraksi soxhlet. Metode ekstraksi soxhlet merupakan metode analisis kadar lemak secara langsung dengan cara mengekstrak lemak dari bahan dengan pelarut organik non-polar, seperti heksana, petrolium eter, dan dietil eter. Ekstraksi dilakukan dengan cara refluks pada suhu yang sesuai dengan titik didih pelarut yang digunakan. Selama proses refluks, pelarut secara berkala akan merendam contoh dan mengekstrak lemak/minyak yang ada pada contoh. Refluks dihentikan sampai pelarut yang merendam contoh sudah berwarna jernih yang artinya sudah tidak ada lagi lemak/minyak yang terlarut. Jumlah lemak/minyak pada contoh diketahui dengan menimbang lemak setelah pelarutnya diuapkan. Jumlah lemak per berat bahan yang diperoleh menunjukkan kadar lemak kasar artinya komponen yang terekstrak oleh pelarut organik bukan hanya lemak/minyak, tetapi komponen lain yang larut pelarut organik, seperti vitamin larut lemak A, D, E, dan K serta karotenoid.

Ada beberapa faktor yang dapat mempengaruhi ketelitian analisis metode soxhlet, di antaranya ukuran partikel bahan/contoh, jenis pelarut, waktu ekstraksi, dan suhu ekstraksi. Semakin kecil ukuran contoh, maka kontak antara permukaan bahan dengan pelarut akan

12

semakin luas sehingga proses ekstraksi lebih efisien. Setiap pelarut organik mempunyai polaritas yang berbeda, pelarut yang mempunyai polaritas paling sesuai dengan polaritas lemak akan memberikan hasil ekstraksi yang lebih baik. Semakin lama waktu ekstraksi, maka jumlah lemak yang terekstrak oleh pelarut akan semakin banyak sampai suatu saat lemak pada contoh habis. Semakin tinggi suhu, maka ekstraksi akan semakin cepat. Pada ekstraksi soxhlet, suhu yang digunakan harus disesuaikan dengan titik didih pelarut yang digunakan. Penggunaan suhu yang lebih rendah dari titik didih pelarut akan menyebabkan ekstraksi berjalan dengan lambat dan kurang efisien, sedangkan penggunaan suhu yang lebih tinggi dari titik didih pelarut akan menyebabkan ekstraksi tidak terkendali dan bisa menimbulkan resiko terjadinya ledakan atau kebakaran.

Analisis soxhlet dapat diaplikasikan untuk hampir semua bahan pangan. Untuk bahan pangan yang tidak banyak mengandung air, seperti tepung atau produk kering lainnya, bahan dapat langsung dianalisis. Sedangkan untuk bahan pangan berbentuk utuh dan banyak mengandung air, seperti daging atau ikan, sebelum dianalisis bahan harus dihidrolisis dengan asam kemudian dikeringkan untuk memudahkan lemak keluar dari jaringan (Nur Faridah Didah et al. 2010).

E. Metode Kalibrasi Multivariatif

1. Metode principal component regression (PCR) Metode principal component regression merupakan suatu metode kombinasi antara

analisis regresi dan analisis komponen utama (Principal Component Analysis, PCA). Prinsip analisis komponen utama adalah mencari komponen utama yang merupakan kombinasi linier dari variabel asli. Metode regresi komponen utama (PCR) ditetapkan bila dalam pembentukan model pendugaan variabel bebas yang digunakan banyak dan terdapat hubungan yang erat antar variabel bebasnya. Metode tersebut dapat digunakan untuk pendugaan kalibrasi peubah ganda dan mengatasi kolinier ganda. Komponen-komponen utama yang dipilih sedemikian rupa sehingga komponen utama pertama memiliki variasi yang terbesar dalam set data, sedangkan komponen utama kedua tegak lurus terhadap komponen utama pertama dan memiliki variasi terbesar berikutnya.

Pemikiran dasar metode analisis ini adalah mendeskripsikan variasi sebuah set data multivariatif dengan sebuah set data baru dimana variabel-variabel baru tidak berkolerasi satu sama lain. Variabel-variabel baru adalah kombinasi linear dari variabel asal. Variabel baru diturunkan dalam arah menurun sehingga beberapa komponen pertama mengandung sebanyak mungkin variasi data asal.

2. Metode partial least squares (PLS)

Metode regresi kuadrat terkecil parsial atau sering disebut partial least squares (PLS) digunakan untuk memperkirakan serangkaian variabel tidak bebas (respons) dari variabel bebas (prediktor) yang jumlahnya sangat banyak, memiliki struktur sistematik linear, dengan atau tanpa data yang hilang, dan memiliki kolinearitas yang tinggi. Metode ini membentuk model dari variabel yang ada untuk merangkai respon dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks (Africia Saragih Maharani 2007).

Pada dasarnya pendekatan PLS adalah penggabungan model pendugaan sebagai pengembangan model-model kalibrasi yang melibatkan lebih dari dua peubah laten (bebas dan tidak bebas). Proses pendugaan menggunakan metode kuadrat terkecil yang

13

diaplikasikan pada persamaan hubungan model struktural dan model pengukuran. Metode kuadrat terkecil parsial (PLS) tidak memerlukan asumsi-asumsi yang ketat terhadap sebaran dari peubah, sisaan dan parameter, sehingga metode ini sering disebut metode lunak. Metode tersebut diperoleh secara iteratif dan tidak memiliki formula tertutup untuk mencari ragam koefisien regresi. PLS dapat memprediksi sampel yang tidak diketahui dengan ketepatan lebih baik dibandingkan dengan teknik kalibrasi multivariate lainnya.

14

III. METODE PENELITIAN

A. Tempat dan Waktu Penelitian

Penelitian ini dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian IPB. Waktu penelitian dilaksanakan pada bulan Februari 2012 hingga April 2012.

B. Bahan dan Alat

Bahan yang digunakan dalam penelitian ini adalah biji jarak pagar IP-3P yang diperoleh dari Kebun Percobaan Pusat Penelitian Tanaman Perkebunan, Badan Penelitian Tanaman Industri dan Penyegar, Pakuwon, Sukabumi, Jawa Barat. Sampel yang digunakan khusus untuk standar benih sehingga perlakuannya seragam pada saat sortasi maupun penganginan.

Gambar 5. Biji jarak pagar IP-3P standar benih

Bahan-bahan kimia yang digunakan untuk menganalisis komposisi kimia sampel biji jarak pagar seperti pendugaan kadar air, asam lemak bebas, dan kadar lemak dengan analisis kimiawi (metode konvensional), antara lain alkohol 95%, phenolphthalein 1%, NaOH 0.0961 N, dan n-Hexana.

Alat yang digunakan dalam penelitian ini meliputi satu unit NIR Spektrometer tipe NIRFlex N-500 yang diproduksi oleh BUCHI Labortechnik AG, Switzerland, lengkap dengan satu unit komputer dan software untuk perhitungan nilai spektra. NIRFlex tipe N-500 Merk BUCHI digunakan untuk mengukur sampel padat, pasta, dan tablet. Sedangkan komputer untuk mengolah data-data dan mengukur pendugaan komposisi kimia biji jarak pagar dengan NIRFlex Solids Petri N-500 sehingga diperoleh data reflektan baik dalam bentuk tabel maupun grafik. Software bawaan dari NIRFlex N-500 Merk BUCHI yang digunakan dalam penelitian ini adalah NIRWare Operator, NIRWare Management Console, dan NIRCal 5. Selain itu, penggunaan timbangan digital merk ae ADAM, grinder, blender, ayakan mesh 30, dan stopwatch dalam

pembuatan sampel menjadi tepung jarak pagar. Penggunaan alat oven bersuhu 105C, cawan, penjepit cawan (gegep), dan desikator dalam pengukuran kadar air biji jarak pagar dengan cara pengeringan (metode thermogravitimetri). Kadar lemak apparatus (labu lemak 250 ml, kertas saring, alat ekstraksi soxhlet, pelarut non-polar, heksana). FFA apparatus (botol kaca, spatula, larutan alkohol 95%, pipet, buret, kertas saring, erlenmeyer, mesin shaker, hotplate).

15

C. Prosedur Penelitian

1. Persiapan Sampel Penelitian Sampel yang digunakan adalah biji jarak pagar IP-3P dengan berat 50 gram per

sampel, kemudian dijadikan dalam bentuk tepung menggunakan alat grinder dan diayak menggunakan sieve size 30. Hasil tepung jarak pagar yang digunakan untuk scan di NIR sebanyak 35 gram per sampel. Tepung jarak pagar terdapat pada Gambar 6 dan diagram alir pelaksanaan penelitian dapat dilihat pada Gambar 8.

Gambar 6. Sampel tepung jarak pagar 2. Persiapan Instrument NIRS

Instrumen NIRS yang digunakan dalam penelitian ini adalah NIRFlex Solids Petri N-500 (Gambar 7). Sebelum dilakukan pengukuran, instrument NIRFlex Solids Petri N-500 dinyalakan dan dibiarkan terlebih dahulu beberapa saat. Kemudian sebelum dilakukan pengukuran pada sampel tepung jarak pagar, terlebih dahulu dilakukan proses kalibrasi dengan software bawaan dari instrument tersebut selama ± 2-3 menit. Software bawaan yang digunakan untuk proses kalibrasi adalah NIRWare Operator.

Gambar 7. Spektrometer NIRFlex N-500 saat scan pada sampel tepung jarak pagar

16

Biji jarak pagar digrinder dan diayak pada sieve sieze 30

Data pantulan (Reflektan, R)

Pengukuran spektra dilakukan dengan software NIRWare Operator

Input data analisis kimiawi tepung

jarak pagar ke dalam software NIRWare Management Console

Proses kalibrasi dan validasi serta pemilihan data kalibrasi dan validasi menggunakan software NIRCal 5

Gambar 8. Diagram alir pelaksanaan penelitian pendugaan komposisi kimia tepung jarak pagar IP-3P

dengan metode NIR

R2, Koefisien keragaman (CV), dan Standar error kalibrasi (SEC)

Penentuan regresi validasi

Selesai

Pengukuran spektrum tepung jarak pagar dengan NIRFlex Solids Petri Spectrometer N-500

Analisis kimiawi kadar air, asam lemak bebas, dan kadar lemak tepung jarak pagar di laboratorium

dengan metode konvensional

Data reflektan tanpa perlakuan data (data treatment)

Metode kalibrasi dan seleksi spektrum kalibrasi/validasi

1. Kalibrasi (2/3 total sampel) 2. Validasi (1/3 total sampel)

Tepung jarak pagar sebanyak 69 sampel

Data reflektan dengan perlakuan data (data treatment)

Perancangan model kalibrasi dengan metode multivariatif, yaitu:

1. Prinsipal Component Regression (PCR) 2. Partial Least Squares (PLS)

Penentuan regresi kalibrasi

Mulai

17

3. Pengukuran Reflektan NIR Pendugaan sampel tepung jarak pagar dengan cara pengukuran menggunakan

instrument NIRFlex Solids Petri N-500 dan software bawaan yaitu NIRWare Operator. Jumlah sampel yang diukur sebanyak 69 sampel. Selanjutnya tepung jarak pagar akan disinari inframerah dekat (NIR) dengan panjang gelombang 1000-2500 nm.

Prinsip pengukuran spektra adalah dengan memancarkan sinar dari lampu halogen ke sampel. Sinar tersebut diterima sebagai energi yang memicu terjadinya getaran dan regangan pada kelompok atom O-H, N-H, dan C-H dimana ikatan atom-atom tersebut merupakan komponen utama pembentuk kandungan organik. Sebagian energi yang diberikan akan diserap untuk melakukan getaran dan regangan alami dan sisanya akan dipantulkan. Pantulan itu akan ditangkap oleh lensa optik yang kemudian direkam oleh detektor sebagai data frekuensi getaran dalam bentuk analog. Informasi tersebut merupakan hasil interaksi gelombang elektronika dengan komponen penyusun bahan komposisi kimia tersebut.

Spektrum yang terukur dari detektor akan diteruskan ke komputer untuk disimpan secara langsung. Data yang disimpan sudah dalam bentuk digital sehingga lebih mudah untuk diolah lebih lanjut dengan software bawaan NIR. Setelah dilakukan pengambilan pantulan spektrum NIR tepung jarak pagar, maka dilakukan analisis kimiawi tepung jarak pagar dengan uji laboratorium.

4. Pengukuran Sifat Kimia Tepung Jarak Pagar secara Destruktif

4.1 Pengukuran kadar air (SNI 01-2891-1992) Kadar air jarak pagar diukur menggunakan metode oven, yaitu dengan peralatan

seperti oven (Gambar 9), cawan petri, alat timbang digital, pinset dan desikator. Kadar air dihitung dengan cara menimbang bahan yang telah di oven sebanyak 5 gram dengan timbangan analitik dan membandingkannya dengan bobot awal sebelum penyimpanan. Cawan kosong dikeringkan dan didinginkan dalam desikator kemudian ditimbang. Setelah itu, sejumlah sampel ditimbang dalam cawan, cawan dimasukkan ke dalam oven bersuhu 105C selama 6 jam. Cawan dan sampel didinginkan dalam desikator dan ditimbang setelah dingin, kemudian cawan dan sampel dimasukkan kembali ke oven, dikeringkan lagi hingga diperoleh berat yang tetap. Kadar air dapat dihitung dengan cara sebagai berikut :

퐊퐚퐝퐚퐫퐚퐢퐫(%퐛퐛) = 퐁퐞퐫퐚퐭퐚퐰퐚퐥 퐁퐞퐫퐚퐭퐚퐤퐡퐢퐫퐁퐞퐫퐚퐭퐚퐰퐚퐥

퐱ퟏퟎퟎ% (2)

Gambar 9. Pengukuran kadar air dengan metode oven

18

4.2 Pengukuran asam lemak bebas (AOAC, 2005) Sampel tepung jarak pagar di timbang 2-5 gram di dalam botol, kemudian

ditambahkan 25 ml alkohol netral 95%. Setelah itu, botol-botol tersebut dimasukkan ke dalam mesin shaker selama ± 12 jam. Di dalam mesin shaker, botol-botol tersebut direndam setengah dengan air dan digoyang-goyangkan. Hasil dari mesin shaker tersebut maka akan keluar minyak dan warnanya akan menjadi buram. Kemudian minyak tersebut disaring dengan kertas saring di dalam erlenmeyer. Apabila minyak tersebut sudah tersaring, maka erlenmeyer ditutup dengan aluminium foil. Tahap selanjutnya adalah memanaskan minyak di dalam erlenmeyer tersebut di atas hotplate. Setelah itu, ditambahkan indikator phenolphthalein 1% sebanyak 3 tetes. Larutan tersebut dititrasi dengan larutan NaOH 0.0961 N sampai tepat berwarna merah jambu yang tidak hilang selama 30 detik. Selanjutnya jumlah NaOH (mg) yang digunakan untuk menetralisir asam lemak bebas dalam 1 gram minyak atau lemak dihitung. Proses pengukuran asam lemak bebas dapat dilihat pada Gambar 10. Perhitungan:

퐁퐢퐥퐚퐧퐠퐚퐧퐚퐬퐚퐦 퐦퐠퐍퐚퐎퐇퐠

= 퐀퐱퐍퐱ퟒퟎ퐆

(3)

퐊퐚퐝퐚퐫퐚퐬퐚퐦퐥퐞퐦퐚퐤퐛퐞퐛퐚퐬(%퐛퐛) = 퐀퐱퐍퐱퐌ퟏퟎퟎퟎ퐱퐆

퐱ퟏퟎퟎ (4)

Keterangan: A = Jumlah NaOH untuk titrasi (ml) N = Normalitas larutan NaOH M = Bobot molekul asam lemak (258 gram/mol) G = Bobot sampel (gram) 40 = Bobot molekul NaOH

19

Menimbang sampel dan wadah Pengadukkan dalam shaker Memasukkan larutan

alkohol netral 95%

Memanaskan di hotplate Menyaring minyak

Titrasi larutan

Hasil titrasi yang berwarna merah jambu

Gambar 10. Proses pengukuran asam lemak bebas

4.3 Pengukuran kadar lemak (SNI 01-2891-1992) Kadar lemak diukur menggunakan metode ekstrasi soxhlet (Gambar 11). Labu

lemak yang digunakan terlebih dahulu dibersihkan dan dikeringkan dalam oven bersuhu 105C selama 15 menit, kemudian didinginkan dalam desikator. Sampel ditimbang dalam bentuk kering dibungkus dengan kertas saring, kemudian dimasukkan ke dalam labu soxhlet. Alat kondensor diletakkan di atas labu. Pelarut heksana dimasukkan ke dalam labu lemak secukupnya. Selanjutnya dilakukan refluks selama 6 jam sampai pelarut yang turun kembali ke dalam lemak berwarna jernih.

Pelarut yang ada dalam lemak didestilasi dan pelarut ditampung kembali. Labu yang berisi lemak hasil ekstraksi dipanaskan dalam oven 105C untuk menguapkan sisa pelarut hingga mencapai berat konstan, kemudian didinginkan dalam desikator.

