Pendugaan kadar air, protein dan karbohidrat biji sorgum secara non-destruktif dengan metode near infrared (NIR)

1

PENDUGAAN KADAR AIR, PROTEIN DAN KARBOHIDRAT

BIJI SORGUM SECARA NON-DESTRUKTIF DENGAN

METODE

NEAR INFRARED

(NIR)

SKRIPSI

NIKITA PUTRI GABBIE

F14070079

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKUTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

PREDICTION OF MOISTURE, PROTEIN AND CARBOHYDRATE CONTENT

OF SORGHUM BY USING NEAR INFRARED (NIR) METHOD

Nikita Putri Gabbie and I Wayan Budiastra

Department of Agricultural Engineering, Faculty of Agricultural Technology, Bogor Agricultural University, IPB Darmaga Campus, PO Box 220, Bogor, West Java,

Indonesia

Phone 628 57 33437444, e-mail: nikita.gabbie@yahoo.com

ABSTRACT

Sorghum is local resources that can be used as a substitution of corn on feed. Moisture, protein and carbohydrate contents of sorghum can be predicted using near infrared method. The aim of this research was to apply NIR method to analyze moisture, protein and carbohydrate contents of sorghum. The calibration methods that used in this research are principal component regression (PCR) and partial least square (PLS). Some data treatments are applied on absorbance and reflectance spectrum. They are smooth average 3 points, normalization between 0-1, second derivative Savitzky-Golay 9 points, combination of smooth average 3 points and second derivative Savitzky-Golay 9 points, and combination of smooth average 3 points, normalization between 0-1, and second derivative Savitzky-Golay 9 points. PLS method with absorbance data and combination of smooth average 3 points, normalization between 0-1, and second derivative Savitzky-Golay 9 points is the best calibration method and data treatment to predict moisture content of sorghum. The best calibration method to predict protein content is PLS with absorbance data and second derivative Savitzky-Golay 9 points data treatment. PLS method with absorbance data and second derivative Savitzky-Golay is the best calibration method and data treatment to predict carbohydrate content. Standard error of prediction (SEP) and coefficient of variability (CV) respectively were 0.005% and 0.04% for moisture content prediction, 0.01% and 0.18% for protein content prediction, 0.01% and 0.02% for carbohydrate content prediction.

Keywords: NIR, sorghum, moisture content, protein content, carbohydrate content, PLS, PCR, reflectance, absorbance

NIKITA PUTRI GABBIE. F14070079. Pendugaan Kadar Air, Protein dan Karbohidrat Biji Sorgum Secara Non-Destruktif dengan Metode Near Infrared (NIR). Di bawah bimbingan Dr. Ir. I Wayan Budiastra, M.Agr. 2011

RINGKASAN

Sorgum merupakan salah satu jenis serealia yang tahan terhadap kekeringan sehingga cocok untuk dibudidayakan di Indonesia. Pemanfaatan sorgum sebagai bahan pakan merupakan salah satu upaya untuk mengatasi ketergantungan terhadap jagung. Sorgum memiliki kandungan gizi yang cukup baik untuk dimanfaatkan sebagai substitusi bahan baku pakan.

Pada umumnya metode yang digunakan untuk menganalisis komponen kimia dalam suatu bahan adalah analisis kimiawi laboratorium dengan metode konvensional secara destruktif. Metode tersebut membutuhkan waktu analisis yang cukup lama, membutuhkan tenaga ahli intensif, dan rumit. Kendala dengan metode konvensional dapat diatasi dengan metode near infrared (NIR). Metode NIR dapat menganalisis komponen kimia dalam suatu bahan secara akurat, cepat, dan ekonomis. Tujuan dilakukannya penelitian ini adalah untuk mengaplikasikan metode NIR dan menentukan metode kalibrasi yang paling baik untuk pendugaan kadar air, protein dan karbohidrat biji sorgum.

Near infrared (NIR) atau infra merah dekat merupakan gelombang elektromagnetik yang memiliki panjang gelombang mulai dari 700 nm sampai 2500 nm. Pada radiasi NIR yang dipancarkan oleh sumber radiasi berkorespondensi dengan frekuensi vibrasi dari molekul-molekul yang ada di dalam bahan akan terjadi penyerapan cahaya yang besar oleh molekul-molekul C-H, O-H, C-N, dan N-H. Radiasi infra merah menyebabkan senyawa organik mengalami rotasi dan getaran (vibrasi) ikatan inter-atomic (Osborne et al., 1993). Radiasi NIR yang dipantulkan dari biji sorgum dapat digunakan untuk menduga kadar air, protein dan karbohidrat biji sorgum. Data pantulan dijadikan sebagai data reflektan (R) biji sorgum. Nilainya diekspresikan sebagai log (1/R) yang memberikan nilai tinggi pada level tinggi absorban. Terdapat hubungan yang linier antara log (1/R) dan konsentrasi komposisi yang diserap. Data reflektan dan absorban yang diperoleh dimasukkan kedalam metode kalibrasi.

Tujuan dari penelitian ini adalah untuk mengkaji pola spektrum reflektan dan absorbansi dari biji sorgum hubungannya dengan perubahan kadar air, protein, dan karbohidrat, melakukan tahap kalibrasi dan validasi sifat reflektan, absorban, dan komposisi kimia sorgum dengan metode kalibrasi multivariatif yaitu principal component regression dan partial least square., dan menentukan metode kalibrasi yang terbaik untuk menduga kadar air, protein, dan karbohidrat biji sorgum.

Bahan yang digunakan dalam penelitian ini adalah biji sorgum varietas lokal yang telah dikeringkan yang diperoleh dari Yogyakarta. Biji sorgum yang digunakan memiliki rata-rata kadar air 13.47%, kadar protein 6.88%, dan kadar karbohidrat 72.75%. Alat yang digunakan pada penelitian ini antara lain NIRFlex Solids dengan cawan petri tipe N-500 Merk BUCHI dan seperangkat komputer yang telah diinstal dengan software bawaan, seperti: NIRWare Operator, NIRWare Management Console, NIRCal 5 serta peralatan laboratorium untuk analisis kimiawi.

Jumlah sampel yang digunakan untuk penelitian ini adalah 70 sampel. Sebanyak 2/3 dari total sampel digunakan untuk tahap kalibrasi dan sebanyak 1/3 dari total sampel digunakan untuk tahap validasi. Metode kalibrasi yang digunakan adalah Principal Component Regression (PCR) dan Partial Least Square (PLS). Perlakuan data yang diberikan pada kurva absorban dan reflektan NIR antara lain: penghalusan rataan setiap 3 titik, normalisasi antara 0-1, derivatif kedua Savitzky-Golay setiap 9 titik, kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzky-Golay setiap 9 titik, dan kombinasi antara penghalusan rataan setiap 3 titik, normalisasi antara 0-1 dan derivatif kedua Savitzky-Golay setiap 9 titik. Kisaran panjang gelombang yang digunakan adalah 1000-2500 nm (4000-10000 cm-1) dengan interval pengukuran 4 cm-1.

Berdasarkan analisis yang telah dilakukan, kurva absorban NIR memiliki hubungan yang linier dengan penyerapan komponen kimia. Komponen kimia biji sorgum menyerap gelombang infra merah dekat pada panjang gelombang 1186-1189 nm untuk penyerapan kadar air, 1414-1442 nm dan 1708 nm untuk penyerapan kadar protein, 1000 nm, 1061-1080 nm, dan 1293 nm untuk penyerapan kadar karbohidrat.

Metode kalibrasi dapat dikatakan terbaik bila nilai standar error dan koefisien keragaman pada tahap validasi lebih rendah dari tahap kalibrasi dan berada pada selang ideal yang diijinkan. Metode PLS menggunakan data absorban dan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik, normalisasi antara 0-1, dan derivatif kedua Savitzky-Golay setiap 9 titik merupakan metode kalibrasi dan perlakuan data terbaik untuk pendugaan kadar air dengan standar error validasi (SEP) sebesar 0.005% dan koefisien keragaman (CV) sebesar 0.04%.

Metode PLS data absorban NIR dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik merupakan metode terbaik untuk pendugaan kadar protein. Metode ini menghasilkan standar error validasi (SEP) sebesar 0.01% dan koefisien keragaman (CV) sebesar 0.18%.

Pendugaan kadar karbohidrat biji sorgum paling baik diperoleh melalui metode PLS menggunakan data absorban NIR dan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik. Metode ini menghasilkan standar error validasi (SEP) sebesar 0.01% dan koefisien keragaman (CV) sebesar 0.02%.

Kata Kunci : NIR, sorgum, kadar air, kadar protein, kadar karbohidrat, PCR, PLS, reflektan, absorban.

PENDUGAAN KADAR AIR, PROTEIN DAN KARBOHIDRAT BIJI

SORGUM SECARA NON-DESTRUKTIF 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

NIKITA PUTRI GABBIE

F14070079

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

Judul Skripsi

:

Pendugaan Kadar Air, Protein dan Karbohidrat Biji Sorgum secara

Non-Destruktif dengan Metode

Near Infrared

(NIR)

Nama

: Nikita Putri Gabbie

NIM

: F 14070079

Bogor, Agustus 2011

Menyetujui,

Dosen Pembimbing Akademik

Dr. Ir. I Wayan Budiastra, M.Agr.

NIP. 19611019 198601 1 002

Mengetahui:

Ketua Departemen Teknik Mesin dan Biosistem

Dr. Ir. Desrial, M.Eng

NIP 19661201 199103 1 004

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

Saya menyatakan dengan sebenar-benarnya bahwa skripsi ini dengan judul Pendugaan Kadar Air, Protein dan Karbohidrat Biji Sorgum secara Non-Destruktif 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 2011

Yang membuat pernyataan

Nikita Putri Gabbie F14070079

RIWAYAT HIDUP

Penulis merupakan anak kedua dari tiga bersaudara, dari pasangan Bapak Gatot Prabowo (Alm) dan Ibu Deborah Soraya Isakh. Penulis dilahirkan pada tanggal 26 Januari 1990 di Surabaya, Jawa Timur. Penulis menempuh pendidikan formal tingkat sekolah dasar di SDN Kadipaten I Bojonegoro, Jawa Timur (1995-2001). Selanjutnya penulis melanjutkan pendidikan menengah pertama di SLTP Negeri I Bojonegoro (2001-2004) dan pendidikan menengah atas di SMA Negeri I Bojonegoro (2004-2007). Pada tahun 2007 penulis lulus seleksi masuk Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).