20

Selanjutnya labu beserta lemak di dalamnya ditimbang. Berat lemak diketahui menggunakan rumus berikut:

퐋퐞퐦퐚퐤(%퐛퐛) = 퐛퐞퐫퐚퐭퐥퐞퐦퐚퐤(퐠)퐛퐞퐫퐚퐭퐬퐚퐦퐩퐞퐥(퐠)

퐱ퟏퟎퟎ% (5)

Gambar 11. Perangkat Soxhlet

5 Analisis Data Data-data hasil kalibrasi yang diperoleh selanjutnya dianalisis dengan menggunakan

bantuan software komputer, yaitu Microsoft Excel dan software bawaan dari alat NIRFlex N-500 merk BUCHI, yaitu NIRWare Management Console dan NIRCal 5. Microsoft Excel digunakan untuk pengolahan data statistik. Penggunaan NIRWare Management Console untuk memasukkan data hasil analisis kimiawi laboratorium (data referensi). Sedangkan NIRCal 5 digunakan untuk membuat bentuk dan model kalibrasi antara data reflektan terhadap hasil analisis kimiawi laboratorium dengan metode kalibrasi multivariatif, yaitu principal component regression (PCR) dan partial least squares (PLS). Keluaran hasil analisis data penelitian dari metode kalibrasi multivariatif tersebut dengan menggunakan software NIRCal 5 adalah data dugaan, grafik, dan regresi kalibrasi antara data reflektan NIR dengan nilai hasil analisis kimiawi laboratorium yang memiliki koefisien korelasi (R) dan koefisien determinasi (R2) yang tinggi serta standar deviasi dan bias yang rendah.

Konsep komponen utama pertama (primary principal components) mendefinisikan ruang luar pemodelan yang digunakan untuk X dalam membangun (calibration), dimana spektrum rekonstruksi tersebut berkaitan dengan spektrum yang tidak digunakan sehingga perbedaan spektrum tersebut dapat diterima. Komponen utama kedua (secondary principal components) berkaitan dengan ruang dalam pemodelan yang digunakan untuk Y dalam memprediksi (validation). Pemilihan komponen utama pertama dapat dilihat dari grafik X-PRESS (Predicted Residual Error Sum Square) pada Gambar 12.

21

Gambar 12. Grafik fungsi X-PRESS dalam pemilihan komponen utama pertama

Grafik fungsi X-PRESS (Predicted Residual Error Sum Square) menunjukkan dimana komponen utama pertama mempunyai pengaruh dalam rekonstruksi spektra. Ketika X-PRESS mencapai kondisi minimum dan sudah tidak mengalami perubahan, maka artinya penambahan komponen utama pertama tidak perlu ditingkatkan. Awalnya jumlah komponen utama pertama yang digunakan adalah 15. Akan tetapi, jumlah komponen utama pertama 15 terlalu banyak sehingga dapat menimbulkan overfitting. Oleh karena itu, jumlah komponen utama pertama dikurangi menjadi 10 karena pada kondisi ini sudah tidak mengalami perubahan atau stabil. Sedangkan untuk pemilihan jumlah komponen utama kedua dapat dilihat dari grafik konsistensi dan V-Set PRESS. Konsistensi yang disarankan adalah di atas 100%, namun kondisi di atas 80% pun masih dapat diterima. Konsistensi dirumuskan sebagai berikut:

퐊퐨퐧퐬퐢퐬퐭퐞퐧퐬퐢 = 퐒퐄퐂퐒퐄퐏

퐱ퟏퟎퟎ (6)

Keterangan: SEC = Standar error kalibrasi SEP = Standar error prediksi

V-Set PRESS (Predicted Residual Error Sum Square) yang disarankan adalah

semakin mendekati nol, maka akan semakin baik. Perhitungan nilai selisih antara nilai aktual dengan nilai dugaan dari model regresi yang diperoleh, kemudian jumlah kuadrat dari selisih dikumpulkan untuk mendapatkan nilai PRESS. Nilai PRESS adalah ukuran kebaikan model dalam mencocokan konsentrasi yang diperoleh dari model dengan konsentrasi yang dibuat (Luftfiani Nurtiyas 2012).

퐏퐑퐄퐒퐒 = ∑ (퐗퐧− 퐘퐧)ퟐ퐍

퐧 ퟏ (7)

Keterangan: PRESS = Predicted Residual Error Sum Square

Xn = Data kimia validasi (uji laboratorium) Yn = Data kimia validasi (prediksi NIR)

22

Pemilihan komponen utama pertama dan komponen utama kedua juga sangat penting untuk menemukan korelasi terbaik antara data kimia dengan nilai prediksi NIR. Pemilihan komponen utama yang tidak tepat akan menghasilkan overfitting dan underfitting sehingga harus dihindari penggunaan komponen utama yang terlalu banyak dan terlalu sedikit. Komponen utama kedua digunakan sebagai parameter kalibrasi kuantitatif dan jumlah komponen utama kedua selalu lebih kecil sama dengan jumlah komponen utama pertama.

5.1 Kalibrasi

5.1.1 Metode Prinsipal Component Regression (PCR)/Regresi Komponen Utama Prinsipal Component Regression (PCR) adalah metode kalibrasi yang

membentuk model antara konsentrasi senyawa dan komponen utama (PCs) pada data matriks (spektra) (Africia Saragih Maharani 2007). PCR merupakan metode kalibrasi multivariatif untuk menganalisis statistika peubah ganda yang dapat digunakan untuk keperluan mereduksi sejumlah peubah asal menjadi beberapa peubah baru yang bersifat orthogonal dan tidak mengurangi serta tetap mempertahankan total keragaman yang jumlahnya besar dari peubah asalnya. Regresi kalibrasi dapat dibangun dengan menggunakan metode principal component regression dinyatakan sebagai berikut:

퐘 = 퐚 + 퐛ퟏ퐏ퟏ + 퐛ퟐ퐏ퟐ+. . . +퐛퐧퐏퐧 (8)

Keterangan: Y = Kadar air/asam lemak bebas/kadar lemak tepung jarak pagar a dan b = Konstanta komponen utama P = Konstanta utama pada panjang gelombang antara 1000-2500 nm

5.1.2 Metode Partial Least Squares (PLS)/Kuadrat Terkecil Parsial

Partial Least Squares (PLS) adalah metode yang berkembang dan umum digunakan dalam kemometrik untuk memprediksi peubah respon (vektor) dari angka yang besar pada multikolinear peubah yang memberi penjelasan. PLS digunakan utuk memprediksi serangkaian peubah tak bebas (respon) dari peubah bebas (prediktor) yang jumlahnya sangat banyak, memiliki struktur sistematik linier dengan atau tanpa data yang hilang, dan memiliki kolinearitas yang tinggi (Africia Saragih Maharani 2007).

Partial Least Squares (PLS) merupakan metode kalibrasi multivariatif untuk pendugaan komposisi kimia tepung jarak pagar. Tahap kalibrasi ini dilakukan untuk menentukan hubungan antara komposisi kimia tepung jarak pagar dengan data reflektan NIR. Metode kalibrasi ini memiliki struktur sistematik linear. Metode PLS digunakan untuk memperoleh pendugaan bagi Y sebagai fungsi peubah-peubah Xn yang terpilih. Regresi kalibrasi antara peubah Y dengan a dan b sebagai konstanta kuadrat terkecil parsial X terpilih, persamaan PLS dinyatakan sebagai berikut:

퐘 = 퐚 + 퐛ퟏ퐗ퟏ + 퐛ퟐ퐗ퟐ+. . . +퐛퐧퐗퐧 (9)

23

Keterangan: Y = Kadar air/asam lemak bebas/kadar lemak tepung jarak pagar a dan b = Konstanta kuadrat terkecil parsial X = Fungsi peubah kuadrat terkecil parsial pada panjang gelombang

antara 1000-2500 nm

5.2 Validasi Uji validasi adalah konfirmasi melalui pengujian dan pengadaan bukti yang

objektif bahwa persyaratan tertentu untuk suatu maksud tertentu terpenuhi. Uji validasi juga dilakukan untuk membuktikan kebaikan dari model kalibrasi yang telah dibangun. Setelah didapatkan model regresi kalibrasi, dilakukan tahap validasi dengan menggunakan sisa data yang lain. Data sampel yang berbeda tersebut dimasukkan ke dalam regresi kalibrasi sehingga diperoleh data komposisi kimia (kadar air, asam lemak bebas, dan kadar lemak) tepung jarak pagar dugaan NIR.

Beberapa parameter yang harus diperhatikan dalam penilaian kalibrasi kuantitatif, yaitu koefisien regresi (r) dan determinasi (r2), presisi, dan akurasi. Koefisien regresi menunjukkan tingkat keberhasilan dari nilai yang diprediksi oleh NIR dengan analisis referensi data kimia. Koefisien regresi yang mendekati 100% akan menghasilkan kalibrasi yang baik. Sebuah analisis bahan pangan dinyatakan berhasil jika memberikan nilai R2 lebih besar sama dengan 95%. Apabila R2 lebih besar sama dengan 80-95% maka analisis dapat dinyatakan baik, sedangkan R2 pada selang 70-80% maka analisis dapat dinyatakan cukup baik. Koefisien determinasi (R2) menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai R2, maka model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai R2 mulai dari 0% sampai 100%.

퐑 = ∑(퐗퐧 퐗퐧)∑(퐘퐧 퐘퐧)

∑(퐗퐧 퐗퐧)ퟐ ∑(퐘퐧 퐘퐧)ퟐ (10)

퐑ퟐ = (퐑)ퟐ

Keterangan: 푋 = Data kimia (uji laboratorium) 푋 = Data kimia (uji laboratorium) rataan 푌 = Data kimia (prediksi NIR) 푌 = Data kimia (prediksi NIR) rataan

Presisi dilihat dari nilai standard error of calibration (SEC) dan standard error of

prediction (SEP). Standar error didefinisikan sebagai selisih atau beda antara hasil perhitungan atau pengukuran terhadap hasil sebenarnya. Apabila nilai standar error semakin mendekati nol, maka dipastikan model dapat memprediksi dengan baik kadar dugaannya. Besar standar error diharapkan mendekati standar deviasi nilai referensi data kimia. Pada proses penentuan kalibrasi, harus dihindari terjadinya overfitting dan underfitting. Overfitting terjadi apabila nilai SEC kecil tetapi nilai SEP besar, sebaliknya underfitting terjadi apabila nilai SEC besar tetapi nilai SEP kecil. Oleh karena itu, penentuan kalibrasi terbaik tidak hanya dilihat dari nilai kalibrasinya saja, melainkan harus diperhatikan juga untuk nilai validasi yang diperoleh. Perhitungan standar error:

24

퐒퐄 = ∑(퐘퐧 퐗퐧)ퟐ

퐧 (11)

Keterangan: SE = Standar error 푌 = Data kimia (prediksi NIR) 푋 = Data kimia (uji laboratorium) n = Jumlah sampel

Akurasi menunjukkan nilai V-Set Bias yang memberikan informasi rataan

deviasi antara nilai yang diprediksi oleh NIR dengan nilai original dari referensi data kimia. V-Set Bias yang diharapkan mendekati nol, sedangkan C-Set Bias sudah menjadi ketentuan memiliki nilai nol. Perhitungan V-Set Bias sebagai berikut:

퐁퐢퐚퐬 = ퟏ퐧퐱 ∑(퐗퐧 − 퐘퐧) (12)

Keterangan: n = Jumlah sampel validasi 푋 = Data kimia (uji laboratorium) 푌 = Data prediksi NIR

Persyaratan lain yang juga menjadi acuan hasil kalibrasi dapat dilihat dari

coefficient of variability (CV), dimana koefisien keragaman menunjukkan nilai keragaman yang merupakan hasil pembagian antara standar error terhadap nilai rata-rata analisis referensi data kimia. Nilai koefisien keragaman yang ideal adalah berkisar antara 1-1.5%. Koefisien keragaman (CV) dapat digunakan untuk membandingkan dua keragaman kelompok data yang selang nilainya jauh berbeda satu sama lain bahkan dapat digunakan untuk membandingkan keragaman dua atau lebih kelompok data meskipun satuan pengukurannya tidak sama. Koefisien keragaman (CV) dapat diperoleh dengan rumus:

퐂퐕 = 퐒퐄퐗퐧퐱ퟏퟎퟎ% (13)

Keterangan: CV = Koefisien keragaman SE = Standar error 푋 = Data kimia (uji laboratorium) rataan

5.3 Perlakuan Data Data yang diperoleh dari hasil pengukuran reflektan NIR perlu diolah lebih lanjut

apabila hasil kalibrasi reflektan NIR tanpa perlakuan data tidak menghasilkan kalibrasi yang baik. Hal ini disebabkan selama proses pengambilan data banyak faktor eksternal, seperti guncangan (noise) sehingga diperlukan pengolahan data lebih lanjut, yaitu dengan perlakuan data (data treatment). Pada penelitian ini perlakuan data yang diberikan pada kurva spektrum reflektan adalah normalisasi antara 0-1, derivatif pertama Savizky-Golay setiap 9 titik, dan kombinasi antara normalisasi 0-1 dengan derivatif

25

pertama Savitzky-Golay setiap 9 titik. Setiap perlakuan data mempunyai fungsi yang berbeda-beda terhadap data spektrum. Normalisasi berfungsi untuk mereduksi ukuran partikel dan memperbesar nilai spektra, sedangkan derivatif pertama berfungsi untuk memisahkan komponen menjadi data yang tunggal sehingga hasil kalibrasi dapat menjadi lebih baik.

퐱퐛퐢 = 퐱퐢 퐱퐦퐢퐧

퐱퐦퐚퐱 퐱퐦퐢퐧 (14)

Keterangan: xbi = nilai input yang baru xi = nilai input awal xmin = nilai input minimum xmax = nilai input maksimum

퐒퐧 = 퐒퐧 퐠 − 퐒퐧 퐠 (15) Keterangan: Sn’ = derivatif pertama Sn = log (1/R) pada titik n g = ukuran derivatif n = 0, 1, …, N-1

26

IV. HASIL DAN PEMBAHASAN

A. Spektra Reflektan Biji Jarak Pagar IP-3P

Pendugaan komposisi kimia biji jarak pagar yang diteliti meliputi kandungan kadar air, asam lemak bebas, dan kadar lemak. Perangkat yang digunakan adalah NIRFlex Solids Petri N-500 yang menghasilkan data pengukuran berupa data pantulan (reflectance). Pengukuran spektra yang digunakan pada rentang panjang gelombang 1000-2500 nm dengan interval 1 mm. Berikut hasil data spektra reflektan (R) sebanyak 69 sampel:

Gambar 13. Spektra reflektan (R) tepung jarak pagar

Berdasarkan Gambar 13 menunjukkan kandungan kadar air yang terdiri atas ikatan O–H menyerap pada panjang gelombang 1450 nm dan 1940 nm. Tingkat absorpsivitas panjang gelombang NIR yang lemah menyebabkan kemampuan penetrasi ke sampel kecil. Hal ini menyebabkan teknik non-destruktif spektroskopi reflektansi pada panjang gelombang NIR untuk mengetahui kadar air bahan dapat memberikan data yang baik. Asam lemak bebas yang memiliki ikatan C-H menyerap pada panjang gelombang 2200 nm. Asam lemak yang terdiri atas ikatan C-H menyerap pada panjang gelombang 1215 nm, 1395 nm, 1725 nm, 1765 nm, 2310 nm, dan 2323 nm. Kadar lemak yang terdiri atas ikatan C-H menyerap pada panjang gelombang 1037 nm, 1620 – 1765 nm, dan 2310 – 2323 nm (Phil Williams dan Norris 1990). Pada grafik tersebut, hampir seluruh sampel jarak pagar menunjukkan bentuk spektrum yang sama, tetapi memiliki tingkat reflektan yang berbeda. Hal ini menunjukkan bahwa setiap biji jarak pagar memiliki komposisi kimia, seperti kadar air, asam lemak bebas, dan kadar lemak yang berbeda-beda. Namun, perbedaan tingkat reflektan tersebut tidak begitu signifikan. Hal ini disebabkan sampel yang digunakan dalam bentuk tepung sehingga memiliki ukuran partikel yang sama. Pengecilan ukuran tersebut bertujuan untuk memperkecil noise.

Prinsip pengukuran spektra adalah dengan memancarkan sinar dari lampu halogen ke sampel, kemudian sinar tersebut akan diterima sebagai energi yang memicu adanya getaran dan regangan pada kelompok ikatan atom O-H, N-H, dan C-H. Ikatan-ikatan atom tersebut

27

merupakan komponen utama pembentuk kandungan organik. Atom-atom dalam molekul selalu mengalami vibrasi (getaran atom dalam molekul). Getaran atom dalam molekul (frekuensi getaran) dapat digambarkan dalam tingkat energi vibrasi. Jika suatu molekul menyerap radiasi inframerah, maka molekul tersebut akan tereksitasi ke tingkatan yang lebih tinggi. Energi yang diterima sebagian akan diserap dan sisanya akan dipantulkan. Pantulan itu yang akan diterima oleh detektor sebagai data frekuensi getaran dalam bentuk analog. Selanjutnya data analog akan ditransformasi dengan metode transformasi fourier sehingga menjadi data spektra reflektan.

B. Analisis Data Kimiawi Biji Jarak Pagar IP-3P Hasil Uji Laboratorium

Pengukuran komposisi biji jarak pagar secara destruktif digunakan sebagai data referensi dalam pengembangan model kalibrasi. Data ini sangat menentukan keberhasilan pendugaan nilai parameter mutu dengan menggunakan NIR. Semua proses pengukuran pasti akan menghasilkan nilai error, termasuk pengukuran secara desktruktif. Oleh karena itu, untuk mengurangi error tersebut maka dilakukan penanganan khusus terhadap sampel yang diteliti. Biji jarak pagar merupakan bahan pertanian yang masih belum banyak diteliti sehingga sifat dan karakteristiknya pun masih belum banyak diketahui. Sampel jarak pagar yang telah diambil spektranya di NIR, maka secepat mungkin harus langsung dianalisis komposisi kimianya di laboratorium. Hal ini untuk mencegah terjadinya perubahan karakteristik kimia biji jarak pagar. Selain itu, antisipasi apabila waktu yang tidak memungkinkan untuk langsung menganalisis sampel jarak tersebut, maka dilakukan penanganan berupa sampel dimasukkan ke dalam refrigerator dengan suhu berkisar antara 15-18C. Tujuannya adalah menjaga agar komposisi kimianya tidak berubah. Data hasil analisis laboratorium (kadar air, asam lemak bebas, dan kadar lemak) biji jarak pagar IP-3P sebanyak 69 sampel dapat dilihat pada Lampiran 1, 2, dan 3. Tabel yang disajikan di bawah ini merupakan rangkuman dari hasil analisis kimiawi laboratorium biji jarak pagar IP-3P secara statistik.

Tabel 6. Data statistik 69 sampel biji jarak pagar IP-3P hasil analisis laboratorium

Komposisi Rataan St Dev Minimum Maksimum

Kadar air (% bb) 4.14 0.77 2.61 5.21

Asam Lemak Bebas (% bb) 0.87 0.14 0.63 1.24

Kadar Lemak (% bb) 36.72 3.42 30.52 46.82

Standar deviasi dapat dinyatakan dalam banyaknya keragaman satu kumpulan data yang

dianalisis. Standar deviasi dari analisis referensi data kimia yang disarankan sekitar 0.3%. Berdasarkan Tabel 6 dapat dilihat bahwa variasi data untuk asam lemak bebas tidak begitu tinggi, yaitu 0.14%. Namun, variasi data untuk kadar air dan lemak cukup tinggi, yaitu sebesar 0.77% dan 3.42%. Hal ini menunjukkan bahwa data kimia kadar air dan lemak memiliki tingkat keragaman yang besar. Salah satu penyebabnya adalah laboratory error, contohnya kesalahan dalam penimbangan sampel, kalibrasi alat, kesalahan operator dalam melakukan pengukuran, kondisi lingkungan yang mempengaruhi, yaitu suhu.

Biji jarak pagar yang digunakan diambil dari tanaman yang sudah tua berwarna kuning sampai dengan hitam. Pada tingkat kematangan seperti ini, daging biji jarak pagar juga lebih padat dan berisi sehingga rendemen daging biji terhadap biji jarak pagar lebih tinggi daripada yang berasal dari buah muda. Berdasarkan Tabel 2 kadar air biji jarak pagar memiliki kandungan

28

sebesar 8.05 ± 0.11%. Namun, hasil uji kadar air yang diperoleh cukup rendah, yaitu memiliki rataan sebesar 4.14%. Hal ini disebabkan pada saat persiapan sampel, biji jarak pagar terlalu lama dianginkan di suhu ruang. Selain itu, proses grinder dan pengayakan biji jarak pagar menjadi tepung mempengaruhi turunnya kadar air yang diperoleh. Kadar air merupakan parameter penting dalam menentukan kualitas minyak jarak. Hal ini disebabkan parameter ini menunjukkan besarnya kandungan air dalam minyak yang dapat menyebabkan turunnya temperatur panas pembakaran. Selain itu, kadar air yang tinggi dalam bahan bakar menyebabkan penurunan mutu bahan bakar karena dapat menurunkan nilai kalor untuk penguapan, menurunkan titik nyala, dan memperlambat proses pembakaran.

Minyak jarak mengandung asam oleat, linoleat, palmitat, dan stearate dengan persentase yang berbeda-beda. Asam lemak yang terkandung paling besar pada biji jarak pagar adalah asam oleat sebesar 34.3 - 45.8% yang merupakan asam lemak tidak jenuh. Semakin tinggi kandungan asam lemak tidak jenuh dalam minyak jarak, maka memungkinkan terjadinya oksidasi pada ikatan rangkap tersebut sehingga bilangan asam akan meningkat. Bilangan asam menunjukkan jumlah asam lemak bebas yang terkandung dalam minyak yang biasanya dihubungkan dengan proses hidrolisis lemak atau minyak. Bilangan asam ditentukan dengan reaksi penyabunan, yaitu dengan cara mereaksikan lemak dengan basa, yaitu NaOH. Semakin tinggi bilangan asam, maka akan semakin rendah kualitasnya.

Komposisi kimia kadar lemak biji jarak pagar yang diperoleh memiliki rataan sebesar 36.72%. Kadar lemak yang terkandung pada biji jarak pagar cukup tinggi. Pengujiannya dengan metode soxhlet menggunakan heksana sebagai larutan pengekstraksi. Heksana dipilih karena merupakan pelarut yang nonpolar sehingga diharapkan dapat lebih optimal dalam mengekstraksi lemak.

Analisis data komposisi kimia biji jarak pagar, seperti kadar air, asam lemak bebas, dan kadar lemak dilakukan dengan data reflektan (R). Metode kalibrasi yang digunakan adalah principal component regression (PCR) dan partial least square (PLS). Kedua metode kalibrasi ini menggunakan kombinasi linear untuk menduga variabel bebas dari variabel asli. Data dari hasil analisis laboratorium (kadar air, asam lemak bebas, dan kadar lemak) biji jarak pagar dengan data reflektan merupakan hasil pengukuran spektrum yang kemudian dimasukkan ke dalam metode kalibrasi yang digunakan, yaitu PCR dan PLS sehingga akan menghasilkan model regresi kalibrasi.

Jumlah sampel biji jarak pagar yang digunakan pada penelitian ini sebanyak 69 sampel. Data kalibrasi yang digunakan adalah 2/3 dari keseluruhan jumlah sampel (46 sampel), sedangkan 1/3 dari keseluruhan jumlah sampel (23 sampel) digunakan untuk data validasi. Data validasi harus berada di dalam kalibrasi karena digunakan untuk menguji tingkat keakuratan model kalibrasi yang dibangun. Pemilihan data kalibrasi dan validasi dapat menentukan keberhasilan suatu kalibrasi. Data minimum dan maksimum harus terdapat pada data kalibrasi dan validasi. Sampel jarak pagar di dalam petri dish dilakukan pengukuran di NIR sebanyak 3 kali scan di titik yang berbeda sehingga terdapat 3 spektra untuk setiap sampel dengan data kimia yang sama. Data ketiga spektra tersebut harus dimasukkan ke dalam kalibrasi dan validasi yang telah ditentukan sehingga diperoleh 207 data spektra, dimana 138 data spektra untuk kalibrasi dan 69 data spektra untuk validasi. Pada Tabel 7 dapat dilihat jumlah pengelompokkan untuk data kalibrasi dan validasi sampel jarak pagar IP-3P.

29

Tabel 7. Data kalibrasi dan validasi sampel biji jarak pagar IP-3P hasil analisis laboratorium

Komposisi kimia Tahap Jumlah

Rataan St Dev Minimum Maksimum penelitian sampel

Kadar air (% bb) Kalibrasi 46 4.10 0.80 2.61 5.21

Validasi 23 4.21 0.70 2.82 5.15

Total 69 4.16 0.75 2.72 5.18

Asam lemak bebas (% bb) Kalibrasi 46 0.80 0.14 0.56 1.13

Validasi 23 0.77 0.12 0.58 1.07

Total 69 0.76 0.13 0.57 1.10

Kadar lemak (% bb) Kalibrasi 45 36.88 3.43 31.22 46.82

Validasi 23 36.68 3.20 31.62 43.80

Total 68 36.78 3.32 31.42 45.31

C. Hasil Kalibrasi Reflektan dengan Data Kimia Tanpa Perlakuan Data terhadap Spektra

Data reflektan adalah data yang diperoleh dari proses pemantulan sampel jarak pagar. Pada tahap ini, data yang digunakan adalah data reflektan tanpa menggunakan perlakuan data. Metode yang digunakan adalah principal component regression (PCR) dan partial least square (PLS). Berikut hasil data reflektan metode PCR dan PLS kadar air, asam lemak bebas, dan kadar lemak:

1. Kadar Air

Berdasarkan Tabel 8, data reflektan kadar air dengan metode PCR tidak menghasilkan kalibrasi yang baik dibandingkan dengan data reflektan kadar air dengan metode PLS. Hal ini dapat dilihat dari koefisien regresi (r) dan koefisien determinasi (r2) yang dihasilkan kecil dengan metode PCR, yaitu 43.94% dan 19.31%, sedangkan dengan metode PLS hasil kalibrasi lebih baik, yaitu 60.37% dan 36.44%. Persamaan kalibrasi yang dihasilkan dari data reflektan metode PCR adalah f(x) = 0.1931x + 3.3121, sedangkan data reflektan metode PLS adalah f(x) = 0.3644x + 2.6088. Persamaan kalibrasi ini perlu ditingkatkan dengan cara menggunakan perlakuan data. Namun, untuk konsistensi dan v-set bias yang dihasilkan memiliki nilai yang baik karena sesuai dengan ketentuan, yaitu konsistensi yang baik melebihi 100% dan nilai v-set bias semakin mendekati nol maka akan semakin baik. Tabel 8. Data reflektan kadar air dengan metode PCR dan PLS tanpa perlakuan data

Data Statistik Data Reflektan

Metode PCR Metode PLS Kalibrasi Validasi Kalibrasi Validasi

R (%) 43.94 46.06 60.37 55.28 R2 (%) 19.31 21.22 36.44 30.55 Set Bias (%) 0.00 0.09 0.00 -0.02 Konsistensi (%) 114.85 108.12 SE (%) 0.72 0.63 0.64 0.59 CV (%) 17.53 14.90 15.56 14.05

30

2. Asam lemak bebas Berdasarkan Tabel 9, data reflektan asam lemak bebas dengan metode PCR tidak

menghasilkan kalibrasi yang baik dibandingkan dengan data reflektan kadar air dengan metode PLS. Hal ini dapat dilihat dari koefisien regresi (r) dan koefisien determinasi (r2) yang dihasilkan kecil dengan metode PCR, yaitu 24.31% dan 5.91%, sedangkan dengan metode PLS hasil kalibrasi lebih baik, yaitu 48.86% dan 23.87%. Persamaan kalibrasi yang dihasilkan dari data reflektan metode PCR adalah f(x) = 0.0591x + 0.7554, sedangkan data reflektan metode PLS adalah f(x) = 0.2387x + 0.6112. Persamaan kalibrasi ini perlu ditingkatkan dengan cara menggunakan perlakuan data. Metode PCR menunjukkan hasil kalibrasi yang lebih kecil daripada metode PLS. Hal ini disebabkan pada metode PCR hanya memberikan informasi data spektra saja, sedangkan pada metode PLS mencakup data spektra dan data kimia. Namun, untuk konsistensi dan v-set bias yang dihasilkan memiliki nilai yang baik karena sesuai dengan ketentuan, yaitu konsistensi yang baik melebihi 100% dan nilai v-set bias semakin mendekati nol maka akan semakin baik.

Tabel 9. Data reflektan asam lemak bebas dengan metode PCR dan PLS tanpa perlakuan data



R (%) 24.31 15.93 48.86 43.66 R2 (%) 5.91 2.54 23.87 19.06 Set Bias (%) 0.00 -0.02 0.00 -0.03 Konsistensi (%) 113.05 110.36 SE (%) 0.13 0.12 0.12 0.11 CV (%) 16.38 15.11 14.74 13.92

3. Kadar Lemak

Berdasarkan Tabel 10, data reflektan kadar lemak dengan metode PCR tidak menghasilkan kalibrasi yang baik dibandingkan dengan data reflektan kadar lemak dengan metode PLS. Hal ini dapat dilihat dari koefisien regresi (r) dan koefisien determinasi (r2) yang dihasilkan kecil dengan metode PCR, yaitu 35.89% dan 12.88%, sedangkan dengan metode PLS hasil kalibrasi lebih baik, yaitu 43.56% dan 18.97%. Persamaan kalibrasi yang dihasilkan dari data reflektan metode PCR adalah f(x) = 0.1685x + 30.6693, sedangkan data reflektan metode PLS adalah f(x) = 0.2588x + 27.3356. Persamaan kalibrasi ini perlu ditingkatkan dengan cara menggunakan perlakuan data. Metode PCR menunjukkan hasil kalibrasi yang lebih kecil daripada metode PLS. Hal ini disebabkan pada metode PCR hanya memberikan informasi data spektra saja, sedangkan pada metode PLS mencakup data spektra dan data kimia. Namun, untuk konsistensi dan v-set bias yang dihasilkan memiliki nilai yang baik karena sesuai dengan ketentuan, yaitu konsistensi yang baik melebihi 100% dan nilai v-set bias semakin mendekati nol maka akan semakin baik.

31

Tabel 10. Data reflektan kadar lemak dengan metode PCR dan PLS tanpa perlakuan data



R (%) 41.04 41.33 50.88 53.59 R2 (%) 16.85 17.09 25.88 28.72 Set Bias (%) 0.00 -0.81 0.00 -0.59 Konsistensi (%) 107.09 109.04 SE (%) 3.13 2.92 2.95 2.71 CV (%) 8.48 7.96 8.01 7.39

D. Hasil Kalibrasi Reflektan antara Data Kimia dengan Perlakuan Data terhadap Spektra

Spektra original padatan selalu mempunyai hasil yang menyebar (scattering) akibat adanya perbedaan ukuran partikel. Scattering juga dipengaruhi oleh perbedaan ketebalan petri dish dan kepadatan sampel di dalam petri dish. Untuk mengurangi terjadinya scattering, maka diperlukan perlakuan data seperti normalisasi dan derivatif. Normalisasi yang digunakan adalah normalisasi antara 0-1, sedangkan derivatif yang digunakan adalah derivatif pertama Savitzky-Golay setiap 9 titik. Normalisasi berfungsi untuk memperbesar nilai reflektan ke dalam rentang 0-1 sehingga akan tampak lebih jelas pembedanya dan menghilangkan pengaruh perbedaan ukuran partikel sampel uji.

Pada Gambar 13 merupakan spektra yang belum diberikan perlakuan data dan terlihat bahwa spektranya masih belum berhimpit sama untuk sampel dengan kandungan kimia yang sama. Pada Gambar 14 spektra sudah diberikan perlakuan data berupa normalisasi antara 0-1, dapat dilihat bahwa spektra menjadi berhimpit sama untuk bahan dengan kandungan kimia yang sama. Kondisi ini memperlihatkan bahwa setiap sampel akan menyerap energi dari radiasi NIR secara proporsional (persentasenya sama tetapi jumlahnya berbeda) sesuai dengan kandungan kimianya. Jika terjadi perbedaan ukuran partikel pada sampel, maka nilai yang diserap juga akan berbeda, tetapi perbedaan yang diserap tersebut proporsional (persentasenya sama). Spektra akan menunjukkan nilai yang diserap sama jika dilakukan normalisasi terhadap suatu nilai dalam hal ini ke rentang 0-1.

Derivatif pertama Savitzy-Golay setiap 9 titik berfungsi untuk membuat spektra menjadi titik-titik puncak yang lebih spesifik karena derivatif akan memisahkan setiap komponen sehingga dapat terjaga kekonsistenan datanya. Spektra reflektan yang sudah diderivatif dapat dilihat pada Gambar 15. Perlakuan data yang dilakukan selanjutnya adalah kombinasi antara normalisasi antara 0-1 dengan derivatif pertama Savitzy-Golay setiap 9 titik. Pada perlakuan derivatif akan diperjelas dengan perbedaan nilai reflektan untuk tiap panjang gelombangnya sehingga perubahan yang besar akan menghasilkan titik-titik puncak pada nilai derivatifnya. Titik-titik puncak tersebut menggambarkan komposisi kimia yang dikandung oleh bahan. Setiap bahan memiliki kandungan kimia berbeda akan menyerap energi radiasi elektromagnetik yang berbeda sehingga energi yang direfleksikan juga akan berbeda. Sedangkan perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama. Spektra reflektan kombinasi antara normalisasi 0-1 dan derivatif pertama Savitzy-Golay setiap 9 titik dapat dilihat pada Gambar 16.