Selama mengikuti perkuliahan, penulis aktif dalam berbagai kepanitiaan, yaitu panitia Pekan Teknik Pertanian 2008, SAPA 2009, dan kepanitiaan lainnya. Penulis memiliki beberapa prestasi selama masa perkuliahan diantaranya menjadi finalis mahasiswa berprestasi Departemen Teknik Pertanian pada tahun 2010. Penulis juga sempat menjadi asisten praktikum M.K. Praktikum Terpadu Mekanika dan Bahan Teknik (2009/2010).

Pada bulan Juni sampai Agustus 2009, penulis telah melaksanakan praktek lapangan di PG

Madukismo PT Madubaru, Yogyakarta dengan judul “Mempelajari Aspek Keteknikan dalam Proses Produksi Gula di PG Madukismo”. Sebagai tugas akhir penulis melakukan penelitian dengan judul “Pendugaan Kadar Air, Protein dan Karbohidrat Biji Sorgum secara Non-Destruktif dengan Metode Near Infrared(NIR)” dibawah bimbingan Dr. Ir. I Wayan Budiastra, M.Agr.

KATA PENGANTAR

Segala Puji dan Syukur penulis panjatkan kehadirat Tuhan Yesus Kristus karena berkat pimpinan dan penyertaan-Nya skripsi ini berhasil diselesaikan. Penelitian dengan judul “Pendugaan Kadar Air, Karbohidrat dan Protein Biji Sorgum secara Non-Destruktif dengan Metode Near Infrared

(NIR)” dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian Departemen Teknik Pertanian sejak bulan Maret sampai Mei 2011. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian (S.TP) pada Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Topik ini dipilih karena saat ini dibutuhkan metode yang dapat digunakan untuk menduga komposisi kimia suatu bahan secara non-destruktif dengan tingkat kecepatan dan keakuratan yang tinggi.

Dengan 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 yang telah memberikan arahan, bimbingan, saran, dan kritik kepada penulis mulai dari penyusunan proposal usulan penelitian, pelaksanaan penelitian, hingga penulisan skripsi.

2. Dr. Ir. Emmy Darmawati, M.si selaku dosen penguji yang telah memberikan saran, kritik, serta arahan kepada penulis dalam melakukan penulisan skripsi.

3. Dr. Ir. Dewa Made Subrata M.Agr selaku dosen penguji yang telah memberikan saran, kritik, serta arahan kepada penulis dalam melakukan penulisan skripsi.

4. Orang tua tercinta, Ir.Gatot Prabowo (Alm) dan Ibu Deborah serta mas Bimo dan Indra atas setiap dukungan dan kasih sayang yang diberikan sehingga penulis dapat memberikan yang terbaik.

5. Bapak Sulyaden (Teknisi Lab. TPPHP) dan Bapak Taufik yang telah memberikan banyak bantuan dan saran kepada penulis selama melakukan penelitian.

6. Teman penelitian, Salsabil Thalib atas kerjasama dan bantuannya selama penelitian NIR. 7. Teman-teman Lab. TPPHP, Teman-teman sebimbingan, dan teman-teman TEP angkatan

44 atas kebersamaannya selama ini.

8. Agustino Aritonang atas semangat, doa, dan kasih sayang yang diberikan kepada penulis.

9. Pipit dan Tsani, Fathia, Puput, Endro, Hadasa, Pheni atas suka, duka, serta keceriaan yang dibagi bersama

10. Mas Fajar, Kak Sam atas bantuan dan dukungannya sehingga penelitian dapat dilakukan sampai terselesaikannya skripsi ini.

Akhirnya penulis berharap semoga tulisan ini bermanfaat dan memberikan kontribusi yang nyata terhadap perkembangan ilmu pengetahuan.

Bogor, Juli 2011

DAFTAR ISI

KATA PENGANTAR ... iv

DAFTAR ISI ... v

DAFTAR TABEL ... vii

DAFTAR GAMBAR ... ix

DAFTAR LAMPIRAN ... xii

KETERANGAN SIMBOL ... xiii

I. PENDAHULUAN ... 1

A. Latar Belakang ... 1

B. Tujuan ... 2

II. TINJAUAN PUSTAKA ... ... 3

A. Tanaman Sorgum ... 3

B. Metode Near Infrared (NIR) ... 5

C. Kalibrasi dan Validasi ... 7

D. Metode Kalibrasi Multivariatif ... 8

1. Metode Principal Component Regression (PCR) ... 8

2. Metode Partial Least Square (PLS) ... 8

III. METODOLOGI PENELITIAN ... 10

A. Tempat dan Waktu Penelitian ... 10

B. Bahan dan Alat Penelitian ... 10

1. Bahan Penelitian ... 10

2. Alat Penelitian ... 10

C. Metode Penelitian ... 12

1. Persiapan Sampel Penelitian ... 12

2. Persiapan Instrumen NIR ... 12

3. Pengukuran Pantulan Spektrum NIR ... 12

4. Pengukuran Absorban Spektrum NIR ... 13

5. Penentuan Kadar Air, Protein dan Karbohidrat secara Destruktif ... 13

a. Penentuan Kadar Air (Metode Thermogravitimetri) ... 14

b. Penentuan Kadar Protein (Metode Kjeldahl) ... 14

c. Penentuan Kadar Karbohidrat (Metode by difference) ... 14

a. Kalibrasi ... 15

b. Validasi ... 15

c. Data Treatment ... 16

IV. HASIL DAN PEMBAHASAN ... 18

A. Reflektan Near Infrared Biji Sorgum ... 18

B. Absorban Near Infrared Biji Sorgum ... 21

C. Analisis Data Kimiawi Laboratorium dengan Metode Konvensional pada Biji Sorgum ... 23

D. Analisis Data Near Infrared Biji Sorgum ... 24

1. Metode Principal Component Regression (PCR) ... 24

a. Data Reflektan Biji Sorgum ... 24

b. Data Absorban Biji Sorgum ... 28

2. Metode Partial Least Square (PLS) ... 32

a. Data Reflektan Biji Sorgum ... 32

b. Data Absorban Biji Sorgum ... 36

V. SIMPULAN DAN SARAN ... 43

A. Simpulan ... 43

B. Saran ... 43

DAFTAR PUSTAKA ... 44

DAFTAR TABEL

1 Produktivitas sorgum di Indonesia ... 1

2 Perbandingan kandungan nutrisi sorgum dengan sumber pangan/pakan lain ... 4

3 Persebaran daerah penghasil sorgum di Indonesia ... 4

4 Data statistik 70 sampel biji sorgum hasil analisis kimiawi laboratorium ... 23

5 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan data reflektan dengan berbagai perlakuan data pada metode PCR ... 25

6 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar protein berdasarkan data reflektan dengan berbagai perlakuan data pada metode PCR ... 26

7 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar karbohidrat berdasarkan data reflektan dengan berbagai perlakuan data pada metode PCR ... 27

8 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan data absorban dengan berbagai perlakuan data pada metode PCR ... 28

9 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar protein berdasarkan data absorban dengan berbagai perlakuan data pada metode PCR ... 30

10 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar karbohidrat berdasarkan data absorban dengan berbagai perlakuan data pada metode PCR ... 31

11 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan data reflektan dengan berbagai perlakuan data pada metode PLS ... 33

12 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar protein berdasarkan data reflektan dengan berbagai perlakuan data pada metode PLS ... 34

13 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar karbohidrat berdasarkan data reflektan dengan berbagai perlakuan data pada metode PLS ... 35

14 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan data absorban dengan berbagai perlakuan data pada metode PLS ... 37

15 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar protein berdasarkan data absorban dengan berbagai perlakuan data pada metode PLS ... 38

16 Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar karbohidrat berdasarkan data absorban dengan berbagai perlakuan data pada metode PLS ... 39

17 Perbandingan hasil kalibrasi dan validasi kadar air dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ... 40

18 Perbandingan hasil kalibrasi dan validasi kadar protein dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ... 40

19 Perbandingan hasil kalibrasi dan validasi kadar karbohidrat dengan perlakuan data terbaik pada data reflektan dan absorban menggunakan metode PCR dan PLS ... 41

DAFTAR GAMBAR

1 Tanaman sorgum ... 3

2 Sampel biji sorgum yang akan digunakan dalam pendugaan kadar air, protein dan karbohidrat dengan NIRFlex Petri Solids N-500 ... 10

3 NIRFlex N-500 Petri Solids ... 11

4 Prinsip fungsional dari alat NIRFlex Solids... 11

5 Sampel yang akan diukur menggunakan NIR ... 12

6 Proses pengukuran kadar air, protein dan karbohidrat biji sorgum dengan NIRFlex Petri Solids ... 13

7 Diagram alir pelaksanaan penelitian pendugaan kadar air, karbohidrat, dan protein biji sorgum ... 17

8 Kurva spektrum reflektan NIR pada 70 sampel biji sorgum ... 18

9 Kurva spektrum reflektan NIR biji sorgum dengan penghalusan rataan setiap 3 titik ... 19

10 Kurva spektrum reflektan NIR biji sorgum dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik ... 20

11 Kurva spektrum reflektan NIR biji sorgum dengan kombinasi ketiga perlakuan data ... 20

12 Kurva spektrum absorban NIR pada 70 sampel biji sorgum ... 21

13 Kurva spektrum absorban NIR biji sorgum dengan perlakuan Data penghalusan rattan setiap 3 titik ... 22

14 Kurva spektrum absorban NIR biji sorgum dengan perlakuan data normalisasi 0-1 ... 22

15 Kurva spektrum absorban NIR biji sorgum dengan perlakuan ... data derivatif kedua Savitzky-Golay setiap 9 titik ... 22

16 Kurva spektrum absorban NIR biji sorgum dengan kombinasi ketiga perlakuan data ... 23

17 Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PCR dan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik. ... 25

18 Grafik perbandingan kadar protein dugaan data reflektan NIR dengan kadar protein referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PCR dan perlakuan data

penghalusan rataan setiap 3 titik... 26 19 Grafik perbandingan kadar karbohidrat dugaan data reflektan