32

Gambar 14. Perlakuan spektra dengan normalisasi antara 0-1

Gambar 15. Perlakuan spektra dengan derivatif pertama Savitzky-Golay setiap 9 titik

Gambar 16. Perlakuan spektra kombinasi antara normalisasi 0-1 dan derivatif pertama Savitzy-Golay

setiap 9 titik

33

1. Kadar air Kadar air memiliki ikatan O-H yang karakteristiknya ikatan tersebut mudah diserap

oleh NIR. Data reflektan kadar air tanpa menggunakan perlakuan data tidak menghasilkan kalibrasi yang baik. Oleh karena itu, diperlukan perlakuan data untuk meningkatkan kalibrasi. Perlakuan data pertama yang digunakan adalah normalisasi antara 0-1. Persamaan kalibrasi yang dihasilkan dari data reflektan dengan perlakuan data spektra normalisasi antara 0-1 adalah f(x) = 0.3490x + 2.6723 dengan koefisien regresi (r) 59.07% dan koefisien determinasi (r2) 34.90%. Hasil kalibrasi yang dihasilkan dari perlakuan data tersebut masih rendah. Oleh karena itu, dilakukan perlakuan data yang kedua, yaitu derivatif pertama Savitzky-Golay setiap 9 titik. Persamaan kalibrasi yang dihasilkan dari data reflektan dengan perlakuan data derivatif pertama Savitzky-Golay setiap 9 titik adalah f(x) = 0.8876x + 0.4613 dengan koefisien regresi (r) 94.21% dan koefisien determinasi (r2) 88.76%. Hasil kalibrasi semakin meningkat dengan perlakuan data tersebut. Setelah itu, dilakukan perlakuan data yang ketiga, yaitu kombinasi antara normalisasi 0-1 dengan derivatif pertama Savitzky-Golay setiap 9 titik. Persamaan kalibrasi yang dihasilkan dari data reflektan kombinasi antara kedua perlakuan data tersebut adalah f(x) = 0.8886x + 0.4572 dengan koefisien regresi (r) 94.27% dan koefisien determinasi (r2) 88.86%. Hasil kalibrasi pun semakin meningkat dengan dilakukan perlakuan data.

Konsistensi dan v-set bias yang dihasilkan memiliki nilai yang baik karena sesuai dengan ketentuan, yaitu konsistensi yang baik melebihi 100% dan nilai v-set bias semakin mendekati nol. Standar error kalibrasi dan validasi yang dihasilkan pun semakin mendekati nol. Koefisien keragaman yang dihasilkan semakin kecil hingga dapat ditentukan bahwa hasil kalibrasi dan validasi untuk kadar air yang terbaik dengan menggunakan perlakuan data kombinasi antara normalisasi 0-1 dan derivatif pertama Savitzky-Golay setiap 9 titik dengan metode partial least square (PLS). Data reflektan kadar air metode PCR dengan perlakuan data selengkapnya dapat dilihat pada Lampiran 4. Berikut data statistik kadar air dari ketiga perlakuan data:

Tabel 11. Data reflektan kadar air metode PLS dengan perlakuan data

Data Statistik

Derivatif pertama Kombinasi normalisasi

Normalisasi Savitzky-Golay antara 0-1 dengan derivatif antara 0-1 setiap 9 titik pertama Savitzky-Golay

setiap 9 titik

Kalibrasi Validasi Kalibrasi Validasi Kalibrasi Validasi R (%) 59.07 57.63 94.21 92.51 94.27 92.84 R2 (%) 34.90 33.22 88.76 85.58 88.86 86.19 Set Bias (%) 0.00 -0.03 0.00 0.02 0.00 0.01 Konsistensi (%) 112.69 100.03 102.31 SE (%) 0.65 0.57 0.27 0.27 0.27 0.26 CV (%) 15.75 13.64 6.54 6.38 6.51 6.21

2. Asam lemak bebas

Hasil data dari NIR spektroskopi adalah reflektan (R). Namun, data tersebut belum dapat dimanfaatkan karena masih terdapat noise atau gangguan seperti spektra yang overlapping. Untuk itu perlu dilakukan perlakuan data sebelum pemodelan. Metode

34

perlakuan yang digunakan untuk asam lemak bebas adalah normalisasi, derivatif, dan kombinasi dari keduanya. Normalisasi berfungsi untuk mengurangi perbedaan ukuran partikel, sedangkan derivatif berfungsi untuk mengurangi efek baseline dan membuat titik-titik puncak sehingga diperoleh hasil data tunggal.

Perlakuan data pertama yang digunakan adalah normalisasi, namun hasil kalibrasi dan validasi yang dihasilkan masih rendah. Persamaan kalibrasi yang dihasilkan dari data reflektan dengan perlakuan data normalisasi antara 0-1 adalah f(x) = 0.4192x + 0.4663 dengan koefisien regresi (r) 64.75% dan koefisien determinasi (r2) 41.92%. Hasil kalibrasi yang dihasilkan dari perlakuan data tersebut masih rendah. Oleh karena itu dilakukan perlakuan data yang kedua, yaitu derivatif pertama Savitzky-Golay setiap 9 titik. Persamaan kalibrasi yang dihasilkan dari data reflektan dengan perlakuan data derivatif pertama Savitzky-Golay setiap 9 titik adalah f(x) = 0.8457x + 0.1239 dengan koefisien regresi (r) 91.96% dan koefisien determinasi (r2) 84.57%. Hasil kalibrasi semakin meningkat dengan perlakuan data tersebut. Selain itu, dilakukan perlakuan data yang ketiga, yaitu kombinasi antara normalisasi 0-1 dengan derivatif pertama Savitzky-Golay setiap 9 titik. Persamaan kalibrasi yang dihasilkan dari data reflektan kombinasi antara kedua perlakuan data tersebut adalah f(x) = 0.8473x + 0.1226 dengan koefisien regresi (r) 92.05% dan koefisien determinasi (r2) 84.73%. Hasil kalibrasi pun semakin meningkat dengan dilakukan perlakuan data.

Konsistensi dan v-set bias yang dihasilkan memiliki nilai yang baik karena sesuai dengan ketentuan, yaitu konsistensi yang baik melebihi 100% dan nilai v-set bias semakin mendekati nol. Standar error dan koefisien keragaman kalibrasi dan validasi yang dihasilkan pun semakin mendekati nol. Berdasarkan Tabel 12 perlakuan data yang menunjukkan hasil kalibrasi dan validasi terbaik untuk pendugaan asam lemak bebas adalah kombinasi antara normalisasi dengan derivatif pertama Savitzy-Golay setiap 9 titik dengan metode partial least square (PLS). Data reflektan asam lemak bebas metode PCR dengan perlakuan data selengkapnya dapat dilihat pada Lampiran 4. Berikut data statistik asam lemak bebas dari ketiga perlakuan data:

Tabel 12. Data reflektan asam lemak bebas metode PLS dengan perlakuan data

Data Statistik


Normalisasi Savitzky-Golay antara 0-1 dengan derivatif antara 0-1 setiap 9 titik pertama Savitzky-Golay

setiap 9 titik

Kalibrasi Validasi Kalibrasi Validasi Kalibrasi Validasi R (%) 64.75 61.14 91.96 89.32 92.05 90.05 R2 (%) 41.92 37.39 84.57 79.78 84.73 81.09 Set Bias (%) 0.00 -0.02 0.00 -0.01 0.00 -0.01 Konsistensi (%) 103.95 101.10 104.01 SE (%) 0.10 0.10 0.05 0.05 0.05 0.05 CV (%) 12.87 12.91 6.63 6.84 6.60 6.62

3. Kadar lemak

Perlakuan data pertama yang digunakan adalah normalisasi antara 0-1, namun hasil kalibrasi dan validasi yang dihasilkan masih rendah. Koefisien korelasi yang rendah antara

35

NIR dengan data referensi menunjukkan bahwa analisis NIR tidak berhasil dan ini bisa menyebabkan spektroskopi NIR tidak dapat diaplikasikan dalam analisis. Persamaan kalibrasi yang dihasilkan dari data reflektan dengan perlakuan data normalisasi antara 0-1 adalah f(x) = 0.3799x + 22.8696 dengan koefisien regresi (r) 61.64% dan koefisien determinasi (r2) 37.99%. Hasil kalibrasi yang dihasilkan dari perlakuan data tersebut masih rendah. Oleh karena itu dilakukan perlakuan data yang kedua, yaitu derivatif pertama Savitzky-Golay setiap 9 titik. Persamaan kalibrasi yang dihasilkan dari data reflektan dengan perlakuan data derivatif pertama Savitzky-Golay setiap 9 titik adalah f(x) = 0.5995x + 14.7710 dengan koefisien regresi (r) 77.43% dan koefisien determinasi (r2) 59.95%. Hasil kalibrasi semakin meningkat dengan perlakuan data tersebut. Setelah itu, dilakukan perlakuan data yang ketiga, yaitu kombinasi antara normalisasi 0-1 dengan derivatif pertama Savitzky-Golay setiap 9 titik. Persamaan kalibrasi yang dihasilkan dari data reflektan kombinasi antara kedua perlakuan data tersebut adalah f(x) = 0.6002x + 14.7469 dengan koefisien regresi (r) 77.47% dan koefisien determinasi (r2) 60.02%. Hasil kalibrasi pun semakin meningkat dengan dilakukan perlakuan data. Namun, koefisien regresi dan determinasi kadar lemak tersebut masih di bawah kriteria yang baik. Hal ini dipengaruhi oleh data kimia yang sangat beragam dan keterbatasan jumlah sampel yang dianalisis.

Konsistensi dan v-set bias yang dihasilkan memiliki nilai yang baik karena sesuai dengan ketentuan, yaitu konsistensi yang baik melebihi 100% dan nilai v-set bias semakin mendekati nol. Standar error dan koefisien keragaman kalibrasi dan validasi yang dihasilkan pun semakin mendekati nol. Berdasarkan Tabel 13 perlakuan data yang menunjukkan hasil kalibrasi dan validasi terbaik untuk pendugaan kadar lemak adalah kombinasi antara normalisasi dengan derivatif pertama Savitzy-Golay setiap 9 titik dengan metode partial least square (PLS). Data reflektan kadar lemak metode PCR dengan perlakuan data selengkapnya dapat dilihat pada Lampiran 4. Berikut data statistik kadar lemak dari ketiga perlakuan data:

Tabel 13. Data reflektan kadar lemak metode PLS dengan perlakuan data

Data Statistik


Normalization Savitzky-Golay antara 0-1 dengan derivatif Antara 0 to 1 setiap 9 titik pertama Savitzky Golay

setiap 9 titik

Kalibrasi Validasi Kalibrasi Validasi Kalibrasi Validasi R (%) 61.64 58.19 77.43 75.65 77.47 75.54 R2 (%) 37.99 33.86 59.95 57.23 60.02 57.07 Set Bias (%) 0.00 -0.14 0.00 -0.21 0.00 0.01 Konsistensi (%) 103.59 103.26 103.27 SE (%) 2.70 2.61 2.17 2.10 2.17 2.10 CV (%) 7.32 7.11 5.89 5.73 5.88 5.73

E. Hasil Kalibrasi Terbaik untuk Kadar Air, Asam Lemak Bebas, dan Kadar Lemak

Berdasarkan hasil analisis yang diperoleh, data reflektan tanpa menggunakan perlakuan data menghasilkan kalibrasi yang rendah. Oleh karena itu, dilakukan perlakuan data agar kalibrasi

36

dapat meningkat. Berikut hasil kalibrasi terbaik untuk kadar air, asam lemak bebas, dan kadar lemak dapat dilihat pada Tabel 14. Berdasarkan keseluruhan hasil kalibrasi dan validasi yang diperoleh, maka pendugaan komposisi kimia kadar air, asam lemak bebas, dan kadar lemak dapat diprediksi baik oleh NIR. Hasil uji laboratorium sangat menentukan baik atau tidaknya kalibrasi yang dibangun oleh NIR. Apabila data hasil laboratorium akurat, maka hasil kalibrasi yang dibangun oleh NIR pun akan semakin baik. Namun, apabila data hasil laboratorium tidak akurat, maka hasil kalibrasi yang dibangun oleh NIR pun tidak baik/tidak berhasil.

Tabel 14. Hasil kalibrasi terbaik untuk kadar air, asam lemak bebas, dan kadar lemak

Metode Kalibrasi

Kombinasi antara Derivatif pertama normalisasi 0-1

Komposisi Tanpa Normalisasi Savitzky-Golay derivatif pertama kimia perlakuan data antara 0-1 setiap 9 titik Savitzky-Golay

setiap 9 titik

Kadar air PCR

SE (%) 0.72 0.72 0.65 0.64 CV (%) 17.53 17.44 15.9 15.69

PLS SE (%) 0.64 0.65 0.27 0.27 CV (%) 15.56 15.75 6.54 6.51

Asam PCR

SE (%) 0.13 0.13 0.09 0.09 lemak CV (%) 16.38 16.38 11.58 11.51 bebas

PLS SE (%) 0.12 0.10 0.05 0.05

CV (%) 14.74 12.87 6.63 6.60

Kadar Lemak

PCR SE (%) 3.13 3.11 3.12 3.13 CV (%) 8.48 8.44 8.47 8.50

PLS SE (%) 2.95 2.70 2.17 2.17 CV (%) 8.01 7.32 5.89 5.88

Pada tabel di atas dapat dilihat bahwa hasil akhir standar error dan koefisien keragaman

masih besar. Hal ini disebabkan oleh beberapa faktor, yaitu kesalahan dari data kimia dan jumlah sampel yang terbatas. Menurut Tiaprasit W dan Sangpithukwong C (2010), sumber error dari NIR adalah 7.5% dari kesalahan alat (noise, adanya penyimpangan, akurasi panjang gelombang), 10% dari kesalahan komputasi (pembuatan persamaan, perhitungan treatment), 20% dari kesalahan dalam pengepakan, 30% dari kesalahan laboratory (kesalahan penimbangan, kesalahan titrasi), 32.5% dari kesalahan sampel (distribusi yang tidak merata, ketidakstabilan komposisi kimia).

NIR memiliki kelebihan dan kekurangan dalam analisis pendugaan komposisi kimia. Kelebihan dari NIR adalah sangat cepat pengukurannya, ekonomis, tidak ada sampel preparasi (tidak ada penggunaan bahan kimia dan tidak ada limbah), sampel yang telah dilakukan scan di NIR tidak mengalami kerusakan. Selain itu, mobile (bisa disimpan dimana saja) dan dapat menganalisis sampel lebih dari satu property. Kekurangan dari NIR adalah memerlukan sampel yang banyak.

1. Kadar air

Pemilihan komponen utama kedua (PCs secondary) yang digunakan untuk kadar air adalah 4 PCs. Pemilihan komponen utama kedua dilihat dari grafik konsistensi dan v-set

37

press. Grafik konsistensi dapat dilihat pada Gambar 17 yang menunjukkan bahwa semakin besar PCs, maka konsistensi akan semakin kecil. Oleh karena itu, dipilih komponen utama kedua (PCs secondary) sebanyak 4 karena pada PCs ini nilai konsistensi di atas 100%. Pada Gambar 18 menunjukkan grafik v-set press, dimana nilai yang diharapkan dari v-set press adalah mendekati nol. Pemilihan komponen utama kedua (PCs secondary) sebanyak 4 menunjukkan nilai v-set press yang mendekati nol. Konsistensi yang dihasilkan sebesar 102.31% dan nilai v-set press sebesar 4.65% terdapat pada PCs 4.

Gambar 17. Konsistensi antara SEC dan SEP kadar air

Gambar 18. Nilai V-Set PRESS kadar air

38

Gambar 19. Hasil kalibrasi dan validasi kadar air prediksi NIR terbaik dengan data kimia

Pada Gambar 19 menunjukkan hasil kalibrasi dan validasi kadar air yang linier antara

nilai original data kimia dengan nilai prediksi NIR. Namun, letak ketiga titik dalam satu sampel berbeda pada satu titik pengukuran dan titik pengukuran lainnya. Hal ini disebabkan pada saat dilakukan 3 kali scan, spektra pada ketiga titik tersebut tidak berhimpit sama. Grafik tersebut menunjukkan hasil standar error kalibrasi dan validasi yang mendekati nol, yaitu sebesar 0.27% dan 0.26%. Koefisien keragaman kalibrasi dan validasi untuk kadar air diperoleh sebesar 6.51% dan 6.21%. Koefisien keragaman yang diperoleh belum memenuhi kriteria yang ideal, yaitu 1-1.5%.

2. Asam lemak bebas

Kalibrasi yang baik nilainya harus berimbang juga dengan validasi. Pada Gambar 20 merupakan grafik konsistensi yang menunjukkan hubungan antara standar error kalibrasi (SEC) dengan standar error validasi (SEP). Konsistensi terbaik yang diperoleh sebesar 104.01%, sedangkan Gambar 21 merupakan grafik v-set press yang digunakan untuk memperkirakan jumlah PCs. Pada grafik tersebut dapat dilihat bahwa v-set press mendekati nol pada PCs 3 sehingga dipilih komponen utama kedua sebanyak 3 PCs. Nilai v-set press yang dihasilkan sebesar 0.18%.

Kalibrasi y = 0.888x + 0.457R² = 0.888

Validasi y = 0.886x + 0.462R² = 0.861

2

3

4

5

6

2 3 4 5 6

Pred

iksi

NIR

Kad

ar A

ir (%

bb)

Data Kimia Kadar Air (% bb)

Kalibrasi

Validasi

39

Gambar 20. Konsistensi antara SEC dan SEP asam lemak bebas

Gambar 21. Nilai V-Set PRESS asam lemak bebas

Gambar 22. Hasil kalibrasi dan validasi asam lemak bebas prediksi NIR terbaik dengan data kimia

Kalibrasi y = 0.847x + 0.122R² = 0.847

Validasi y = 0.818x + 0.151R² = 0.810

0.40

0.60

0.80

1.00

1.20

0.40 0.60 0.80 1.00 1.20

Pred

iksi

NIR

Asa

m L

emak

Beb

as (%

bb)

Data Kimia Asam Lemak Bebas (% bb)

Kalibrasi

Validasi

40

Pada Gambar 22 menunjukkan hasil kalibrasi dan validasi asam lemak bebas yang linier antara nilai original data kimia dengan nilai prediksi NIR. Namun, letak ketiga titik dalam satu sampel berbeda pada satu titik pengukuran dan titik pengukuran lainnya. Hal ini disebabkan pada saat dilakukan 3 kali scan, spektra pada ketiga titik tersebut tidak berhimpit sama. Grafik tersebut menunjukkan hasil standar error kalibrasi dan validasi yang mendekati nol, yaitu sebesar 0.05%. Koefisien keragaman kalibrasi dan validasi untuk asam lemak bebas diperoleh sebesar 6.60% dan 6.62%. Koefisien keragaman yang diperoleh belum memenuhi kriteria yang ideal, yaitu 1-1.5%. Hal ini dapat disebabkan dari keterbatasan jumlah sampel yang sedikit. Semakin banyak sampel, maka standar error (SE) dan koefisien keragaman (CV) akan semakin kecil.