NIR dengan kadar karbohidrat referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PCR dan perlakuan data

penghalusan rataan setiap 3 titik... 28 20 Grafik perbandingan kadar air dugaan data absorban NIR

dengan kadar air referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PCR dan perlakuan data normalisasi

antara 0-1. ... 29 21 Grafik perbandingan kadar protein dugaan data absorban NIR

dengan kadar protein referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PCR dan perlakuan data normalisasi

antara 0-1. ... 30 22 Grafik perbandingan kadar karbohidrat dugaan data absorban

NIR dengan kadar karbohidrat referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PCR dan perlakuan data

normalisasi antara 0-1. ... 31 23 Grafik perbandingan kadar air dugaan data reflektan NIR

dengan kadar air referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PLS dan perlakuan data derivatif kedua

Savitzky-Golay setiap 9 titik. ... 33 24 Grafik perbandingan kadar protein dugaan data reflektan NIR

dengan kadar protein referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PLS dan perlakuan data derivatif kedua

Savitzky-Golay setiap 9 titik ... 34 25 Grafik perbandingan kadar karbohidrat dugaan data reflektan

NIR dengan kadar karbohidrat referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PLS dan perlakuan data

derivatif kedua Savitzky-Golay setiap 9 titik. ... 36 26 Grafik perbandingan kadar air dugaan data absorban

NIR dengan kadar air referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PLS dan kombinasi

dari tiga perlakuan data. ... 37 27 Grafik perbandingan kadar protein dugaan data absorban

NIR dengan kadar protein referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PLS dan perlakuan data

derivatif kedua Savitzky-Golay setiap 9 titik ... 38 28 Grafik perbandingan kadar karbohidrat dugaan data absorban

NIR dengan kadar karbohidrat referensi hasil analisis kimiawi pada tahap kalibrasi dengan metode PLS dan perlakuan data

DAFTAR LAMPIRAN

1 Data kadar air, protein, dan karbohidrat biji sorgum dengan menggunakan analisis kimiawi laboratorium ... 47 2 Data statistik kadar air, protein dan karbohidrat biji sorgum hasil analisis kimiawi

laboratorium dengan metode konvensional pada tahap kalibrasi dan validasi untuk masukan data reflektan dan absorban NIR menggunakan metode PCR dan perlakuan data terbaik ... 49 3 Data statistik kadar air, protein dan karbohidrat biji sorgum hasil analisis kimiawi

laboratorium dengan metode konvensional pada tahap kalibrasi dan validasi untuk masukan data reflektan dan absorban NIR menggunakan metode PLS dan perlakuan data terbaik ... 50 4 Data perbandingan kadar air hasil analisis proksimat laboratorium terhadap hasil

dugaan NIR pada tahap kalibrasi dan validasi menggunakan data reflektan dan

absorban dengan perlakuan data terbaik pada metode PCR dan PLS ... 51 5 Data perbandingan kadar protein hasil analisis proksimat laboratorium terhadap hasil

dugaan NIR pada tahap kalibrasi dan validasi menggunakan data reflektan dan

absorban dengan perlakuan data terbaik pada metode PCR dan PLS ... 53 6 Data perbandingan kadar karbohidrat hasil analisis proksimat laboratorium terhadap

hasil dugaan NIR pada tahap kalibrasi dan validasi menggunakan data reflektan dan absorban dengan perlakuan data terbaik pada metode PCR dan PLS ... 55 7 Contoh output program NIRCal 5 ... 57 8 Tampilan Software NIRFlex N-500 merk BUCHI ... 65

KETERANGAN SIMBOL

A : Nilai absorban atu penyerapan (transformasi Log (1/R))

CV : Koefisien keragaman

Maks : Nilai maksimum suatu data Min : Nilai minimum suatu data

n : Jumlah sampel

NIR : Near Infrared (Infra merah dekat)

PCR : Metode regresi komponen utama (principal component regression) PLS : metode regresi kuadrat terkecil (partial least square)

R : 1. Koefisien korelasi

2. Nilai reflektan atau pantulan R2 : Koefisien determinasi

SD : Standar deviasi

SEC : Standar error kalibrasi SEP : Standar error validasi

Y : Komponen kimia dengan uji kimia

YNIR : Kompunen kimia dugaan NIR

1

I.

PENDAHULUAN

A.

Latar Belakang

Pakan ternak memegang peran penting dalam menghasilkan produk peternakan yang dapat dimanfaatkan sebagai tambahan protein bagi manusia, seperti daging dan susu. Pada umumnya, sumber protein dalam ransum ternak diperoleh dari jagung. Data Asosiasi Produsen Pakan Ternak mencatat pada tahun 2009 produksi pakan ternak mencapai 9.7 juta ton, tahun 2010 naik menjadi 9.9 juta ton, dan tahun 2011 diprediksi menjadi 10.33 juta ton. Kebutuhan pakan ternak yang semakin meningkat menyebabkan kebutuhan jagung juga semakin meningkat.

Beberapa tanaman dapat dimanfaatkan sebagai sumber protein dalam ransum ternak, salah satunya adalah sorgum. Sorgum memiliki nilai nutrisi yang hampir setara dengan jagung sehingga dapat dimanfaatkan sebagai substitusi terhadap jagung.

Sorgum (Sorghum bicolor L.) adalah tanaman serealia yang potensial untuk dibudidayakan khususnya di daerah kering di Indonesia. Keunggulan sorgum terletak pada daya adaptasi agroekologi yang luas, tahan terhadap kekeringan, produksi tinggi, perlu input lebih sedikit serta lebih tahan terhadap hama dan penyakit dibading tanaman pangan lain. Selain itu, tanaman sorgum memiliki kandungan nutrisi yang tinggi, sehingga sangat baik digunakan sebagai sumber bahan pangan maupun pakan ternak alternatif (Anonima, 2010).

Tanaman sorgum di Indonesia sebenarnya sudah sejak lama dikenal tetapi pengembangannya masih kurang dan daerah yang memanfaatkan sorgum sebagai bahan pangan masih terbatas. Rata-rata produktivitas sorgum di daerah penghasil sorgum cukup bervariasi. Data produktivitas daerah-daerah penghasil sorgum yang teridentifikasi pada tahun 2003 diperlihatkan pada tabel berikut. Tabel 1. Produktivitas Sorgum di Indonesia

Tempat Luas tanam (ha) Produksi (ton) Produktivitas (ton/ha)

Jawa Tengah 15.309 17.35 1.13

Jawa Timur 5.963 10.522 1.76

DI Yogyakarta 1.813 670 0.37

Nusa Tenggara Barat 30 54 1.8

Nusa Tenggara Timur 26 39 1.5

Sumber : Sirappa, 2003

Departemen Pertanian menargetkan pengembangan sorgum dari tahun ke tahun yaitu tahun 2007 sebanyak 57.000 ton dengan luas lahan tanam 19.000 ha dan akan ditingkatkan pada tahun 2009 dengan menargetkan produksi 75.000 ton.

Menurut Buckle et al. (1987) dalam Kusumaningtyas (2004), komponen kimia utama yang terkandung pada serealia adalah karbohidrat (terutama pati; sekitar 80% dari bahan kering), protein (sekitar 11% dari bahan kering), lemak, dan air.

Pendugaan komponen kimia biasanya dilakukan dengan metode-metode konvensional. Namun metode ini membutuhkan waktu yang lama, dan membutuhkan zat-zat kimia untuk mendukung pengukuran tersebut. Karena metode ini merusak bahan, memerlukan waktu yang lama, dan menimbulkan polusi (limbah sisa pengukuran) maka diperlukan metode lain yang lebih efektif dan efisien.

Dalam suatu industri pakan, diperlukan metode yang dapat menduga kandungan bahan secara cepat dan tepat karena bahan yang digunakan dalam jumlah sangat besar dan frekuensi analisis komponen kimia yang tinggi. Pendugaan komponen kimia bahan dalam industri yang dilakukan dengan metode konvensional akan menjadi kurang efektif dan efisien. Misalnya dalam pendugaan protein dengan metode Kjehldahl membutuhkan pelarut kimia dan proses pendidihan dan destilasi serta titrasi yang membutuhkan waktu sekitar lima jam.

Pada saat ini sejumlah metode atau teknologi instrumentasi telah dikembangkan untuk menentukan komposisi kimia suatu bahan dengan cepat, tepat, akurat, dan tidak merusak bahan. Salah satu metode non-destruktif yang dapat digunakan untuk mengukur kualitas internal dan eksternal seperti kekerasan, keasaman, total padatan terlarut, rasa, dan kandungan kimia bahan adalah dengan metode Near Infrared (NIR). Metode NIR dapat menganalisis dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana, tidak menggunakan bahan kimia, dan dapat menganalisis contoh dengan tidak merusak bahan.

Untuk menguji komposisi kimia sorgum dalam jumlah yang besar seperti pada industri pakan, metode NIR merupakan alternatif yang baik. Biaya investasi yang dibutuhkan untuk menggunakan metode NIR cukup tinggi sehingga cocok diaplikasikan untuk menduga komponen kimia suatu komoditas dalam jumlah besar secara cepat dan akurat.

B.

Tujuan

Tujuan umum penelitian ini adalah menentukan kadar air, protein, dan karbohidrat biji sorgum dengan metode near infrared (NIR). Sedangkan tujuan khusus dalam penelitian ini adalah sebagai berikut:

1. Mengkaji pola spektrum reflektan dan absorbansi dari biji sorgum hubungannya dengan perubahan kadar air, protein, dan karbohidrat.

2. Melakukan tahap kalibrasi dan validasi sifat reflektan, absorban, dan komposisi kimia sorgum dengan metode kalibrasi multivariatif yaitu principal component regression dan partial least square.

3.

Menentukan metode kalibrasi yang terbaik untuk menduga kadar air, protein, dan karbohidrat biji sorgum.

3

II. TINJAUAN PUSTAKA

A.

Tanaman Sorgum

Sorgum (Sorghum bicolor L.) merupakan tanaman yang termasuk di dalam family Gramineae bersama padi, jagung, gandum, dan lain-lain. Sorghum bicolor (L.) termasuk dalam genus Sorghum, ordo Cyperales, kelas Liliopsida, divisi Magnoliophyta, superdivisi Spermatophyta, supkingdom Traechobionta, dan kingdom plantae. Sorgum memiliki istilah yang berbeda-beda tiap

daerah. Sebagai contoh, sorgum dikenal dengan nama „cantel‟ di Jawa Tengah dan Jawa Timur, „jagung cantrik‟ di daerah Jawa Barat, dan „batara tojeng‟ di Sulawesi Selatan (Mudjisihono dan

Suprapto, 1987).

1.a. Tangkai Sorgum 1.b. Biji Sorgum

Gambar 1. Tanaman Sorgum

Sorgum memiliki banyak varietas, dari sorgum yang berwarna putih hingga sorgum yang berwarna merah kecoklatan (FSD, 2003). Tanaman sorgum dibagi dalam dua kelompok, yaitu sorgum yang berumur pendek (musiman) dan sorgum tahunan. Sorgum musiman terdiri dari empat kelompok, yaitu sorgum manis (sweet sorghum) yang batangnya mengandung gula (17%) sehingga dapat dipakai untuk membuat sirup dan gula, sorgum biji (grain sorghum) yang batang dan daunnya dapat dimanfaatkan untuk pakan ternak, sorgum sapu (broom sorghum) yang banyak ditanam di Amerika Serikat dan China yang dimanfaatkan untuk membuat sapu/sikat, dan yang terakhir adalah sorgum rumput (grass sorghum) yang dikenal sebagai rumput sudan di Indonesia yang tahan kekeringan. Sorgum tahunan tidak menghasilkan biji, namun dapat dimanfaatkan sebagai pakan ternak.

Tanaman sorgum tidak membentuk akar tunggang, tetapi hanya membentuk akar lateral yang halus dan terletak agak dibawah tanah. Akar lateral ini menyebabkan tanaman sorgum mampu menyerap air tanah dengan cukup intensif. Hal ini menjadi salah satu penyebab tanaman sorgum tahan terhadap kekeringan.

Batang sorgum tegak lurus dan beruas-ruas. Setiap ruas mempunyai alur yang letaknya berselang-seling. Dari setiap buku keluar daun berhadapan dengan alur. Batang sorgum ada yang banyak mengandung air dengan kadar gula yang cukup tinggi dan ada yang berair tapi tidak manis (Mudjisihono dan Suprapto, 1987)

Daun sorgum dilapisi oleh sejenis lilin yang agak tebal dan berwarna putih. Lapisan lilin ini memiliki fungsi untuk menahan atau mengurangi penguapan. Tanaman sorgum mempunyai daya regenerasi yang cukup kuat serta lebih tahan terhadap serangan hama daripada tanaman jagung.

Bunga sorgum berbentuk malai bertangkai panjang tegak lurus terlihat pada pucuk batang. Selain itu ada juga tanaman sorgum yang tidak mempunyai tangkai malai. Malai sorgum bentuknya dapat terbuka, terurai atau setengah terurai, kompak atau kompak agak padat.

Biji sorgum berkeping satu, berbentuk butiran. Pada umumnya biji sorgum berbentuk bulat lonjong atau bulat telur dengan ukuran biji kira-kira 4.0 x 2.5 x 3.5 mm3. Berat biji berkisar antara 8-50 mg dengan rata-rata 28 mg. Berdasarkan bentuk dan ukurannya, sorgum dibedakan menjadi tiga golongan yaitu biji berukuran kecil (8-10 mg), biji berukuran sedang (12-24 mg), dan biji berukuran besar (25-35 mg). Biji sorgum di pulau jawa umumnya berukuran besar (Mudjisihono dan Damardjati, 1985).

Biji sorgum terdiri dari 7.3-9.3% kulit luar, 7.8-12.1% lembaga, dan 80-84.6% endosperm. Kulit luar terdiri dari epikarp, endokarp, dan mesokarp. Epikarp adalah bagian terluar yang tersusun atas dua atau tiga lapisan memanjang. Mesokarp merupakan lapisan tengah dan cukup tebal, berbentuk poligonal serta mengandung sedikit granula pati. Endokarp tersusun atas sel menyilang dan sel berbentuk tabung, akan rusak selama proses penggilingan yang menghilangkan kulit luar. (Rooney et al., 1980). Endosperm merupakan 81-84% dari biji sorgum yang terdiri dari lapisan endosperm luar (peripherial endosperm), lapisan endosperm (corneus endosperm), dan lapisan endosperm dalam (floury endosperm) (Hubbard et al.,1969).

Di bawah lapisan perikarp terdapat lapisan kulit biji (testa). Pada lapisan perikarp dan testa sering terdapat senyawa fenolik. Lapisan testa tedapat di bawah endokarp dan di sekeliling permukaan endosperm biji. Lapisan aleuron atau bekatul terdapat pada permukaan endosperm biji. Sel-sel aleuron tidak mengandung granula pati tapi mengandung protein, lemak dengan kadar air cukup tinggi, sejumlah mineral dan vitamin yang larut dalam air (Rooney et al., 1980).

Sebagai bahan pangan dan pakan ternak alternatif sorgum memiliki kandungan nutrisi yang baik, bahkan kandungan proteinnya lebih tinggi daripada beras. Kandungan nutrisi sorgum dibanding sumber pangan/pakan lain disajikan dalam tabel berikut:

Tabel 2. Perbandingan kandungan nutrisi sorgum dengan sumber pangan/pakan lain

Unsur Nutrisi

Kandungan/100 g

Beras Jagung Singkong Sorgum Kedelai

Kalori (cal) 360 361 146 332 286

Protein (g) 6.8 8.7 1.2 11 30.2

Lemak (g) 0.7 4.5 0.3 3.3 15.6

Karbohidrat (g) 78.9 72.4 34.7 73 30.1

Kalsium (mg) 6 9 33 28 196

Besi (mg) 0.8 4.6 0.7 4.4 6.9

Posfor (mg) 140 380 40 287 506

Vit. B1 (mg) 0.12 0.27 0.06 0.38 0.93

Sumber: Beti et al., (1990).

Beberapa daerah telah menjadi sentra produksi sorgum di Indonesia. Tabel 2 menunjukkan daerah-daerah penghasil sorgum berdasarkan data yang terdapat di Direktorat Jendral Tanaman Pangan Departemen Pertanian (1996).

Tabel 3. Persebaran daerah penghasil sorgum di Indonesia

Propinsi Daerah Penghasil

Jawa Barat Indramayu, Cirebon, Kuningan, Ciamis, Garut, Cianjur dan Sukabumi

Jawa Tengah Tegal, Kebumen, Kendal, Wonogiri, Demak, Grobogan, Boyolali, Sukoharjo, dan Wonogiri

DI. Yogyakarta

Kulon Progo, Sleman, Bantul dan Gunung Kidul

Jawa Timur Pacitan, Bojonegoro, Tuban, Lamongan, Bangkalan, Pamekasan, Sampang, Sumenep, Pasuruan, Malang, Probolinggo, Lumajang

NTB Lombok tengah, Sumbawa, Bima, dan Dompu

NTT Sumba Barat, Sumba Timur, Manggarai, Ngada, Ende, Sikka, Flores Timur, Lembata, Alor, Timor Tengah Utara, Kupang belu, Timor Tengah Selatan, dan Rote Ndao

Sumber : Direktorat Jendral Tanaman Pangan Departemen Pertanian (1996)

Di Indonesia saat ini terdapat beberapa varietas sorgum yang dikembangkan. Total terdapat 9 jenis varietas yang dijadikan varietas sorgum unggulan Indonesia yaitu : UPCA, Keris, Mandau,

Higari, Badik, Gadam, Sangkur, Numbu dan Kawali. Ada beberapa varietas yang telah dikembangkan oleh Balai Penelitian Tanaman Pangan Bogor, diantaranya adalah varietas UPCA-S1, UPCA-S2, No. 46, No. 6c, No. 7c dan masih banyak introduksi baru dari luar negeri untuk disebarluaskan ke daerah-daerah dalam usaha peningkatan hasil produksinya (Mudjisihono dan Suprapto, 1987).

B.

Metode

Near Infrared

(NIR)

Near infrared (NIR) atau infra merah dekat merupakan gelombang elektromagnetik yang memiliki panjang gelombang mulai dari 700 nm sampai 2500 nm (Dryden, 2003). Kisaran panjang gelombang ini telah lama dipelajari dan digunakan sebagai metode analitik berbagai material baik organik maupun anorganik. Cahaya tampak diterima oleh mata sesuai dengan besarnya pantulan, seperti halnya warna dihasilkan dari cahaya yang dipantulkan dari suatu objek. Setiap bahan memiliki gabungan pantulan spektrum inframerah dekat yang unik yang dihasilkan dari efek penyebaran, penyerapan, dan pantulan cahaya oleh bahan.

Dalam penerapannya, metode NIR memiliki kelebihan, antara lain dapat menganalisa dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana, tidak mengguakan bahan kimia, dan dapat menganalisa contoh secara non-destruktif. Sedangkan kendala dalam penggunaan metode NIR adalah biaya investasi alat yang tinggi.

Semua bahan organik terdiri dari atom karbon, oksigen, hidrogen, nitrogen, phosphor, sulfur dengan sejumlah kecil elemen lainnya. Atom-atom ini berkombinasi melalui ikatan kovalen atau elektrovalen membentuk molekul. Karena sifat ikatannya, gaya elektrostatik ada dalam atom dan molekul tersebut. Sehingga molekul bergerak secara konstan, ini dikenal dengan keadaan stabil. Molekul bervibrasi pada frekuensi yang berkaitan dengan panjang gelombang daerah infra merah dari spektrum elektromagnetik.

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. Radiasi infra merah tidak mempunyai energi yang cukup untuk mengeksitasi electron pada senyawa tetapi dapat menyebabkan senyawa organik mengalami rotasi dan getaran (vibrasi) ikatan inter-atomic (Osborne et al., 1993).