3. Kadar lemak

Pada Gambar 23 merupakan grafik konsistensi kadar lemak yang menunjukkan hubungan antara standar error kalibrasi (SEC) dengan standar error validasi (SEP). Konsistensi terbaik yang diperoleh sebesar 103.27%, sedangkan Gambar 24 merupakan grafik v-set press yang digunakan untuk memperkirakan jumlah PCs. Pada grafik tersebut dapat dilihat bahwa v-set press mendekati nol pada PCs 3 sehingga dipilih komponen utama kedua sebanyak 3 PCs. Nilai v-set press yang dihasilkan sebesar 300.07%.

Gambar 23. Konsistensi antara SEC dan SEP kadar lemak

Gambar 24. Nilai V-Set PRESS kadar lemak

41

Gambar 25. Hasil kalibrasi dan validasi kadar lemak prediksi NIR terbaik dengan data kimia

Pada Gambar 25 menunjukkan hasil kalibrasi dan validasi kadar lemak yang linier

antara nilai original data kimia dengan nilai prediksi NIR. Namun, letak ketiga titik dalam satu sampel berbeda pada satu titik pengukuran dan titik pengukuran lainnya. Hal ini disebabkan pada saat dilakukan 3 kali scan, spektra pada ketiga titik tersebut tidak berhimpit sama. Grafik tersebut menunjukkan hasil standar error kalibrasi dan validasi masih tinggi, yaitu sebesar 2.17% dan 2.10%. Koefisien keragaman kalibrasi dan validasi untuk kadar lemak diperoleh sebesar 5.88% dan 5.73%. Koefisien keragaman yang diperoleh belum memenuhi kriteria yang ideal, yaitu 1-1.5%. Hal ini dipengaruhi oleh jumlah sampel yang terbatas hanya 69 sampel. Teknologi NIR dalam industri digunakan dengan jumlah sampel yang banyak dari ratusan hingga ribuan data. Oleh karena itu, dapat diperoleh hasil kalibrasi yang baik. Namun, sebenarnya dengan jumlah sampel 60 sudah dapat memenuhi standar untuk dilakukan kalibrasi, tetapi hasil keakuratannya tidak dapat dipastikan baik.

Kalibrasi y = 0.600x + 14.74R² = 0.600

Validasi y = 0.593x + 14.89R² = 0.570

25

30

35

40

45

50

25 30 35 40 45 50

Pred

iksi

NIR

Kad

ar L

emak

(%bb

)

Data Kimia Kadar Lemak (%bb)

Kalibrasi

Validasi

42

V. SIMPULAN DAN SARAN

A. KESIMPULAN 1. Pendugaan komposisi kimia kadar air, asam lemak bebas, dan kadar lemak

menggunakan data reflektan tanpa menggunakan perlakuan data menghasilkan kalibrasi yang lebih kecil dibandingkan dengan menggunakan data reflektan dengan menggunakan perlakuan data.

2. Pendugaan kadar air, asam lemak bebas, dan kadar lemak biji jarak pagar (Jatropha curcas L.) terbaik diperoleh dengan metode PLS dan perlakuan data kombinasi antara normalisasi 0-1 dengan derivatif pertama Savitzky-Golay setiap 9 titik. Standar error dan koefisien keragaman sebesar 0.27% dan 6.51% untuk kadar air, 0.05% dan 6.60% untuk asam lemak bebas, serta 2.17% dan 5.88% untuk kadar lemak.

B. SARAN

1. Perlu dilakukan penambahan jumlah sampel untuk meningkatkan akurasi sehingga

standar error (SE) dan koefisien keragaman (CV) akan semakin kecil. 2. Perlu dilakukan penelitian lebih lanjut dengan menggunakan metode kalibrasi yang lebih

akurat dan memfasilitasi hubungan yang tidak linier untuk jumlah data yang cukup besar seperti penggunaan jaringan syaraf tiruan (JST).

3. Perlu ketelitian yang tinggi dalam pengujian data hasil laboratorium sehingga persamaan kalibrasi yang yang dibangun oleh NIR bisa menjadi lebih baik.

43

DAFTAR PUSTAKA Africia Saragih Maharani. 2007. Kombinasi Metode Spektrofotometri dan Kalibrasi Multivariat untuk

Penentuan Simultan Natrium Benzoat dan Kalsium Sorbat [skripsi]. Bogor: Program sarjana, Institut Pertanian Bogor.

[Anonim]. 2010. Quick Guide NIRCal with Toolbox. BUCHI NIR Application Support, Bangkok,

Thailand. Fery Purba Samuel. 2010. Pendugaan Komposisi Kimia Modified Cassava Flour (MOCAF) dengan

Metode Near Infrared (NIR) [skripsi]. Bogor: Program sarjana, Institut Pertanian Bogor. Giwangkara. 2007. Spektroskopi infra merah http://www.wordpress.com. [6 Juni 2012] Gubitz GM, Mittelbach M, Trabi M. 1999. Exploitation of the tropical oil seed plant Jatropha curcas

L. Bioresource Technology 67: 73-82. Heruwati Ita. 2011. Deteksi Gejala Chilling Injury Buah Belimbing (Averrhoa carambola L.) yang

Disimpan pada Suhu Rendah dengan NIR Spectroscopy [skripsi]. Bogor: Program sarjana, Institut Pertanian Bogor.

Luthfiani Nurtiyas. 2012. Aplikasi Spektrofotometri Inframerah Dekat untuk Kuantifikasi Eugenol,

Mentol, dan Metil Salisilat Dalam Obat Nyeri Otot [skripsi]. Bogor: Program sarjana, Institut Pertanian Bogor.

Mardison. 2010. Penentuan Komposisi Kimia Biji Jarak Pagar secara Non-Desktruktif dengan Metode

NIR dan Jaringan Syaraf Tiruan [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Mita Mala Dheni. 2003. Pendugaan Kadar Air, Karbohidrat, Protein, dan Lemak Tepung Jagung (Zea

mays) dengan Teknologi Near Infrared [skripsi]. Bogor: Program sarjana, Institut Pertanian Bogor.

Mohsenin, N. M. 1984. Electromagnetic Radiation Properties of Food and Agricultural Products.

Gordon dan Breach Science Publisher. New York. Nur Anwar. 1989. Spektroskopi. Pusat Antar Universitas Pangan dan Gizi. Bogor. Nur Faridah Didah, Kusnandar Feri, Herawati Dian et al. 2010. Penuntun Praktikum Analisis Pangan.

Departemen Ilmu dan Teknologi Pangan, Fakultas Teknologi Pertanian, IPB. Nurcholis Mohammad, Sumarsih Sri. 2007. Jarak Pagar dan Pembuatan Biodiesel. Yogyakarta:

Kanisius.

44

Patil Smita. 2007. Near infra red spectroscopy: a growing technique in material analysis http://www.pharmainfo.net/reviews/near-infra-red-spectroscopy-growing-technique-material-analysis. [6 Juni 2012]

Prastowo Bambang. 2007. Bahan bakar nabati asal tanaman perkebunan sebagai alternatif pengganti

minyak tanah untuk rumah tangga. Pusat Penelitian dan Pengembangan Perkebunan 6 (1): 10-18.

Priyanto Unggul. 2007. Menghasilkan Biodiesel Jarak Pagar Berkualitas. Jakarta: PT Agromedia

Pustaka. Quddus Atiatul. 2006. Penentuan Kandungan Energi Bruto Tepung Ikan untuk Bahan Pakan Ternak

menggunakan Teknologi Near Infrared (NIR) [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

R B Kasmidjo. 1992. Pengantar Ilmu Pangan, Nutrisi, dan Mikrobiologi. Gadjah Mada Universiry

Press. Sriharti, Salim Takiyah, F Sitompul Rislima. 2011. Implementasi teknologi proses pengolahan biji

jarak pagar (Jatropha curcas Linn) sebagai sumber energi alternatif substitusi BBM di kabupaten Subang. Subang: LIPI.

Suhardjo, M Kusharto Clara. 2007. Prinsip-prinsip Ilmu Gizi. Lembaga Sumberdaya Informasi –

IPB. Sumangat Djajeng, Broto Wisnu. 2009. Kajian teknis dan ekonomis pengolahan briket bungkil biji

jarak pagar sebagai bahan bakar tungku. Buletin Teknologi Pascapanen (5). Soerawidjaja, Tatang H. 2006. Energi Alternatif Dari Kelapa. Dalam Elna K., Henky TL, Iis NM,

Ketut Ardana dan Susilowati (Ed.). Konferensi Nasional Kelapa VI 2006. Gorontralo. Puslitbangbun Bogor.

Tiaprasit W, Sangpithukwong C. 2010. BUCHI NIRFlex N-500 Training Course. BUCHI NIR

Application Support, Bangkok, Thailand. Williams Phil, Norris Karl. 1987. Near-Infrared Technology in the Agricultural and Food Industries.

St. Paul, Minnesota, USA: American Association of Cereal Chemists, Inc.

45

LAMPIRAN

46

Lampiran 1. Data hasil kimia pengukuran kadar air sampel tepung jarak pagar IP-3P

Sampel Berat Berat Berat awal

cawan Berat akhir

cawan Kadar air (% bb)

Rata-rata

cawan (g)

sampel (g)

dan sampel (g)

dan sampel (g)

kadar air (% bb)

P21 4.6372 2.2914 6.9286 6.8294 4.33

4.37 4.5763 3.2738 7.8501 7.7054 4.42

P22 5.1342 2.1060 7.2402 7.1593 3.84

3.52 5.0931 1.8754 6.9685 6.9085 3.20

P23 4.6720 2.9947 7.6667 7.5525 3.81

3.64 5.1869 1.8271 7.0140 6.9505 3.48

P24 4.1197 2.9685 7.0882 6.9626 4.23

4.17 4.8470 2.5115 7.3585 7.2555 4.10

P25 4.6951 2.6369 7.3320 7.2158 4.41

4.48 4.7811 3.4304 8.2115 8.0552 4.56

P26 4.4293 2.3160 6.7453 6.6553 3.89

3.89 4.6662 2.2194 6.8856 6.7991 3.90

P27 4.6212 2.6154 7.2366 7.1191 4.49

4.48 5.0290 3.0333 8.0623 7.9265 4.48

P28 4.4506 1.5262 5.9768 5.9155 4.02

4.04 4.7043 2.0627 6.7670 6.6833 4.06

P29 4.2796 2.3504 6.6300 6.5329 4.13

4.24 5.1225 2.6427 7.7652 7.6505 4.34

P30 5.3501 2.2666 7.6167 7.5320 3.74

3.82 5.1403 2.1716 7.3119 7.2272 3.90

P31 4.1093 2.7936 6.9029 6.7815 4.35

4.19 6.1231 2.6050 8.7281 8.6230 4.03

P32 4.2868 2.5919 6.8787 6.7859 3.58

3.69 4.3481 2.1940 6.5421 6.4587 3.80

P33 4.9176 2.9910 7.9086 7.7800 4.30

4.30 4.2361 2.0626 6.2987 6.2102 4.29

P34 4.3731 2.7381 7.1112 6.9970 4.17

4.35 5.0372 1.8188 6.8560 6.7735 4.54

P35 4.2744 2.1466 6.4210 6.3143 4.97

4.93 4.3924 2.0775 6.4699 6.3683 4.89

P36 4.6369 2.1247 6.7616 6.6537 5.08

5.04 4.7797 2.1472 6.9269 6.8194 5.01

P37 4.8320 2.1035 6.9355 6.8300 5.02

5.00 4.4042 2.2810 6.6852 6.5713 4.99

P38 4.5291 2.2869 6.8160 6.7019 4.99

4.84 4.8150 2.0322 6.8472 6.7518 4.69

47

Lanjutan


cawan Berat akhir


Rata-rata

cawan (g)

sampel (g)

dan sampel (g)

dan sampel (g)

kadar air (% bb)

P39 5.0758 2.2544 7.3302 7.2276 4.55

4.70 6.1220 2.3914 8.5134 8.3975 4.85

P40 6.2645 2.2758 8.5403 8.4257 5.04

5.02 4.3041 2.1180 6.4221 6.3160 5.01

P41 5.0043 2.1263 7.1306 7.0222 5.10

5.18 4.7782 2.2480 7.0262 6.9079 5.26

P42 4.5151 2.1209 6.6360 6.5271 5.13

5.06 4.5091 2.0783 6.5874 6.4838 4.98

P43 5.0042 2.0274 7.0316 6.9300 5.01

5.03 4.6469 2.0891 6.7360 6.6304 5.05

P44 4.5914 2.0191 6.6105 6.5078 5.09

5.21 4.7275 2.2677 6.9952 6.8742 5.34

P45 5.0272 2.1865 7.2137 7.1004 5.18

5.14 4.5357 2.2166 6.7523 6.6391 5.11

P46 4.4395 2.2019 6.6414 6.5356 4.80

4.93 3.7845 2.2192 6.0037 5.8914 5.06

P47 4.2185 2.1966 6.4151 6.3115 4.72

4.71 4.5193 2.0749 6.5942 6.4966 4.70

P48 4.3472 2.2836 6.6308 6.5477 3.64

3.72 3.8664 2.1321 5.9985 5.9176 3.79

P49 3.6989 2.0847 5.7836 5.7160 3.24

3.28 4.6378 2.1415 6.7793 6.7083 3.32

P50 4.6753 2.1010 6.7763 6.7053 3.38

3.27 4.6208 2.2323 6.8531 6.7827 3.15

P51 4.5775 2.0399 6.6174 6.5536 3.13

3.09 4.4566 2.2092 6.6658 6.5983 3.06

P52 4.2804 2.1313 6.4117 6.3450 3.13

3.53 5.0940 2.0508 7.1448 7.0640 3.94

P53 5.1872 2.2858 7.4730 7.3892 3.67

3.48 4.7048 2.1485 6.8533 6.7824 3.30

P54 5.1352 2.2025 7.3377 7.2710 3.03

2.83 4.9175 2.0982 7.0157 6.9603 2.64

P55 4.1201 2.0307 6.1508 6.0792 3.53

3.40 5.0255 2.1368 7.1623 7.0924 3.27

P56 4.3729 2.0054 6.3783 6.3176 3.03

3.02 4.8451 2.1636 7.0087 6.9434 3.02

48

Lanjutan


cawan Berat akhir


Rata-rata

cawan (g)

sampel (g)

dan sampel (g)

dan sampel (g)

kadar air (% bb)

P57 4.4308 2.1406 6.5714 6.5038 3.16

3.02 5.1392 2.3059 7.4451 7.3788 2.88

P58 6.1194 2.3013 8.4207 8.3586 2.70

2.61 4.1080 2.0680 6.1760 6.1239 2.52

P59 4.2839 2.1226 6.4065 6.3463 2.84

2.85 4.3361 2.2363 6.5724 6.5084 2.86

P60 4.8213 2.2221 7.0434 6.9798 2.86

2.86 5.1223 2.1480 7.2703 7.2088 2.86

P61 5.0285 2.2547 7.2832 7.2090 3.29

3.32 4.6976 2.1949 6.8925 6.8191 3.34

P62 4.2131 2.0734 6.2865 6.2232 3.05

2.97 4.1787 2.1595 6.3382 6.2760 2.88

P63 4.7767 2.0207 6.7974 6.7468 2.50

3.03 5.3448 2.1456 7.4904 7.4141 3.56

P64 4.6641 2.1891 6.8532 6.7857 3.08

3.07 4.2348 2.1826 6.4174 6.3505 3.07

P65 4.3321 2.0467 6.3788 6.3124 3.24

3.28 5.1340 2.3361 7.4701 7.3926 3.32

P66 4.5256 2.2594 6.7850 6.7162 3.05

3.20 4.7207 2.1959 6.9166 6.8431 3.35

P67 4.9939 2.0851 7.0790 7.0236 2.66

2.64 5.0588 2.1849 7.2437 7.1864 2.62

P68 4.4567 2.0524 6.5091 6.4089 4.88

4.92 4.2560 2.0214 6.2774 6.1772 4.96

P69 4.5772 2.0548 6.6320 6.5311 4.91

4.88 4.5809 2.0815 6.6624 6.5615 4.85

P70 5.1877 2.0249 7.2126 7.1157 4.79

4.80 5.1077 2.0130 7.1207 7.0238 4.81

P71 4.9183 2.0996 7.0179 6.9226 4.54

4.62 4.8270 2.0275 6.8545 6.7592 4.70

P72 4.1213 2.0597 6.1810 6.0850 4.66

4.64 4.1125 2.0787 6.1912 6.0952 4.62

P73 4.6216 2.1242 6.7458 6.6471 4.65

4.67 4.5015 2.1152 6.6167 6.5175 4.69

P74 4.3475 2.0904 6.4379 6.3390 4.73

4.73 4.0370 2.0878 6.1248 6.0259 4.74

49

Lanjutan


cawan Berat akhir


Rata-rata

cawan (g)

sampel (g)

dan sampel (g)

dan sampel (g)

kadar air (% bb)