Cahaya infra merah dekat yang mengenai bahan memiliki energi yang kecil dan hanya menembus sekitar satu millimeter permukaan bahan, tergantung dari komposisi bahan tersebut. Jika cahaya mengalami penyebaran, spektrum tersebut tetap mengandung informasi contoh penyerapan permukaan bahan tetapi terjadi distorsi pada puncak gelombang. Variasi pada ukuran dan suhu partikel sampel mempengaruhi penyebaran radiasi infra merah pada saat melewati sampel. Partikel berukuran besar tidak dapat menyebarkan radiasi infra merah sebanyak partikel kecil. Makin banyak radiasi yang diserap dapat memberikan nilai absorban yang tinggi dan efeknya besar pada panjang gelombang yang diserap lebih kuat (Dryden, 2003)

Metode NIR telah banyak digunakan di beberapa negara di Eropa, Amerika Utara, Asia, Australia, dan New Zealand baik dalam bidang industri maupun dalam bidang pertanian. Di Indonesia, metode ini belum banyak digunakan terutama dalam bidang pertanian.

Penerapan metode NIR telah lama berkembang terutama untuk keperluan bahan pangan, pertanian, kedokteran, farmasi dan industri kimia. Untuk bahan pangan dan hasil pertanian seperti beras, jagung, kedelai, daging, ikan, hortikultura, metode NIR dapat digunakan untuk penentuan komposisi kimia seperti kadar air, karbohidrat, protein, lemak, asam, gula, dan berbagai senyawa lainnya.

Aplikasi metode NIR dalam industri produk pangan diawali oleh Norris dan Hart (1962) yang menemukan bahwa kadar air yang terkandung dalam biji-bijian dan bibit tanaman dapat diukur pada panjang gelombang 1940 nm. Pengaplikasian secara komersil metode IR pertama diperkenalkan oleh Williams (1973) yang menganalisis gandum dan biji-biji berkadar minyak.

Miller (1990) menggunakan turunan pertama pada pantulan spektrum untuk mendeteksi adanya jamur hitam, jamur abu-abu dan kerusakan lain seperti sunscal. Hasilnya menunjukkan bahwa indeks mutu tomat dapat ditentukan berdasarkan nilai turunan pantulan dengan jangkauan panjang gelombang antara 590-710 nm, sehingga nilai ini dapat digunakan untuk memisahkan antara tomat yang baik dari jamur.

Metode NIR juga dapat digunakan untuk memperkirakan konsentrasi gula dan asam pada buah-buahan, seperti mangga yang dilakukan oleh Budiastra et al. (1995). Mereka mengklasifikasikan mangga menjadi tiga jenis rasa yaitu rasa manis, manis asam, dan asam yang diukur dengan teknologi NIR pada 200 contoh mangga dengan kisaran panjang gelombang 1400-1975 nm. Metode stepwise dari regresi berganda (SMLR) digunakan untuk memilih panjang gelombang optimal untuk menduga konsentrasi sukrosa dan asam malat. Panjang gelombang terpilih untuk memprediksi sukrosa dengan NIR adalah 1533 nm, 1605 nm, 1821 nm sedangkan untuk asam malat adalah 1621 nm, 1813 nm, 1821 nm, 1933 nm, 1941 nm, 1965 nm, dan 1968 nm.

Sugiana (1995) menggunakan NIR Spectrophotometer untuk mendeteksi kememaran buah apel varietas Rome Beauty dengan panjang gelombang 900-1400 nm. Hasil yang diperoleh adalah panjang gelombang NIR yang tepat untuk mendeteksi kememaran buah apel tersebut adalah 930 nm, 940 nm, 950 nm, 960 nm, 1110 nm, dan 1390 nm. Disimpulkan pula bahwa kekerasan buah apel tidak terlalu berpengaruh terhadap pantulan spektrum yan dihasilkan, sehingga hasil pantulan spektrum yang diperoleh dari setiap apel dikatakan memiliki sifat yang sama.

Victor (1996) dengan menggunakan sistem NIR melakukan pengelompokan buah apel varietas Manalagi berdasarkan kememaran dengan panjang gelombang 900-2000 nm. Disimpilkan bahwa kedalaman dan diameter memar buah apel tidak dipengaruhi oleh lama penyimpanan, tetapi dipengaruhi oleh ketinggian perlakuan memar yang diberikan serta panjang gelombang 1400-2000 nm tidak dapat digunakan untuk membedakan secara nyata adanya kememaran pada buah apel Manalagi.

Chang et al. (1998) melakukan penelitian untuk menduga total padatan terlarut jus jeruk, apel, papaya, pear dan pisang. Dari berbagai jus buah tersebut dikembangkan algoritma umum penentuan total padatan terlarut beberapa jus buah.

Rosita (2001) menerapkan metode NIR untuk memprediksi mutu buah duku. Dari penelitian tersebut disimpulkan bahwa NIR dapat memprediksi kadar gula dan kekerasan buah duku dengan baik. Disimpulkan pula bahwa data absorbansi NIR memberikan korelasi yang lebih tinggi (0.91), standar error yang lebih rendah (0.87) dan koefisien keragaman yang akurat (5.39).

Fontaine et al. (2002) menerapkan NIR dalam menduga kandungan asam amino kedelai. Didapat bahwa 85-98% variasi asam amino mampu dijelaskan dengan baik menggunakan NIR. Mereka juga telah menggunakan metode tersebut untuk memprediksi kandungan asam amino esensial beberapa bahan pakan yakni kedelai, rapeseed meal, tepung biji bunga matahari, polong, tepung daging, tepung ikan, dan tepung produk samping pemotongan ayam.

Munawar (2002) menerapkan metode NIR untuk menduga kadar gula dan kekerasan buah belimbing. Dari hasil penelitian disimpulkan bahwa data absorban NIR dapat menduga kadar gula dan kekerasan buah belimbing dengan baik. Hal ini ditunjukkan dengan korelasi yang tinggi.

Mitamala (2003) menerapkan metode NIR untuk menduga kadar air, karbohidrat, protein, dan lemak tepung jagung. Dari penelitian tersebut disimpulkan bahwa NIR dapat memprediksi kadar air, karbohidrat, protein, dan lemak tepung jagung dengan baik. Penggunaan data reflektan mampu menentukan kadar protein lebih baik daripada data absorban. Sedangkan untuk menduga kadar lemak dan amilosa data absorban lebih baik dibandingkan data reflektan.

Kusumaningtyas (2004) melakukan pendugaan kadar air, karbohidrat, lemak, dan amilosa pada beras dengan metode NIR. Panjang gelombang yang digunakan untuk menduga adalah 900-2000 nm. Data reflektan NIR dapat menduga kadar air, karbohidrat, dan protein lebih baik daripada data absorban. Sedangkan untuk menduga kadar lemak dan amilosa, data absorban lebih baik daripada data reflektan.

Marthaningtyas (2005) melakukan pendugaan total padatan terlarut dan kadar asam belimbing dengan menggunakan metode NIR dan JST. Penggunaan analisis komponen utama dalam mereduksi hasil data absorbansi dari spektrum infra merah dekat sangat efektif.

Andrianyta (2006) menerapkan metode NIR dan JST dalam menentukan komposisi kimia jagung secara non-destruktif. Komposisi kimia yang ditentukan adalah kandungan proksimat, lemak, air, karbohidrat, methionin, tyrosin, threonin, arginin, dan leusin.

Quddus (2006) melakukan penentuan kandungan energi bruto pada tepung ikan untuk bahan pakan ternak menggunakan metode NIR. Analisis pendugaan kandungan energi pada tepung ikan tersebut menggunakan metode kalibrasi SMLR dan PCR. Persamaan kalibrasi dengan metode SMLR menyatakan bahwa prediksi nilai EM menggunakan data reflektan dan absorban mendekati hasil uji bioassay. Sedangkan persamaan kalibrasi dengan metode PCR menghasilkan 10 komponen utama dalam tepung ikan tersebut.

Adrizal et al. (2007) melakukan pendugaan kandungan air, protein, lisin, dan metionin tepung ikan dengan jaringan syaraf tiruan berdasarkan absorban NIR. Dari hasil penelitian tersebut,

disimpulkan bahwa metode JST mampu menduga kandungan air, protein, lisin, dan metionin tepung ikan dengan akurasi yang lebih baik dibandingkan menggunakan persamaan regresi yang diperoleh melalui metode SMLR.

Susilowati (2007) menduga total padatan terlarut buah papaya selama penyimpanan dan pemeraman dengan metode NIR menggunakan panjang gelombang 900-1400 nm. Namun panjang gelombang tersebut tidak dapat menentukan kekerasan buah. Hubungan antara data absorban NIR dengan total padatan terlarut dan kekerasan pada penelitian tersebut dipelajari dengan kalibrasi menggunakan metode SMLR, PCR, PLS.

Purba (2010) melakukan pendugaan komposisi kimia tepung MOCAF menggunakan metode NIR. Komposisi kimia MOCAf menyerap pada panjang gelombang NIR, antara lain: 2280-2320 nm untuk penyerapan kadar amilosa, 1940 nm dan 1200 nm untuk penyerapan kadar air, 1440-1590 nm untuk penyerapan pH, dan 1000 nm dan 1180 nm untuk penyerapan kadar abu. Pendugaan kadar abu, pH, dan kadar amilosa MOCAF paling baik diperoleh dengan metode PLS menggunakan data absorban NIR.

C.

Kalibrasi dan Validasi

Osborne et al. (1993) menjelaskan bahwa instrument NIR berguna dalam menentukan komposisi kimia dengan menggunakan nilai pantulan (R) dan absorban (log (1/R)). Dalam menentukan spektrum pantulan dan absorban NIR diperlukan hasil analisis kimiawi laboratorium. Untuk mengetahui hubungan antar spektrum tersebut dengan nilai referensi dari analisis kimiawi di laboratorium (metode konvensional) maka perlu menggunakan metode matematika dengan cara mengkalibrasinya. Untuk tahap kalibrasi sering digunakan untuk sampel yang memiliki karakteristik yang hampir mendekati sama.

Berbagai macam metode kalibrasi spektrum NIR telah tersedia tetapi dapat dibagi dalam dua kategori yaitu metode kalibrasi untuk panjang gelombang terpilih atau sering disebut dengan metode lokal dan metode yang melibatkan seluruh spektrum atau sering disebut metode global atau juga sering disebut metode kalibrasi spektrum penuh, seperti principal component regression (PCR) dan partial least square (PLS).

Metode full spectrum banyak digunakan karena data dalam spektrum direduksi untuk mencegah masalah overfitting tanpa mengurangi atau menghilangkan satu atau beberapa informasi yang sangat berguna. Jumlah sampel yang digunakan untuk tahap kalibrasi dan validasi harus cukup banyak. Jumlah sampel untuk tahap kalibrasi harus lebih banyak daripada untuk tahap validasi. Validasi bertujuan menguji ketepatan pendugaan komposisi kimia persamaan regresi kalibrasi yang telah dibangun.

Kesulitan dalam mengkalibrasi adalah masalah informasi alam yang kompleks dalam spektrum infra merah contohnya setiap puncak spektrum hampir selalu tumpang tindih oleh satu atau lebih puncak-puncak lain (Osborne et al., 1993)

Selain itu, dikenal pula beberapa perlakuan data sebelum spektrum dianalisis seperti smoothing, normalisasi, derivatif pertama dan kedua, standard normal variate (SNV) dan de-trending (DT) (Osborne et al., 1993). Setiap perlakuan data memiliki fungsi yang berbeda terhadap data spektrum. Pada penelitian ini perlakuan data yang diberikan adalah smoothing, derivatif kedua Savitzky-Golay, normalisasi, kombinasi antara smoothing dan derivatif kedua, dan kombinasi antara smoothing, derivatif kedua dan normalisasi.

Prosedur derivatif kedua yang paling umum digunakan yaitu prosedur Savitzky-Golay yang dikelaskan oleh Noris dan William (1990). Data spektrum sering diubah menjadi bentuk smoothing dan derivatif, secara umum untuk memperbaiki bentuk dan model persamaan regresi kalibrasi.

Smoothing berfungsi untuk memilih penghalusan fungsi dengan teliti tanpa menghilangkan informasi spektrum yang ada dan mengurangi guncangan (noise) dan memperkecil galat (kekeliruan) yang terjadi selama pengukuran NIR dan analisis kimiawi laboratorium. Derivatif kedua Savitzky-Golay berfungsi untuk mereduksi efek basis dari adanya pertambahan dari proses absorban (shoulder effect) serta menghilangkan masalah basis kemiringan persamaan regresi.

Normalisasi dilakukan untuk meminimalkan atau menghilangkan pengaruh tegangan dari alat near infrared terhadap hasil yang diberikan.

Kombinasi antara smoothing dan derivatif kedua Savitzky-Golay dapat diterapkan dan akan mendapatkan bentuk dan model persamaan regresi kalibrasi yang optimum, layak, dan dapat dipercaya. (Blanco dan Villaroya, 2002 dalam Yogaswara, 2005).

D.

Metode Kalibrasi Multivariatif

Analisis data NIR dapat dimanfaatkan dengan mempelajari hubungannya dengan sifat bahan yang diukur. Kegiatan mempelajari hubungan tersebut pada umumnya dilakukan dengan beberapa metode kalibrasi, antara lain stepwise multiple linear regression (SMLR), principal component regression (PCR), backward dan partial least square (PLS).

Lammertyn et al., (1998) menganalisis data NIR Spectroscopy menggunakan metode kalibrasi multivariatif seperti partial least square dan principal component regression dalam memprediksi sifat-sifat kimiawi seperti keasaman dan total padatan terlarut pada buah apel Jonagold.

Metode kalibrasi multivariatif yang digunakan pada penelitian yang berjudul pendugaaan kadar air, protein dan karbohidrat biji sorgum adalah principal component regression (PCR) dan partial least square (PLS).

1. Metode principal component regression (PCR)

Metode principal component regression (PCR) merupakan suatu metode kombinasi antara analisis regresi dan analisis komponen utama (principal component analysis). 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.

Menurut Miller & Miller (2000) 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.

Metode ini pertama kali diperkenalkan oleh Pearson (1901) dan secara terpisah oleh Hotelling (1993). Pemikiran dasar metode analisis ini adalah mendeskripsikan variasi sebuah set data multivariatif dengan sebuah set data baru dimana variable-variabel baru tidak berkorelasi satu sama lain. Variabel-variabel baru adalah kombinasi linier dari variable asal. Variabel baru diturunkan dalam arah menurun sehingga beberapa komponen pertama mengandung sebanyak mungkin variasi data asal (Pearson, 1901 dalam Marthaningtiyas, 2005).

Siska dan Hurburgh (1996) dalam Andrianyta (2006), menggunakan metode principal component regression (PCR) untuk mengidentifikasi variasi-variasi utama pada spektrum absorban sampel jagung. Sedangkan Quddus (2006) menentukan kandungan energi bruto tepung ikan untuk bahan pakan ternak dengan data reflektan dan absorban menggunakan metode kalibrasi multivariatif PCR.

2. Metode partial least square (PLS)

Metode regresi kuadrat terkecil parsial atau sering disebut partial least square (PLS) pertama kali dikembangkan oleh Herman Wold (1982). Model partial least square didefinisikan dari dua persamaan linier yang disebut model struktural dan metode pengukuran (Wold, 1982 dalam Wulandari 2000).

Metode partial least square digunakan untuk memperkirakan serangkaian variabel tidak bebas (respons) dari variable bebas (prediktor) yang jumlahnya sangat banyak, memiliki struktur sistematik linear atau non linear, dengan atau tanpa data yang hilang, dan memiliki kolinearitas yang tinggi. Metode ini membentuk model dari variabel yang ada untuk merangkai respons dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks (Lindblom, 2004 dalam Saragih, 2007).

Metode tersebut juga mempunyai keuntungan yaitu dapat mengoptimalkan hubungan prediktif antara dua kelompok peubah bebas dan tidak bebas dan pemodelannya tidak mengasumsikan sebaran dari peubah bebas saja tetapi peubah tidak bebas ikut diasumsikan (Wold, 1982 dalam Wulandari 2000).

Jensen et al., (2001) mengevaluasi perubahan mutu butir walnut (Junglens regia L.) dengan menerapkan metode NIR dan partial least square sebagai metode kalibrasi. Model tersebut dapat melakukan kalibrasi NIR dengan hasil yang tepat pada panjang gelombang 400-2490 nm. Selain itu NIR dapat menjelaskan kandungan heksanal kacang walnut sebesar 72%.

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 diaplikasikan pada persamaan hubungan model struktural dan model pengukuran (Ratnaningsih, 2004).

Metode kuadrat terkecil parsial (PLS) tidak memerlukan asumsi-asumsi yanh ketat terhadap sebaran dari peubah, sisaan, dan parameter, sehingga metode ini sering disebut metode lunak (Ratnaningsih, 2004). Metode tersebut diperoleh secara iteratif dan tidak memiliki formula tertutup untuk mencari ragam koefisien regresi.

10

III. METODOLOGI PENELITIAN

A.

Tempat dan Waktu Penelitian

Penelitian dilaksanakan di laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian Departemen Teknik Mesin dan Biosistem, Laboratorium Kimia Pangan Departemen Ilmu dan Teknologi Pangan, Fakultas Teknologi Pertanian. Waktu penelitian dilaksanakan mulai Maret 2011 sampai April 2011.

B.

Bahan dan Alat Penelitian

1. Bahan Penelitian

Bahan yang digunakan adalah biji sorgum varietas lokal yang diperoleh dari Yogyakarta. Sampel biji sorgum yang digunakan dalam pendugaan kadar air, protein dan karbohidrat dengan metode NIR dapat dilihat pada Gambar 2.

Gambar 2. Sampel biji sorgum yang akan digunakan dalam pendugaan kadar air, protein dan karbohidrat dengan NIRFlex Petri Solids N-500

Bahan kimia yang digunakan untuk menganalisis kadar karbohidrat, protein dan kadar air dengan analisis kimiawi antara lain aquades, asam perklorat, HCl 0.02 N, 1.9 mg K2SO4, 40 mg HgO,

2 ml H2SO4, H3BO3, NaOH-Na2S203.

2. Alat Penelitian

a. Instrumen NIRFLex Tipe N-500 merk Buchi

NIRFlex Tipe N-500 memiliki berbagai macam sistem atau bentuk, yaitu NIRFlex Solids dengan cawan petri dan XL Add-on, NIRFlex Fiber Optic Solids, dan NIRFlex Liquids. Pada penelitian ini digunakan NIRFlex Solids dengan cawan petri yang dapat dilihat pada Gambar 3 dan prinsip fungsional dari instrumen yang digunakan untuk penelitan ini dapat dlihat pada gambar 4.

5 4

3

2

6 11

14 12

13 15

16 17

1

7 8

9

10

Gambar 3. NIRFlex N-500 Petri Solids

1. Detektor 10. Penyangga Cawan Petri

2. Sensor magnet 11. Piringan berputar

3. LED 12. Motor

4. Tombol start 13. Optik 1

5. Tombol stop 14. Penghalang Sinar

6. Referensi Internal 15. Cermin 1

7. Koding magnetik 16. Cermin 2

8. Sampel 17. Optik 2

9. Cawan Petri

Gambar 4. Prinsip fungsional dari alat NIRFlex Solids

b. Komputer

Komputer (PC) digunakan mengolah data dan mengukur pendugaan komposisi kimia sorgum menggunakan NIRFlex N-500 petri solids sehingga diperoleh data reflektan dan absorban baik dalam bentuk tabel maupun grafik. Software bawaan yang akan digunakan untuk penelitian ini adalah NIRWare Operator, NIRWareManagement Console, dan NIRCal 5.

c. Peralatan Lainnya

Peralatan lain yang digunakan selama penelitian antara lain oven untuk pengukuran kadar air dengan cara pengeringan. Selain itu digunakan pula timbangan digital, cawan, gelas Erlenmeyer, dan desikator.

C.

Metode Penelitian

Diagram alir pelaksanaan penelitian dapat dilihat pada Gambar 7. Metode yang digunakan dalam penelitian adalah sebagai berikut:

1. Persiapan Sampel Penelitian

Sampel yang akan digunakan dalam penelitian ini adalah biji sorgum varietas lokal yang diperoleh dari Yogyakarta. Sampel yang akan diukur dimasukkan ke dalam cawan petri. Masing-masing sampel memiliki berat 100 gram. Gambar 5 menunjukkan sampel yang telah dimasukkan ke dalam cawan petri.