P75 4.6767 2.1862 6.8625 6.7628 4.56

4.60 4.2525 2.1530 6.4055 6.3058 4.63

P76 5.1235 2.0838 7.2073 7.1075 4.79

4.83 5.1140 2.0521 7.1661 7.0663 4.86

P77 4.6386 2.1249 6.7635 6.6632 4.72

4.74 4.6570 2.1138 6.7708 6.6700 4.77

P78 5.0298 2.0946 7.1244 7.0223 4.87

4.92 5.0078 2.0226 7.0304 6.9300 4.96

P79 4.2807 2.0791 6.3598 6.2696 4.34

4.33 4.1905 2.0919 6.2824 6.1922 4.31

P80 4.4312 2.1461 6.5773 6.4956 3.81

4.10 5.1391 2.1480 7.2871 7.1929 4.39

P81 4.6639 2.0616 6.7255 6.6375 4.27

4.14 4.7769 2.0964 6.8733 6.7891 4.02

P82 4.2345 2.0352 6.2697 6.1732 4.74

4.80 4.6970 2.0124 6.7094 6.6115 4.86

P83 4.7114 2.0551 6.7665 6.6752 4.44

4.60 4.1085 2.0569 6.1654 6.0676 4.75

P84 5.1371 2.1885 7.3256 7.2214 4.76

4.92 4.8596 2.1059 6.9655 6.8586 5.08

P85 5.3970 2.0889 7.4859 7.3870 4.73

4.78 5.0272 2.0865 7.1137 7.0129 4.83

P86 5.3856 2.0516 7.4372 7.3402 4.73

4.66 3.6992 2.0425 5.7417 5.6480 4.59

P87 5.0486 2.0247 7.0733 6.9756 4.83

4.83 4.6970 2.0438 6.7408 6.6419 4.84

P88 3.8662 2.1470 5.7732 5.6914 4.29

4.03 4.8458 2.0548 6.9006 6.8232 3.77

P89 4.7044 2.0539 6.7583 6.6809 3.77

3.67 5.1349 2.0785 7.2134 7.1392 3.57

50

Lampiran 2. Data hasil kimia pengukuran asam lemak bebas sampel tepung jarak pagar IP-3P

Sampel Bobot Jumlah NaOH 0.0961 N Bilangan

asam FFA (% bb) Rata-rata

sampel (g) untuk titrasi (ml) FFA (% bb)

P21 5.0713 1.13 0.86 0.55

0.56 5.2301 1.20 0.88 0.57

P22 5.0472 1.39 1.06 0.68

0.67 5.0371 1.33 1.01 0.65

P23 5.1917 1.18 0.87 0.56

0.58 5.0072 1.22 0.94 0.60

P24 5.0984 1.40 1.06 0.68

0.63 5.1379 1.21 0.91 0.58

P25 5.0076 1.27 0.97 0.63

0.63 5.0959 1.29 0.97 0.63

P26 5.0834 1.20 0.91 0.59

0.58 5.0074 1.18 0.91 0.58

P27 5.0581 1.32 1.00 0.65

0.65 5.1798 1.38 1.02 0.66

P28 5.0012 1.33 1.02 0.66

0.65 5.0058 1.28 0.98 0.63

P29 5.1056 1.29 0.97 0.63

0.63 5.0163 1.30 1.00 0.64

P30 5.0653 1.25 0.95 0.61

0.61 5.0569 1.24 0.94 0.61

P31 5.1464 1.38 1.03 0.66

0.66 5.0033 1.32 1.01 0.65

P32 5.0143 1.30 1.00 0.64

0.62 5.0028 1.21 0.93 0.60

P33 5.0126 1.46 1.12 0.72

0.72 5.0964 1.46 1.10 0.71

P34 5.1183 1.36 1.02 0.66

0.63 5.0531 1.24 0.94 0.61

P35 5.1189 1.96 1.47 0.95

0.95 5.0322 1.92 1.47 0.95

P36 5.0674 1.95 1.48 0.95

0.97 5.0113 2.01 1.54 0.99

P37 5.0033 1.95 1.50 0.97

0.96 5.0512 1.96 1.49 0.96

P38 5.0417 1.90 1.45 0.93

0.93 5.0317 1.89 1.44 0.93

51

Lanjutan




P39 5.0263 2.02 1.54 1.00

0.98 5.0478 1.98 1.51 0.97

P40 5.0760 2.20 1.67 1.07

1.07 5.0100 2.17 1.66 1.07

P41 5.0081 2.00 1.54 0.99

1.04 5.1211 2.25 1.69 1.09

P42 5.1034 1.88 1.42 0.91

0.99 5.0750 2.20 1.67 1.07

P43 5.1031 1.61 1.21 0.78

0.90 5.0918 2.09 1.58 1.02

P44 5.0484 2.21 1.68 1.09

1.08 5.0760 2.20 1.67 1.07

P45 5.0958 2.29 1.73 1.11

1.13 5.0287 2.33 1.78 1.15

P46 5.0810 2.17 1.64 1.06

1.07 5.0954 2.22 1.67 1.08

P47 5.0706 2.15 1.63 1.05

1.04 5.0030 2.06 1.58 1.02

P48 5.1559 1.86 1.39 0.89

0.90 5.0453 1.83 1.39 0.90

P49 5.0388 1.50 1.14 0.74

0.76 5.0489 1.60 1.22 0.79

P50 5.0540 1.79 1.36 0.88

0.85 5.0977 1.69 1.27 0.82

P51 5.0591 1.62 1.23 0.79

0.83 5.0318 1.77 1.35 0.87

P52 5.0493 1.65 1.26 0.81

0.83 5.0555 1.75 1.33 0.86

P53 5.0854 1.79 1.35 0.87

0.87 5.0588 1.78 1.35 0.87

P54 5.0058 1.51 1.16 0.75

0.76 5.0348 1.55 1.18 0.76

P55 5.0602 1.64 1.25 0.80

0.80 5.0399 1.63 1.24 0.80

P56 5.0997 1.46 1.10 0.71

0.66 5.0749 1.25 0.95 0.61

52

Lanjutan




P57 5.0105 1.52 1.17 0.75

0.76 5.0324 1.55 1.18 0.76

P58 5.0154 1.53 1.17 0.76

0.77 5.0017 1.57 1.21 0.78

P59 5.0544 1.51 1.15 0.74

0.77 5.0782 1.63 1.23 0.80

P60 5.0609 1.52 1.15 0.74

0.79 5.0162 1.68 1.29 0.83

P61 5.0529 1.58 1.20 0.78

0.78 5.0525 1.58 1.20 0.78

P62 5.0432 1.62 1.23 0.80

0.79 5.0894 1.62 1.22 0.79

P63 5.0584 1.42 1.08 0.70

0.71 5.0061 1.46 1.12 0.72

P64 5.0558 1.32 1.00 0.65

0.65 5.0385 1.31 1.00 0.64

P65 5.0074 1.50 1.15 0.74

0.75 5.0401 1.54 1.17 0.76

P66 5.0292 1.61 1.23 0.79

0.84 5.0358 1.78 1.36 0.88

P67 5.0077 1.30 1.00 0.64

0.69 5.0481 1.48 1.13 0.73

P68 5.0365 1.53 1.17 0.75

0.78 5.0731 1.64 1.24 0.80

P69 5.0864 1.52 1.15 0.74

0.76 5.0568 1.58 1.20 0.77

P70 5.0070 1.56 1.20 0.77

0.75 5.0892 1.51 1.14 0.74

P71 5.0495 1.64 1.25 0.81

0.84 5.0708 1.80 1.36 0.88

P72 5.0860 1.58 1.19 0.77

0.77 5.0678 1.56 1.18 0.76

P73 5.0082 1.73 1.33 0.86

0.84 5.0517 1.66 1.26 0.81

P74 5.0519 1.60 1.22 0.79

0.79 5.0329 1.60 1.22 0.79

53

Lanjutan




P75 5.0677 1.53 1.16 0.75

0.76 5.0112 1.54 1.18 0.76

P76 5.0738 1.72 1.30 0.84

0.81 5.0081 1.58 1.21 0.78

P77 5.0878 1.53 1.16 0.75

0.77 5.0203 1.59 1.22 0.79

P78 5.0575 1.57 1.19 0.77

0.76 5.0386 1.52 1.16 0.75

P79 5.0055 1.59 1.22 0.79

0.77 5.0514 1.52 1.16 0.75

P80 5.0836 1.54 1.16 0.75

0.74 5.0278 1.49 1.14 0.73

P81 5.0853 1.60 1.21 0.78

0.80 5.0121 1.67 1.28 0.83

P82 5.0271 1.62 1.24 0.80

0.80 5.0161 1.62 1.24 0.80

P83 5.0091 1.54 1.18 0.76

0.77 5.0289 1.57 1.20 0.77

P84 5.0207 1.55 1.19 0.77

0.76 5.0635 1.53 1.16 0.75

P85 5.0946 1.63 1.23 0.79

0.80 5.0536 1.65 1.26 0.81

P86 5.0710 1.69 1.28 0.83

0.81 5.0980 1.65 1.24 0.80

P87 5.0042 1.54 1.18 0.76

0.76 5.0660 1.56 1.18 0.76

P88 5.0525 1.66 1.26 0.81

0.81 5.0647 1.63 1.24 0.80

P89 5.0884 1.48 1.12 0.72

0.70 5.0405 1.37 1.04 0.67

54

Lampiran 3. Data hasil kimia pengukuran kadar lemak sampel tepung jarak pagar IP-3P

Sampel Berat Berat awal Berat akhir Kadar Rata-rata

sampel (g) lemak (g) lemak (g) lemak (% bb) kadar lemak (% bb)

P21 2.1783 102.6927 103.3533 30.33

30.52 2.1502 107.1238 107.7844 30.72

P22 2.3533 115.8989 116.9324 43.92

43.80 2.2511 102.7197 103.7032 43.69

P23 2.2374 101.8078 102.8191 45.20

45.56 2.1350 104.4698 105.4502 45.92

P24 2.2355 97.8972 98.8677 43.41

43.70 2.2035 83.2828 84.2520 43.98

P25 2.3241 96.5690 97.5655 42.88

42.54 2.1240 97.9153 98.8118 42.21

P26 2.0097 107.0719 108.0109 46.72

46.82 2.0010 108.6092 109.5482 46.93

P27 2.2395 102.6935 103.6721 43.70

43.80 2.1380 103.4016 104.3402 43.90

P28 2.3778 97.8988 98.8837 41.42

41.69 2.2758 93.1229 94.0778 41.96

P29 2.2643 96.5685 97.4657 39.62

39.73 2.2520 95.2741 96.1713 39.84

P30 2.1347 115.8998 116.7895 41.68

41.82 2.1207 115.9205 116.8102 41.95

P31 2.3555 102.6940 103.6234 39.46

39.45 2.3060 102.7151 103.6245 39.44

P32 2.1489 101.8096 102.7330 42.97

42.95 2.1275 104.4683 105.3817 42.93

P33 2.2388 107.0736 107.9968 41.24

41.19 2.1950 108.6047 109.5079 41.15

P34 2.1166 35.6985 36.4113 33.68

33.71 2.1015 34.2128 34.9220 33.75

P35 2.0478 34.1398 34.8630 35.32

35.19 2.0510 37.0119 37.7312 35.07

P36 2.1870 36.3402 37.0961 34.56

34.61 2.1530 35.0025 35.7487 34.66

P37 2.1418 35.0528 35.8051 35.12

35.04 2.1228 35.3682 36.1103 34.96

P38 2.0957 37.0292 37.7884 36.23

36.12 2.0751 38.0293 38.7767 36.02

55

Lanjutan



P39 2.2960 36.0092 36.8586 36.99

35.50 2.3050 36.9462 37.7299 34.00

P40 2.1030 34.0265 34.7273 33.32

33.35 2.0925 34.9829 35.6812 33.37

P41 2.0686 38.6385 39.3487 34.33

34.31 2.0525 37.5228 38.2264 34.28

P42 2.1769 37.0419 37.8490 37.08

37.01 2.1920 37.0253 37.8352 36.95

P43 2.0359 35.3268 36.0234 34.22

34.18 2.0145 36.6675 37.3552 34.14

P44 2.0964 36.3418 37.0702 34.75

34.70 2.0815 35.2017 35.9229 34.65

P45 2.2571 37.0119 37.7928 34.60

34.55 2.2330 38.9182 39.6888 34.51

P46 2.0129 36.0321 36.7941 37.86

32.79 2.0075 36.8767 37.4332 27.72

P47 2.0754 36.4744 37.2099 35.44

35.45 2.0648 37.0253 37.7573 35.45

P48 2.0876 38.0293 38.7659 35.28

35.32 2.1025 38.9182 39.6616 35.36

P49 2.0128 34.9829 35.7546 38.34

38.27 2.0056 35.0528 35.8191 38.21

P50 2.0353 35.3682 36.0873 35.33

35.29 2.0160 36.0321 36.7429 35.26

P51 2.0661 35.0025 35.7200 34.73

34.78 2.0375 37.0419 37.7516 34.83

P52 2.0811 36.9744 37.7094 35.32

35.38 2.0726 37.0119 37.7464 35.44

P53 2.0885 36.9492 37.7333 37.54

37.49 2.0901 36.3418 37.1243 37.44

P54 2.0339 36.3156 36.9944 33.37

33.42 2.0110 38.2090 38.8821 33.47

P55 2.0363 37.5228 38.2584 36.12

36.19 2.0233 39.2054 39.9388 36.25

P56 2.0606 36.6669 37.4008 35.62

35.57 2.0725 37.0015 37.7376 35.52

56

Lanjutan



P57 2.0795 38.9182 39.7311 39.09

38.99 2.0770 39.3787 40.1864 38.89

P58 2.0667 36.6675 37.3550 33.27

33.31 2.0923 35.1409 35.8389 33.36

P59 2.0569 36.8767 37.5901 34.68

34.63 2.0618 35.1206 35.8334 34.57

P60 2.0272 38.6716 39.3802 34.95

34.91 2.0550 37.3107 38.0271 34.86

P61 2.0896 39.7767 40.5165 35.40

35.43 2.0988 38.0130 38.7572 35.46

P62 2.0332 37.9877 38.6298 31.58

31.62 2.0496 37.2962 37.9451 31.66

P63 2.0652 38.9182 39.6909 37.42

37.46 2.0718 39.1235 39.9006 37.51

P64 2.0487 36.6675 37.4582 38.60

38.56 2.0505 37.3565 38.1463 38.52

P65 2.0632 39.5721 40.3603 38.20

38.26 2.0880 38.7541 39.5540 38.31

P66 2.0321 36.7519 37.4866 36.15

36.08 2.0537 37.0292 37.7687 36.01

P67 2.0664 37.0253 37.7758 36.32

36.28 2.0956 35.0528 35.8122 36.24

P68 2.1343 37.9022 38.6459 34.85

34.80 2.1170 38.6011 39.3368 34.75

P69 2.0374 38.0895 38.7581 32.82

32.86 2.0574 39.5321 40.2090 32.90

P70 2.0649 36.5508 37.3730 39.82

39.79 2.0823 36.2278 37.0557 39.76

P71 2.0621 38.0243 38.6851 32.05

32.09 2.0605 38.3254 38.9876 32.14

P72 2.0850 35.1135 35.8397 34.83

34.79 2.0920 36.7878 37.5148 34.75

P73 2.0225 36.0141 36.7644 37.10

37.14 2.0175 37.6465 38.3966 37.18

P74 2.0323 38.1241 38.9332 39.81

39.76 2.0467 37.9148 38.7277 39.72

57

Lanjutan



P75 2.0817 37.3452 38.1069 36.59

36.61 2.0987 38.1241 38.8928 36.63

P76 2.0843 36.9854 37.6720 32.94

32.92 2.0773 37.9148 38.5980 32.89

P77 2.0360 38.1214 38.8723 36.88

36.92 2.0210 37.0292 37.7762 36.96

P78 2.1890 38.1241 38.9365 37.11

37.17 2.1547 37.3107 38.1127 37.22

P79 2.2755 37.1241 37.9638 36.90

36.96 2.2503 38.9182 39.7510 37.01

P80 2.0371 38.5246 39.2245 34.36

34.42 2.0535 37.1221 37.8301 34.48

P81 2.0430 38.3254 39.0529 35.61

35.65 2.0640 38.8251 39.5617 35.69

P82 2.0213 38.1241 38.8332 35.08

35.02 2.0018 37.9148 38.6146 34.96

P83 2.0823 39.1144 39.8525 35.45

35.48 2.0920 38.1241 38.8672 35.52

P84 2.0414 36.7878 37.5495 37.31

37.29 2.0547 35.0528 35.8184 37.26

P85 2.1027 39.1544 39.9000 35.46

35.42 2.0975 39.5721 40.3144 35.39

P86 2.0740 38.1241 38.8245 33.77

33.73 2.0603 38.2090 38.9029 33.68

P87 2.0113 37.6465 38.3567 35.31

35.35 2.0210 36.6675 37.3827 35.39

P88 2.0506 37.9148 38.6313 34.94

34.88 2.0688 38.5073 39.2277 34.82

P89 2.0873 36.8661 37.5167 31.17

31.22 2.0759 36.1121 36.7612 31.27

58

Lampiran 4. Data statistik hasil kalibrasi metode PCR dengan perlakuan data

Tabel 1. Data reflektan kadar air metode PCR dengan perlakuan data

Data Statistik


Normalisasi Savitzky-Golay antara 0-1 dengan derivatif antara 0-1 setiap 9 titik pertama Savitzky Golay

setiap 9 titik

Kalibrasi Validasi Kalibrasi Validasi Kalibrasi Validasi R (%) 44.88 54.74 57.99 60.32 59.50 73.85 R2 (%) 20.15 29.97 33.63 36.39 35.41 54.53 Set Bias (%) 0.00 0.04 0.00 0.00 0.00 -0.08 Konsistensi (%) 121.85 116.67 136.03 SE (%) 0.72 0.59 0.65 0.56 0.64 0.47 CV (%) 17.44 13.97 15.90 13.30 15.69 11.25

Tabel 2. Data reflektan asam lemak bebas metode PCR dengan perlakuan data

Data Statistik



setiap 9 titik

Kalibrasi Validasi Kalibrasi Validasi Kalibrasi Validasi R (%) 24.47 8.38 72.78 53.67 73.17 55.63 R2 (%) 5.99 0.70 52.97 28.80 53.54 30.95 Set Bias (%) 0.00 -0.02 0.00 0.00 0.00 0.00 Konsistensi (%) 111.69 91.52 92.69 SE (%) 0.13 0.12 0.09 0.10 0.09 0.10 CV (%) 16.38 15.29 11.58 13.19 11.51 12.95

Tabel 3. Data reflektan kadar lemak metode PCR dengan perlakuan data

Data Statistik



setiap 9 titik

Kalibrasi Validasi Kalibrasi Validasi Kalibrasi Validasi R (%) 42.07 43.78 41.35 42.18 40.65 40.00 R2 (%) 17.70 19.17 17.10 17.79 16.52 16.00 Set Bias (%) 0.00 -0.80 0.00 -0.72 0.00 -0.75 Konsistensi (%) 107.93 107.57 106.77 SE (%) 3.11 2.88 3.12 2.90 3.13 2.94 CV (%) 8.44 7.86 8.47 7.92 8.50 8.00

59

Lampiran 5. Spektra beberapa komponen kimia

Panjang gelombang

(nm)

Bilangan gelombang

(cm-1) Ikatan Kimia Produk

1000 10000 O-H str.second overtone ArOH 1015 9852 2x C-H str.+3x C-H def. CH3

1020 9804 2x N-H str.+2x amide I protein

N-H str.second overtone ArNH2

1030 9709 RNH2 1037 9643

2x C-H str.+2x C-H def.+ (CH2)n oil

1053 9497 CH2 1060 9434 N-H str.second overtone RNH2 1080 9259

2x C-H str.+2x C-C str. benzene

1097 9116 cyclopropane 1143 8749

C-H str.second overtone

aromatic 1152 8681 CH3 1170 8547 HC=CH 1195 8368 CH3 1215 8230 CH2 1225 8163 CH 1360 7353

2x C-H str.+ C-H def. CH3

1395 7168 CH2 1410 7092 O-H str.first overtone ROH 1415 7067

2x C-H str.+ C-H def. CH2

1417 7057 aromatic 1420 7042

O-H str.first overtone ArOH

1430 6993 sucrose, starch 1440 6944

2x C-H str.+ C-H def. CH

1446 6916 aromatic 1450 6897 O-H str.first overtone starch, H2O 1460 6849

N-H str.first overtone CONH2

1471 6798 CONHR 1480 6757 O-H str.first overtone (intramol.H-bond) glucose 1483 6743

N-H str.first overtone CONH2

1490 6711 CONHR

N-H str.first overtone (intramol.H-bond) CONH2 O-H str.first overtone (intramol.H-bond) cellulose

1492 6702 N-H str.first overtone

ArNH2 1500 6667 NH 1510 6623 Protein

1520 6579 O-H str.first overtone CONH2 N-H str.first overtone (intramol.H-bond) ROH

1528 6545 O-H str.first overtone (intramol.H-bond) starch 1530 6536 N-H str.first overtone RNH2 1533 6523 C-H str.first overtone CH

60

Lanjutan

Panjang gelombang

(nm)

Bilangan gelombang


1540 6494 O-H str.first overtone (intramol.H-bond) starch

1570 6369 N-H str.first overtone CONH-

1580 6329 O-H str.first overtone (intermol.H-bond) starch, glucose

1620 6173

C-H str.first overtone

CH2 1645 6079 R-CH-CH 1660 6024 cis-RCH=CHR 1685 5935 aromatic 1695 5900 CH3 1705 5865 CH3 1725 5797 CH2 1740 5747 SH 1765 5666 CH2 1780 5618 cellulose 1820 5495 O-H srt.+2x C-O str. cellulose

1900 5263 O-H str.+2x C-O str. starch C=O str.second overtone -CO2H

1908 5241 O-H str.first overtone POH 1920 5208 C=O str.second overtone CONH 1940 5155 O-H str.+ O-H def. H2O 1950 5128 C=O str.second overtone -CO2R

1960 5102 N-H asym.str.+ amide II

CONH2

1980 5051 protein

2000 5000 2x O-H def.+ C-O def. starch N-H sym.str.+amide II CONH2, CONHR

2030 4926 C=O str.second overtone CONH2 2050 4878 N-H sym.str.+ amide II protein

N-H asym.str.+ amide II CONH2 2080 4808 O-H str.+ O-H def. ROH, sucrose, starch 2100 4762 2x O-H def.+ 2x C-O str Starch 2110 4739 N-H sym.str.+ amide III CONH2, CONHR 2132 4690 N-H str.+ C=O str. amino acid 2140 4673 =C-H str.+ C=C str. HC=CH

61

Lanjutan

Panjang gelombang

(nm)

Bilangan gelombang


2150 4651 2x amide I+ amide III

CONH2 2160 4630 CONHR 2180 4587 protein 2190 4566 CH2 asym.str.+ C= str. HC=CH 2200 4545 C-H str.+ C=O str. -CHO 2242 4460 N-H str.+ NH3+ def. amino acid 2252 4440 O-H str.+ O-H def. starch 2276 4394 O-H str.+ C-C str. starch 2280 4383 C-H str.+ C-H def. CH3 2294 4359 N-H str.+ C=O str. amino acid 2310 4329 N-H str.+ C-H def. CH2 2323 4305

C-H str.+ C-H def. CH2

2336 4281 cellulose 2347 4261 CH2 sym.str.+ =CH2 def. HC=CHCH2 2352 4252 C-H def.second overtone cellulose 2380 4202 O-H def.second overtone ROH 2461 4063 C-H str.+ C-C str. starch

62

Lampiran 6. Contoh output program NIRCal 5 (Software dari NIRFlex Tipe N-500 Merk BUCHI) pada pendugaan kadar air biji jarak pagar IP-3P dengan metode partial least squares (PLS)

Calibration Protocol User Administrator Date/Time 2/16/2012 4:51:13 PM Software NIRCal V5.2 (Build 3000) Project File Name Tepung Jarak Pagar Project Comment Project GUID {F810523E-27A1-441F-A625-FF7E1CCBC617} Calibration Name unnamed Calibration Comment Calibration GUID {425A07BD-B0EA-4853-A6A1-9EB6E27DE82E} Calibration Version 0 Properties in Project Fat, Moisture, FFA. (total 3/3) Properties in Calibration Set Moisture. (total 1/3) Spectra in Project 207 Spectra in Calibration Set 138 Spectra in Validation Set 69

Spectra in Calibration Set 4-27, 37-42, 46-54, 58-66, 70-72, 79-87, 91-93, 97-99, 106-129, 133-135, 139-144, 148-153, 157-162, 172-174, 181-186, 190-207. (total 138/207)

Spectra in Validation Set 1-3, 28-36, 43-45, 55-57, 67-69, 73-78, 88-90, 94-96, 100-105, 130-132, 136-138, 145-147, 154-156, 163-171, 175-180, 187-189. (total 69/207)

Spectra unused (U-Set) nothing selected. (total 0/207) Validation Method Validation Set C-Set Spectra Instrument type / serial NIRFlex N500 / 1000037550 y-Unit / Measurements / Scans Reflectance / 1 / 8 V-Set Spectra Instrument type / serial NIRFlex N500 / 1000037550 y-Unit / Measurements / Scans Reflectance / 1 / 8 Spectra Resolution nm Spectra y-Unit Reflectance Wavelengths Project Set 2500-10000. (total 1501/1501) Wavelengths Calibration Set 2500-10000. (total 1501/1501) Number of Data Pretreatments 2 Data Pretreatment Sequence (short form) n01,dg1

Data Pretreatment Sequence (detailed) 1. Normalization between 0 to 1*, 4000-10000. (total 1501/1501) 2. First Derivative Savitzky-Golay 9 Points

Method PLS Max Iterations 3000 Mean Centering yes

63

Lanjutan

Number of Primary PCs 10 Secondary/Calibration PCs 1-4. (total 4/10) Blow Up Parameter Residual Blow Up 2 Score Blow Up 1.05 Max C-Set Spectra Residual 7.15E-05 Max Allowed Residual for Calibration 0.000143046 Q-Value V5 0.73132 Validation Method Validation Set C-Set Residual too big 0 V-Set Residual too big 0 Num Properties 1 Rel. Consistency 0.00475473 Weighted BIAS 0.00517036 Validity 0.0716267 Comparability 0.0142882 Precision 0.100514 Weighted Accuracy 0.161111 Property Statistics Moisture [%] C-Set BIAS 0 V-Set BIAS 0.0134429 C-Set SEE (SEC) 0.267362 V-Set SEE (SEP) 0.261336 Consistency 102.306 C-Set Regression Coefficient 0.942662 V-Set Regression Coefficient 0.928373 C-Set Regression Intercept 0.457217 V-Set Regression Intercept 0.46243 C-Set Regression Slope 0.888611 V-Set Regression Slope 0.886843 C-Set Orig. min 2.61 V-Set Orig. min 2.82 C-Set Orig. max 5.21 V-Set Orig. max 5.15 C-Set Orig. mean 4.10 V-Set Orig. mean 4.21 C-Set Orig. sdev 0.80 V-Set Orig. sdev 0.70 C-Set Pred. min 2.73 V-Set Pred. min 2.74 C-Set Pred. max 5.38 V-Set Pred. max 5.15 C-Set Pred. mean 4.10 V-Set Pred. mean 4.19

64

Lanjutan C-Set Pred. sdev 0.76 V-Set Pred. sdev 0.67 C-Set RSS 9.79308 V-Set RSS 4.65663 C-Set Durbin-Watson 1.34694 C-Set Durbin-Watson in range 1.5 to 2.5 No V-Set Durbin-Watson 1.39275 V-Set Durbin-Watson in range 1.5 to 2.5 No C-Set Resid. min -0.770069 V-Set Resid. min -0.595359 C-Set Resid. max 0.6124 V-Set Resid. max 0.532039 V-Set t-value 0.427287 V-Set t-Test(n-1,2-tail) Confidence [%] 32.948 C-Set n 138 V-Set n 69

Validation for C-Set Spectra Property Moisture [%]

Spectrum

Name No. Orig Pred

Orig - Pred

Residual Spectrum GUID

japag_P22 4 3.52 3.96 -0.44 6.42E-05 {E118028D-123C-4E07-BD31-E5471DC487A7} japag_P22 5 3.52 3.80 -0.28 6.10E-05 {056632F3-AC6C-4FA0-A7BC-1D3E3686C56D} japag_P22 6 3.52 4.16 -0.64 5.69E-05 {244240A2-427C-4C3D-9C4E-2375CEA24CC0} japag_P23 7 3.65 4.05 -0.41 5.63E-05 {B3F0F0D2-568F-4E48-8E6F-71BD7717B73E} japag_P23 8 3.65 4.05 -0.40 5.68E-05 {A3D8AABB-E605-4578-B3D5-2E26E9443535} japag_P23 9 3.65 3.83 -0.19 5.92E-05 {FC60C06E-3CDC-45EE-A608-4C18E78063A5} japag_P24 10 4.17 3.60 0.56 5.52E-05 {5469004D-79E7-4DBD-90B2-92A2C79E94A3} japag_P24 11 4.17 4.12 0.04 6.07E-05 {2F64D8BA-9294-4E8D-B742-ABD1365652D3} japag_P24 12 4.17 4.29 -0.12 7.15E-05 {B7E410E2-4DA8-4258-92E7-5E00D2861696} japag_P25 13 4.49 3.87 0.61 5.40E-05 {D648B969-2540-46C8-B364-5710D6B351E9} japag_P25 14 4.49 4.31 0.18 6.42E-05 {36177CFC-E573-4E71-9BD2-084DE642632E} japag_P25 15 4.49 4.19 0.29 6.99E-05 {A1972852-BB59-453B-9F47-A3E2FA9912CC} japag_P26 16 3.89 4.26 -0.37 5.35E-05 {99AD8EB2-84C6-4F1D-A54C-84802DA9D2FE} japag_P26 17 3.89 3.91 -0.02 5.90E-05 {30FE75FC-7B27-4446-9715-1FC35B90E7C1} japag_P26 18 3.89 3.93 -0.04 5.55E-05 {637C9AE2-AFB1-4F1D-855B-9EBBA51C08DA} japag_P27 19 4.49 4.11 0.38 5.47E-05 {CD6D53C8-BC30-4F48-A7C3-4B8A0FB32588} japag_P27 20 4.49 4.18 0.30 5.68E-05 {7C6F0763-D9F5-4A56-8DB3-6CDC0FEE39D4} japag_P27 21 4.49 4.26 0.22 5.61E-05 {13A66E1F-D01D-4F34-AD27-6F9AA95943FD} japag_P28 22 4.04 4.07 -0.03 5.31E-05 {A0C559BA-F0E3-4FAA-930F-F6840A195BB9} japag_P28 23 4.04 4.12 -0.08 6.31E-05 {B37DFE69-8CDC-4FC6-A723-61004D9E7D42} japag_P28 24 4.04 4.11 -0.07 5.98E-05 {922CE885-5F65-49AD-A2AB-05F38E69818B} japag_P29 25 4.24 4.20 0.03 6.17E-05 {7CF115EA-B42B-4B96-99B4-B0A03CE38FFC}