Gambar 5. Sampel yang akan diukur menggunakan NIR 2. Persiapan Instrumen NIR

Sebelum dilakukan pengukuran instrument NIRFlex N-500 Petri Solids dinyalakan dan dibiarkan terlebih dahulu beberapa saat. Kemudian sebelum dilakukan pengukuran ke sampel biji nyamplung, terlebih dahulu dilakukan proses kalibrasi dengan software bawaan yang akan digunakan untuk proses kalibrasi adalah NIRWare Operator (Anonimousb,2008).

3. Pengukuran Pantulan Spektrum NIR

Pendugaan sampel biji sorgum dengan cara pengukuran dengan instrument NIRFlex N-500 Petri Solids dan software bawaan yaitu NIRWare Operator, lama pengukuran setiap sampel adalah 8-9 detik. Jumlah sampel yang akan diukur sebanyak 70 sampel, dimana setiap sampel dilakukan 3 pengulangan dengan 3 titik pengukuran yang berbeda.

Selanjutnya biji sorgum akan disinari inframerah dekat (NIR) dengan panjang gelombang 1000-2500 nm dan daerah yang disinari akan memberikan pantulan atau gambaran berupa spektrum. Hasil pantulan spektrum akan ditangkap oleh lensa optik yang kemudian direkam oleh detektor. Informasi yang diperoleh 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 biji sorgum, dilakukan analisis kimiawi biji sorgum dengan metode konvensional. Proses pengukuran dengan NIRFLex petri solids ditunjukkan pada Gambar 6.

Spektrum dihitung dengan menggunakan persamaan sebagai berikut:

Dimana:

V contoh = Tegangan pantulan contoh/sampel (Volt) V standar = Tegangan pantulan standar putih (Volt)

Gambar 6. Proses pengukuran kadar air, protein dan karbohidrat biji sorgum dengan NIRFlex petri solids.

4. Penentuan Absorban Spektrum NIR

Data absorban diperoleh dengan cara mentransformasikan nilai reflektan kedalam bentuk log (1/R). nilai absorban dari NIRFlex N-500 petri solids diperoleh dari hasil penyerapan (absorban) oleh objek dengan persamaan:

Dimana:

A = nilai absorban

S = intensitas panjang gelombang pada sampel D = intensitas panjang gelombang pada dark R = intensitas panjang gelombang pada reference

5. Penentuan Kadar Air, Protein dan Karbohidrat Secara Destruktif a. Penentuan Kadar Air (Metode Thermogravitimetri)

Penentuan kadar air dilakukan dengan metode thermogravitimetri atau pengeringan. Cawan aluminium kosong dan tutupnya dikeringkan dalam oven pada suhu 1300 C selama 15 menit dan didinginkan dalam desikator selama 30 menit. Cawan ditimbang menggunakan neraca analitik (A). Sampel sebanyak 2 gram (W) yang sudah dihomogenisasi dimasukkan ke dalam cawan tersebut, kemudian cawan beserta sampel ditimbang dengan neraca analitik, tutup cawan diangkat, dan cawan beserta isi dan tutupnya ditempatkan dalam oven pada suhu 1300C selama 1 jam. Kemudian cawan berisi sampel didinginkan dalam desikator, kemudian ditimbang (Y). setelah itu, cawan berisi sampel dikeringkan kembali dalam ven selama 15-30 menit, lalu ditimbang kembali. Pengeringan diulangi

hingga diperoleh bobot konstan (selisih bobot ≤0.005 gram). Penentuan kadar air dilakukan sebanyak

Dimana:

W = Bobot sampel awal (g)

X = Bobot sampel dan cawan setelah dikeringkan (g) A = Bobot cawan kosong (g)

b. Penentuan Kadar Protein

Penentuan kadar protein dilakukan dengan metode Kjeldahl. Metode Kjeldahl merupakan metode yang paling mudah digunakan untuk mengukur kandungan protein bahan yaitu dengan mengukur besarnya kandungan nitrogen dalam bahan. Metode ini juga lebih baik digunakan untuk mengukur bahan-bahan dengan kandungan protein lebih besar dari 10% (Winarno 1980).

Sampel ditimbang seberat 5-10 mg, kemudian dimasukkan ke dalam labu kjehdahl 30 ml. Ditambahkan 1.9 mg K2SO4, 40 mg HgO, 2 ml H2SO4, dan beberapa butir batu didih. Kemudian

dididihkan 1-1.5 jam sampai cairan menjadi jernih. Kemudian didinginkan dan ditambah sedikit air secara perlahan. Isi labu dipindahkan ke dalam alat destilasi Erlenmeyer 125 ml berisi 5 ml larutan H3BO3 dan 4 tetes indikator (campuran 2 bagian metal merah 0.2 % dalam alkohol) diletakkan di

bawah kondensor.

Tambahkan 8-10 ml larutan NaOH-Na2S2O3 dan didestilasi sampai tertampung 15 ml destilat

dalam Erlenmeyer. Tabung kondensor dibilas dengan air dan air bilasan dimasukkan Erlenmeyer yang sama. Isi Erlenmeyer diencerkan sampai kira-kira 50 ml, kemudian dititrasi dengan HCL 0.02 N sampai terbentuk warna abu-abu.

Kadar protein dihitung dengan persamaan sebagai berikut:

c. Penentuan Kadar Karbohidrat by difference

Perhitungan kadar karbohidrat dilakukan secara by different yaitu dengan cara mengurangkan 100% dengan komponen gizi lainnya (kadar air, abu, lemak, dan protein) dalam basis basah. Rumus yang digunakan adalah:

Kadar karbohidrat (basis basah) = 100% - (A+B+C+D)

6. Analisis Data Penelitian

Data-data yang diperole akan dianalisis dengan menggunakan bantuan perangkat lunak (software) komputer, seperti : Microsoft excel 2007 dan software bawaan dari NIRflex N-500 merk BUCHI yaitu NIRWare Management Console dan NIRCal 5.

Microsoft Excel 2007 digunakan untuk pembuatan kurva reflektan (R) dan absorban (log(1/R)) NIR. 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 dan absorban NIR terhadap hasil analisis kimiawi laboratorium dengan metode kalibrasi multivariatif yaitu principal component regression (PCR) dan partial least square (PLS).

Keluaran hasil analisis data penelitian dari metode kalibrasi multivariatif tersebut dengan menggunakan software NIRCal 5 adalah data dugaan, grafik, dan persamaan regresi kalibrasi antara data reflektan atau absorban 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.

Analisis data penelitian meliputi data reflektan (R) dan absorban (log(1/R)). Dari seluruh jumlah sampel (70 sampel sorgum) yang diukur akan dibagi dua tahap yaitu tahap kalibrasi dan validasi. Jumlah sampel untuk tahap kalibrasi harus lebih banyak daripada tahap validasi diman jumlah sampel untuk tahap kalibrasi sebanyak 45 sampel (2/3 total sampel) sedangkan jumlah sampel

untuk validasi sebanyak 25 sampel (1/3 total sampel). Selain itu, range data yang digunakan untuk tahap kalibrasi harus lebih besar daripada tahap validasi.

a. Kalibrasi

1. Metode partial least square (PLS)

Tahap kalibrasi ini dilakukan untuk menentukan hubungan antara komposisi kimia sorgum dengan data reflektan maupun absorban NIR. Untuk pendugaan komposisi kimia sorgum dapat dilakukan dengan metode kalibrasi multivariatif yaitu partial least square (PLS). Metode kalibrasi ini memiliki struktur sistematik linier dan non-linier (Herve, 2003 dalam Saragih, 2007).

Metode PLS digunakan memperoleh pendugaan bagi Y sebagai fungsi peubah-peubah Xn yang terpilih. Persamaan regresi kalibrasi antara peubah Y dengan a dan b sebagai konstanta kuadrat terkecil parsial X terpilih (Naes, 1985 dalam Rumahorbo), dinyatakan sebagai berikut:

Y = a + b1X1 + b2X2+ … + bnXn

Dimana:

Y = Kadar air/karbohidrat/protein sorgum A dan b = Konstanta kuadrat terkecil parsial

X = Fungsi peubah kuadrat terkecil parsial pada kisaran panjang gelombang antara 1000-2500 nm.

2. Metode principal component regression (PCR)

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 lebih besar dari peubah asalnya (Matjik et al., 2006).

Hasil analisis berupa akar cirri, vector cirri, proporsi dan proporso kumulatif total keragaman yang diterangkan oleh masing-masing komponen serta skor komponen. Persamaan regresi kalibrasi dapat dibangun dengan menggunakan metode principal component regression (Matjik et al., 2006), dinyatakan sebagai berikut:

Y = a +b1P1 + b2P2 + b3P3 + … + bnPn

Dimana:

Y = Kadar air/karbohidrat/protein sorgum A dan b = Konstanta komponen utama

P = komponen utama pada kisaran panjang gelombang antara 1000-2500 nm.

b. Validasi

Setelah didapatkan model persamaan regresi kalibrasi, dilakukan tahap validasi dengan menggunakan sisa data yang lain. Data sampel yang berbeda tersebut dimasukkan ke dalam persamaan regresi kalibrasi, sehingga diperoleh data kadar air, protein, dan karbohidrat sorgum dugaan NIR. Validasi bertujuan menguji ketepatan pendugaan komposisi kimia dengan persamaan regresi kalibrasi yang telah dibangun.