65

Lanjutan japag_P56 106 3.02 2.87 0.15 6.12E-05 {BDB322BD-D3D2-44EC 885E-58E92AFA1035} japag_P56 107 3.02 3.14 -0.12 5.82E-05 {4E591A43-7734-423D-9FD1-6FD67776515F} japag_P56 108 3.02 2.73 0.29 5.62E-05 {90B2AD90-2E04-4D1A-8FDE9CB07ACCC39B} japag_P57 109 3.02 2.85 0.17 5.24E-05 {901FD026-510C-4E84-9B82-CF2E4296B559} japag_P57 110 3.02 3.03 -0.01 5.48E-05 {DA2C6CA1-41EA-4264-B806-7A2BA3709495} japag_P57 111 3.02 3.25 -0.23 6.38E-05 {CFEB4423-4B22-45DC-8EA7-15ECA3D55306} japag_P58 112 2.61 2.77 -0.16 6.33E-05 {273280D4-FFF3-42DF-963B-E6F0CAD7F2EF} japag_P58 113 2.61 2.81 -0.20 5.79E-05 {3E1FD772-BEA9-44F3-9983-52C4EDFEA401} japag_P58 114 2.61 3.23 -0.62 6.47E-05 {04F04425-8A62-438F-B5AC-79DA761E9AA1} japag_P59 115 2.85 3.14 -0.29 5.43E-05 {703EF56F-7865-4B57-AF04-B06D27982060} japag_P59 116 2.85 2.87 -0.02 6.27E-05 {60D15444-EB3D-4D03-9E81-5CD8A75CF1BA} japag_P59 117 2.85 2.83 0.02 6.51E-05 {CF70616B-AB1E-4AE2-9C9E-BFC335A0C3FD} japag_P60 118 2.86 3.13 -0.27 5.93E-05 {BB37C9D6-0E42-4613-ACB0-115C9AAC7685} japag_P60 119 2.86 3.07 -0.21 6.35E-05 {A3FC8CB1-F49B-41F6-A086-6D600595ACF0} japag_P60 120 2.86 2.80 0.06 5.80E-05 {884B6D62-9EB7-49E2-9BDC-AF3AEB55A77E} japag_P61 121 3.32 3.12 0.20 5.13E-05 {B61CD143-C17C-4D35-8E4E-0A6D2CCCF89A} japag_P61 122 3.32 2.96 0.35 5.35E-05 {517E61B3-3422-4524-9585-2A928D3BA018} japag_P61 123 3.32 3.04 0.28 5.30E-05 {8D10DFC8-020D-4673-A5DE-63B0C6B584CC} japag_P62 124 2.97 3.08 -0.11 5.37E-05 {901B2B24-990C-46B0-8B31-C202ED084EFF} japag_P62 125 2.97 3.11 -0.14 5.59E-05 {4533CD6F-7218-4EFB-A64A-8DCB1AA174F4} japag_P62 126 2.97 3.12 -0.16 5.75E-05 {1AC982C8-370A-486B-90E7-E83FFB15B79C} japag_P63 127 3.03 2.75 0.28 5.74E-05 {A27F1E5A-462A-4B08-B210-E639622456DF} japag_P63 128 3.03 3.08 -0.05 6.20E-05 {26B259BE-29F9-4D42-B434-CB319A3B2FDD} japag_P63 129 3.03 2.75 0.28 5.72E-05 {435B95F9-53C8-4376-A4D8-4A49C8AD1209} japag_P65 133 3.28 2.93 0.35 5.74E-05 {CCEB1FA1-8CC8-4018-9E7E-35A5FEAED140} japag_P65 134 3.28 3.16 0.12 5.50E-05 {685A6FBA-49B1-4BB1-8F0E-06EDE0768DC1} japag_P65 135 3.28 3.14 0.14 6.28E-05 {04470AB2-B794-4E54-BFF0-F8775EE44C47} japag_P67 139 2.64 3.06 -0.42 5.91E-05 {FA40E6DE-0032-46D3-AF42-6488258706D9} japag_P67 140 2.64 3.04 -0.40 5.78E-05 {AF8148BE-C76A-4D26-B0E5-D9CA72B6B7BF} japag_P67 141 2.64 3.03 -0.39 5.51E-05 {95D33AF0-18D4-473A-9CF7-E6A4D90950E5} japag_P68 142 4.92 4.91 0.01 6.08E-05 {0B9E4BB8-A4D1-41D5-835E-15D59E25845D} japag_P68 143 4.92 4.74 0.18 6.36E-05 {E48D18F0-784F-434F-A6FD-D3E9364BB72A} japag_P68 144 4.92 4.90 0.02 5.81E-05 {25869BC2-C96C-42A7-A091-7DEF55E566D3} japag_P70 148 4.80 4.93 -0.13 5.81E-05 {884B2409-6C36-42AF-8942-BA14EFB83F19} japag_P70 149 4.80 4.77 0.03 5.33E-05 {519DE22A-FD0A-4F98-8D0F-2E925D393508} japag_P70 150 4.80 4.88 -0.08 5.85E-05 {9B107FB0-4218-47AA-8B2B-1C5E9737AFE8} japag_P71 151 4.62 4.59 0.03 5.94E-05 {3EA4F3F7-34BA-4FA7-83BD-43C6C8D8153B} japag_P71 152 4.62 4.79 -0.17 6.00E-05 {DE5E3188-D837-4488-A953-4033F6F95009} japag_P71 153 4.62 4.65 -0.03 5.77E-05 {5A132B49-2D10-4F38-93EE-37F022F3E919} japag_P73 157 4.66 4.65 0.01 6.16E-05 {4552BA9B-11CF-4F1F-9A1B-AEEBF280FD45} japag_P73 158 4.66 4.62 0.04 5.91E-05 {0FA3BD97-361A-492D-A45A-DF48CCF77CD3} japag_P73 159 4.66 4.52 0.14 5.81E-05 {477BA5C5-84DD-4CA6-914B-9E83B8308317} japag_P74 160 4.74 4.80 -0.06 5.67E-05 {E79899D2-596A-41F-BCC9-C7A35927A509} japag_P74 161 4.74 4.74 0.00 5.72E-05 {E9CB287E-B9FB-4566-941B-5DAC240CD4CE}

66

Lanjutan japag_P74 162 4.74 4.81 -0.07 6.14E-05 {ED8C2931-60D7-4AB0-88BB-9B653FC02F9E} japag_P78 172 4.92 4.72 0.20 6.07E-05 {10CE3B5A-3C39-419B-A13E-817F4D8A49E8} japag_P78 173 4.92 4.64 0.28 5.79E-05 {84C39E61-B817-43E5-A44A-308CDE27BB11} japag_P78 174 4.92 4.99 -0.07 6.02E-05 {719CF71B-D8FF-496E-9BA0-E3F5E61E236D} japag_P81 181 4.14 4.48 -0.34 6.12E-05 {A154C508-228A-49C2-B43E-E1A22D392D0D} japag_P81 182 4.14 4.52 -0.38 5.96E-05 {895F8DF3-FBD1-4186-BE0C-7976F7937605} japag_P81 183 4.14 4.16 -0.02 5.63E-05 {95F516CA-CBCD-4CF4-8FEA-7980A674AB9B} japag_P82 184 4.80 4.35 0.45 6.03E-05 {B2844FE4-C2B2-4854-BDE8-871DCBA58130} japag_P82 185 4.80 4.68 0.12 5.37E-05 {9F2D6417-07BA-42C0-ABA3-264CEEAEB935} japag_P82 186 4.80 4.51 0.29 5.41E-05 {8AFDD9E5-9062-4B3E-84CA-EC368E2D54EE} japag_P84 190 4.92 4.44 0.48 6.39E-05 {3F91110F-3658-431C-A06E-253A0948D590} japag_P84 191 4.92 4.75 0.17 5.86E-05 {12DC6B15-BD1F-44FC-88B2-070C14A9811B} japag_P84 192 4.92 4.31 0.61 5.29E-05 {69EA786B-64DB-4759-B7D2-299886D7C65E} japag_P85 193 4.78 4.70 0.08 5.47E-05 {571E3A7C-246D-4ED1-B749-1A8EEB16A62B} japag_P85 194 4.78 4.49 0.29 5.56E-05 {58F46F51-D19C-4A81-AFA1-66749F6C4096} japag_P85 195 4.78 4.58 0.20 5.67E-05 {35FC68A6-4140-493E-A8F5-D2C14A5D1770} japag_P86 196 4.65 4.58 0.07 5.58E-05 {674563D9-4935-47F8-B8C8-DBB704599469} japag_P86 197 4.65 4.61 0.04 5.91E-05 {99AC8788-AEA2-4A36-9C7F-31A2EF2EB7AA} japag_P86 198 4.65 4.71 -0.06 5.79E-05 {4A7467EE-E0BA-40EF-8BD8-91269671B862} japag_P87 199 4.83 4.71 0.11 6.48E-05 {C4A9CE86-D44E-4952-9A58-A6B6D8BB8BA8} japag_P87 200 4.83 4.53 0.29 5.96E-05 {6059A8ED-1DA3-4EEB-AF13-F6B948C0D1C9} japag_P87 201 4.83 4.45 0.37 5.51E-05 {6AE536CC-3DB6-4290-9307-16FC9F98E6F9} japag_P88 202 3.79 4.47 -0.68 5.32E-05 {05FE54BA-B818-4A9D-8D5F-4D8F133573C5} japag_P88 203 3.79 4.49 -0.70 6.39E-05 {9C33B36C-8AE4-4F71-8258-D5AD6ADF7945} japag_P88 204 3.79 4.56 -0.77 6.01E-05 {50CB94EF-C36B-4DEE-AB8FAB203AFE31D6} japag_P89 205 3.66 4.20 -0.54 6.20E-05 {FD70BB87-34B2-42DC-BFD8-90812A9A8C6F} japag_P89 206 3.66 4.14 -0.48 5.47E-05 {CB728551-59DE-478C-8D2F-D5F4DBAF8825} japag_P89 207 3.66 4.10 -0.44 5.96E-05 {E2F785F5-A723-4F14-B958-127E32751398}

Validation for V-Set Spectra Property Moisture [%]

Spectrum

Name No. Orig Pred

Orig - Pred

Residual Spectrum GUID

japag_P21 1 4.37 3.87 0.50 6.79E-05 {6E3D549E-369C-4229-AFE4-BBEC746FE702} japag_P21 2 4.37 4.00 0.37 6.50E-05 {7C9D99F2-23B1-44B1-B8BD-D8F1C7C1496A} japag_P21 3 4.37 3.84 0.53 6.55E-05 {543AE229-7AF6-4A23-8416-B63099B7786C} japag_P30 28 3.82 4.27 -0.45 5.79E-05 {6113D956-66DA-4A6A-BF3B-66407FC0E293} japag_P30 29 3.82 4.42 -0.60 5.84E-05 {A33CA602-B47D-4CB0-B36D7F6AB6D94AE1} japag_P30 30 3.82 3.99 -0.17 6.89E-05 {6CA5D800-8E7D-48BD-BAED98D22A316AE5} japag_P31 31 4.19 4.44 -0.26 5.84E-05 {2DD8D239-5206-4B58-A4E0-92231DF920C2} japag_P31 32 4.19 4.29 -0.10 6.63E-05 {912872D2-2303-49EC-8838-29A423E999C6} japag_P31 33 4.19 4.17 0.02 5.47E-05 {C12C954F-56C0-4D87-8E14-F0C49662FB10} japag_P32 34 3.69 3.74 -0.05 6.38E-05 {370682CF-9105-46F6-8D00-C3FAB612DF12}

67

Lanjutan japag_P32 35 3.69 4.04 -0.35 6.28E-05 {705E8349-569F-4C51-8F0C-FFDC28E66287} japag_P32 36 3.69 4.18 -0.49 6.84E-05 {29514C11-449A-4CB3-A6EB-9F103DED201B} japag_P35 43 4.93 5.08 -0.15 7.08E-05 {CC9EF6D5-B7DA-4720-9DEC-D541467480E4} japag_P35 44 4.93 4.86 0.07 6.34E-05 {A219CD61-CD1D-4FD9-92FC777A09930DFC} japag_P35 45 4.93 4.56 0.37 6.47E-05 {8262CFBA-6634-456A-BB91-304A3D13E7FE} japag_P39 55 4.70 4.78 -0.09 6.96E-05 {100CACA6-30B2-448E-91E4-B58B6AE21289} japag_P39 56 4.70 4.80 -0.10 7.59E-05 {CBE125AE-601D-4FED-8C0789AC9507B19D} japag_P39 57 4.70 4.86 -0.17 7.01E-05 {4317E25E-7A9F-4C03-BFFD-E1C8009A9C5D} japag_P43 67 5.03 4.98 0.05 6.48E-05 {2F15F68B-FB76-4866-BD6F-D91489A4EC7F} japag_P43 68 5.03 5.00 0.03 6.73E-05 {AC22DFAD-4A7A-47B2BEBF39B0C839C402} japag_P43 69 5.03 5.01 0.02 6.18E-05 {43D155D0-54BD-4109-9B4A-0B029470654D} japag_P45 73 5.15 5.15 0.00 5.13E-05 {1C6F843D-087E-4DEA-B475-462E6E1D1E38} japag_P45 74 5.15 4.92 0.23 6.14E-05 {74A249E6-FD49-4C0F-8C0A-67971FE47A61} japag_P45 75 5.15 4.80 0.34 6.64E-05 {6B7C8DDE-31D6-4F36-A1A90BA6F3FCC864} japag_P46 76 4.93 4.78 0.15 6.86E-05 {787AC053-7AC0-411E-9942-AE656AB2CAF1} japag_P46 77 4.93 4.73 0.20 6.50E-05 {417045B9-AB73-4C19-9617-AA21D692F118} japag_P46 78 4.93 4.66 0.27 7.23E-05 {19F9960C-6C62-4057-8352-15018894E120} japag_P50 88 3.27 3.37 -0.10 6.05E-05 {2BFC63DD-8D54-451C-AD64-2314E9EB0BAB} japag_P50 89 3.27 3.45 -0.18 6.43E-05 {0AF185CD-41C8-4876-947B-A500DC3DD943} japag_P50 90 3.27 3.24 0.03 6.05E-05 {2DF6454C-A721-454C-B84C-6B5F0C04EADC} japag_P52 94 3.53 3.16 0.37 6.35E-05 {31317F24-7944-452D-9B9C-7DC147DD8E79} japag_P52 95 3.53 3.04 0.49 6.20E-05 {92251FFD-0EC4-4259-AE78-348A77489532} japag_P52 96 3.53 3.34 0.19 6.51E-05 {AB91A2FD-66D3-40AD-A76D5AC24AE9952B} japag_P54 100 2.82 3.00 -0.18 5.50E-05 {DF404753-5461-4F36-A533-FE2B0E9CA491} japag_P54 101 2.82 3.32 -0.50 6.68E-05 {16B8B9ED-F633-4D0B-85D0-2A8DEC90C878} japag_P54 102 2.82 3.32 -0.50 6.22E-05 {195A4FC9-2C73-4E7B-968D-98FD45EBBB11} japag_P55 103 3.40 3.36 0.03 6.79E-05 {1529FC66-62B8-4C41-87FA-E1B9A8D07147} japag_P55 104 3.40 3.30 0.09 7.04E-05 {700B9DE3-2EEE-4CEC-A756-CA1FA79BBF88} japag_P55 105 3.40 3.04 0.35 6.14E-05 {28E66D62-8F34-48BF-8F79-D94BD1A538FB} japag_P64 130 3.07 2.74 0.33 6.06E-05 {F330D198-3906-465B-A64D-28FA8528F3DA} japag_P64 131 3.07 2.99 0.08 5.20E-05 {B4950017-ECE1-4DFB-AC12-9DD9AB4C9B33} japag_P64 132 3.07 3.07 0.00 5.94E-05 {05EED1F5-3C91-480F-B1AE-9651C25E31F4} japag_P66 136 3.19 3.20 -0.01 6.70E-05 {F9726A45-02AA-46C4-8F9B-FCD4C9022693} japag_P66 137 3.19 3.18 0.01 7.56E-05 {106C34AD-66D9-4C7C-BD0E-A2AA3963991C} japag_P66 138 3.19 3.31 -0.12 6.80E-05 {F3BDB63E-6AB0-47B9-B069-CE5096137C3B} japag_P69 145 4.86 4.93 -0.07 6.90E-05 {232556A9-5A43-4FF1-8A2B-0F992E76DEC1} japag_P69 146 4.86 4.80 0.06 6.54E-05 {976963A8-BDA2-4EE0-8780-972628C507D4} japag_P69 147 4.86 4.80 0.05 5.65E-05 {1F99E234-0F0A-462E-A773-2F64A15D37D7} japag_P72 154 4.64 4.64 0.00 6.52E-05 {C9EB8740-7B00-4A69-991B-1EA8CBFCE7C2} japag_P72 155 4.64 4.36 0.28 6.55E-05 {4F8A0141-262B-4F39-A161-DC66D54EF0F7} japag_P72 156 4.64 4.72 -0.08 5.98E-05 {494F055B-29C2-406D-AAA8-71C103302B91} japag_P75 163 4.60 4.69 -0.09 5.94E-05 {2F48463E-E4C3-4C62-8D5E-F0E925C63DB8} japag_P75 164 4.60 4.64 -0.04 7.07E-05 {6EC247A5-0D1D-42E7-AE03-C5E1ACFEA985} japag_P75 165 4.60 4.61 -0.01 6.44E-05 {F7841226-F62D-4B83-B7CC-2E1CDDDF9387}

68

Lanjutan japag_P76 166 4.82 4.60 0.22 6.27E-05 {4062CBBC-F3DD-411A-9B37-D619E011C54A} japag_P76 167 4.82 4.57 0.25 5.84E-05 {2773C5A0-6246-46EA-8B30-5690CBBF63AD} japag_P76 168 4.82 4.69 0.13 5.97E-05 {0B2A728B-3086-4BD0-A3A3-A0CB7D9C97CB} japag_P77 169 4.74 4.70 0.04 6.25E-05 {79062347-2953-4679-8E4F-3D92A349DC18} japag_P77 170 4.74 4.42 0.32 6.17E-05 {637AE2B2-7E72-4410-9F19-453895A2368E} japag_P77 171 4.74 4.44 0.30 6.47E-05 {80C63B77-5878-487A-91B8-51A5C02410B3} japag_P79 175 4.33 4.64 -0.32 6.38E-05 {B9561784-8856-434F-9703-8A0E6AE6E258} japag_P79 176 4.33 4.48 -0.16 8.12E-05 {94ED7919-7E2B-44AF-A523-1722F473AC03} japag_P79 177 4.33 4.48 -0.16 7.57E-05 {4818CF21-DF4D-49E7-904D-42ECD8C10706} japag_P80 178 4.10 4.58 -0.49 7.61E-05 {988E2353-6696-4368-9BB5-D90630E87277} japag_P80 179 4.10 4.18 -0.09 6.89E-05 {62C058EB-C14A-4AC4-9B44-D959BEFA2871} japag_P80 180 4.10 4.53 -0.44 6.65E-05 {98A41FE1-6D03-46B7-9117-DF94995708A5} japag_P83 187 4.60 4.48 0.11 5.57E-05 {55024D57-3E74-427B-B758-5903BE3E50AF} japag_P83 188 4.60 4.33 0.27 6.08E-05 {DCDE69F7-A9DC-4CF1-A2A0-8FD08B478BF2} japag_P83 189 4.60 4.31 0.29 5.99E-05 {8311852F-E218-4348-A853-4FFCF1DB5D0B}

69

Lampiran 7. Tampilan software NIRFlex N-500 merk BUCHI

(a) NIRWare Operator (b) NIRWare Management Console

(c) NIRCal 5 Overview Plots

dea permata sari (f14080083)

Documents

moisture contents

fat contents

regression coefficient

free fatty acid contents

coefficient of variability

best calibration of

pcr method

pls method