Parameter untuk menentukan kecocokan model kalibrasi adalah koefisien determinasi (R2), standard error (SE), coefficient of variation (CV). Koefisien determinasi atau R2 menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai R2 berarti model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai R2 mulai dari 0% sampai 100 % (Matjik et al., 2006)

sorgum_11 31 74.23 73.19 1.040 8.02E-06 {272E8FC9-2BBC-48DA-BD6A-4DF886242247} sorgum_11 32 74.23 73.77 0.455 8.03E-06 {EAF742A1-5DDB-42C1-ABB7-71A60945DAFA} sorgum_11 33 74.23 72.48 1.746 8.15E-06 {13CCA086-CBDB-4B55-9ACE-721E592C5024} sorgum_13 37 73.03 73.28 -0.255 8.28E-06 {FCC2A886-2A59-4E3C-9FD4-BF2FE1029B4D} sorgum_13 38 73.03 72.69 0.336 8.14E-06 {12ADDD07-B3B7-46DF-A037-C3DDD8C9BBFE} sorgum_13 39 73.03 73.17 -0.139 8.34E-06 {81F35005-1F84-41A2-A483-2610763EF660} sorgum_14 40 73.15 73.19 -0.040 8.13E-06 {92B79221-C079-456B-998F-F0B61027BA22} sorgum_14 41 73.15 73.63 -0.481 8.72E-06 {B662F68F-9ECF-43A5-AAF1-697B8BD3AE75} sorgum_14 42 73.15 74.18 -1.038 8.25E-06 {C9342835-A9C7-41E4-8375-46B7DD2FF3F8} sorgum_16 46 73.49 72.66 0.834 8.36E-06 {FF0D26CE-3789-4903-A799-AE9D074B8CAC} sorgum_16 47 73.49 74.07 -0.583 8.56E-06 {DC09CEA5-0012-497C-A1A1-94CA9272A531} sorgum_16 48 73.49 73.61 -0.117 8.58E-06 {C4136353-FB97-4CBC-B899-1DA85BA1EFC3} sorgum_17 49 73.78 73.11 0.671 8.34E-06 {BB70912C-85D8-477F-9320-6AF0487B3DEF} sorgum_17 50 73.78 73.26 0.519 8.14E-06 {9611019F-E766-4DC5-891E-8AC2101DAB11} sorgum_17 51 73.78 71.65 2.132 6.72E-06 {8F2FD9DF-DA1A-4BD1-A279-5F8A1524ED15} sorgum_19 55 73.16 72.75 0.409 8.65E-06 {A9506557-90B2-4DEC-B0B2-6450F94EFBED} sorgum_19 56 73.16 74.31 -1.143 8.71E-06 {B265FE5D-33F9-48F3-B577-73689DCB0848} sorgum_19 57 73.16 74.07 -0.909 7.53E-06 {0CA22B4A-17EE-4501-826F-15389B9E5B42} sorgum_20 58 73.22 73.56 -0.343 8.43E-06 {6916C7E3-463E-4BE9-8C84-D210E19E63A7} sorgum_20 59 73.22 73.72 -0.505 7.97E-06 {FC93F620-63DA-401F-9F82-5799CD2511AB} sorgum_20 60 73.22 72.26 0.955 8.65E-06 {968B7AF2-C2C5-4857-A06E-CD43229A8D57} sorgum_22 64 73.28 71.77 1.511 8.31E-06 {6DA58500-273D-405E-9B22-FB0A521733AD} sorgum_22 65 73.28 71.30 1.982 8.42E-06 {35CB18B0-0B9D-4186-B20A-E0FF44D41A40} sorgum_22 66 73.28 72.45 0.830 7.65E-06 {F843DFCA-E3D8-418A-A97D-2036C9455F8B} sorgum_23 67 69.04 72.04 -2.999 7.66E-06 {4B4CB19F-E93B-4D71-8168-5A37B837A4EF} sorgum_23 68 69.04 72.13 -3.088 8.00E-06 {5EC59849-D39C-4EE0-9F14-17FB43C6BE36} sorgum_23 69 69.04 73.39 -4.350 7.53E-06 {415FBEBA-7A89-4D27-B7B8-2CB565F2D238} sorgum_25 73 64.89 71.95 -7.064 8.74E-06 {6C7E1159-6959-4DD0-8075-203B1D84DBBA} sorgum_25 74 64.89 72.06 -7.167 7.18E-06 {3E206F1C-7B87-4B9A-BC00-906CAFE8D197} sorgum_25 75 64.89 71.36 -6.469 8.17E-06 {60FCF354-37B9-44AE-9212-4FA6DECE02DF} sorgum_26 76 74.19 71.98 2.218 8.48E-06 {E29EA21A-4E7F-42FE-9557-A8F44AEABFBF} sorgum_26 77 74.19 71.62 2.571 7.01E-06 {0A54005E-8A81-4F02-9ABC-AB7DAC4B3DF4} sorgum_26 78 74.19 73.05 1.144 7.58E-06 {51C11CC2-663D-42DA-898E-BF8040E509D2} sorgum_28 82 69.40 72.22 -2.814 7.61E-06 {B54AB2DC-1EFA-4EA2-A3C4-5C55BF6BD3C5} sorgum_28 83 69.40 71.92 -2.521 7.96E-06 {26DD7F52-26E0-4BAB-889B-ACEF821BDFD1} sorgum_28 84 69.40 71.64 -2.235 8.12E-06 {EFF16A8A-9A98-41E8-8A0F-F081D25854CD} sorgum_29 85 73.52 71.76 1.759 7.54E-06 {CF68634E-D53C-47AD-AFD7-89C11121B967} sorgum_29 86 73.52 72.21 1.301 8.51E-06 {BB0C812D-FA1B-4291-920F-EC7C6F8F4E3D} sorgum_29 87 73.52 72.00 1.517 8.34E-06 {F01EAC8B-1776-4EC8-B0CE-3234578F340E} sorgum_31 91 73.54 73.08 0.464 7.78E-06 {40FF71ED-B430-4380-B17D-A5E533236CA2} sorgum_31 92 73.54 72.94 0.605 7.01E-06 {A7D0FF15-0E66-4877-9DFA-AF55E3B80EE5} sorgum_31 93 73.54 72.03 1.509 8.38E-06 {135D41D2-F122-4889-B5A9-CA480419A8D7} sorgum_32 94 72.98 72.03 0.948 7.45E-06 {DC844710-E325-49E3-9EA9-1B50B374FED4} sorgum_32 95 72.98 73.09 -0.112 8.92E-06 {505B1D20-916A-45D2-92B2-84455E7928EE}

sorgum_32 96 72.98 72.40 0.582 8.23E-06 {F2B74DF2-71B5-491F-8595-EC341B31B43B} sorgum_34 100 73.19 72.13 1.062 8.07E-06 {EB330531-ACD2-416D-AF96-D1D9863F3673} sorgum_34 101 73.19 71.81 1.377 8.16E-06 {5EDBD17F-2002-425A-BDC2-E8BF25ECDDA3} sorgum_34 102 73.19 72.85 0.340 8.26E-06 {358AC03F-052B-48EA-B56F-0A1F68D4CD59} sorgum_35 103 69.74 71.55 -1.806 7.74E-06 {5C848DB9-2591-4039-9367-CA8F220CCD33} sorgum_35 104 69.74 71.12 -1.382 8.70E-06 {3177478F-3E0D-4A82-A388-9227FD54E663} sorgum_35 105 69.74 71.31 -1.572 7.76E-06 {027052E5-82A0-4A3A-A482-CE704FBCC875} sorgum_37 109 73.37 72.55 0.827 8.27E-06 {A117207E-8011-458F-B1E1-E5F5D075BC9F} sorgum_37 110 73.37 72.25 1.119 8.39E-06 {419C9C98-2CE9-4E08-BDB7-C97ADF8A94C5} sorgum_37 111 73.37 71.31 2.059 8.67E-06 {73E8C336-D16D-475F-8FE6-24DAED579EAC} sorgum_38 112 73.05 71.93 1.117 7.12E-06 {2B83A912-72E0-4EB1-BA40-A326D9C176F4} sorgum_38 113 73.05 72.40 0.646 8.46E-06 {692544B7-D675-441B-B48F-D7D986CDB302} sorgum_38 114 73.05 71.63 1.420 8.28E-06 {B5A7CF30-9BE7-4E93-89E5-E86B803D812B} sorgum_40 118 71.80 72.35 -0.549 8.66E-06 {DE6F3AF6-3121-473C-9224-8C8F70201F58} sorgum_40 119 71.80 71.91 -0.115 9.13E-06 {39A3AF62-97D4-4F7D-B696-969E80389347} sorgum_40 120 71.80 72.49 -0.694 8.84E-06 {49279136-87BA-41EA-B889-2207C93B2E49} sorgum_41 121 72.81 73.13 -0.318 8.37E-06 {1B313180-C397-42BC-89D9-76552D6BB467} sorgum_41 122 72.81 74.37 -1.562 8.50E-06 {8A22CB7C-F995-458D-A8AB-D86A20560521} sorgum_41 123 72.81 72.33 0.480 8.05E-06 {E938AEC8-EF0B-45FA-A5F1-71DF256D433C} sorgum_43 127 73.16 71.75 1.410 8.03E-06 {B8DE6783-61B1-41E2-A4E8-8AA084E18A91} sorgum_43 128 73.16 72.61 0.550 8.93E-06 {5D12216D-5FC6-49BD-8A54-E77B2D0178D6} sorgum_43 129 73.16 71.75 1.417 7.32E-06 {FC33219C-C0BC-4E40-902D-30B86070F8E7} sorgum_44 130 72.52 73.63 -1.118 8.84E-06 {A93B29F6-2EB0-44F6-912B-8B79BF2A3708} sorgum_44 131 72.52 73.19 -0.673 7.71E-06 {FB2D607E-8244-4D61-B334-146C9B5B253B} sorgum_44 132 72.52 72.91 -0.393 7.58E-06 {21A29A12-5665-4837-B06E-442F20D06A95} sorgum_46 136 72.52 72.51 0.010 7.74E-06 {C6434048-FE62-406F-ADC5-6FED2DE9E56E} sorgum_46 137 72.52 73.14 -0.618 7.62E-06 {FA27DC7F-F4B1-422B-90EA-D44ACEE93593} sorgum_46 138 72.52 73.32 -0.799 8.45E-06 {4EE2F9D1-11F2-4DE8-9D27-B9BAC41F8E26} sorgum_47 139 73.34 72.06 1.274 8.30E-06 {1E40B99B-14B4-46A8-BD27-31772BAF47DC} sorgum_47 140 73.34 73.51 -0.170 8.11E-06 {F24495BC-9062-4CDB-AB1D-4729E6F43014} sorgum_47 141 73.34 73.52 -0.183 7.27E-06 {F4FACB13-5819-4DC2-B673-63E50631CA62} sorgum_49 145 72.61 71.63 0.977 7.93E-06 {68A822FB-54F2-47BA-B34A-854751990935} sorgum_49 146 72.61 72.30 0.308 8.00E-06 {7FD7D447-DAC2-4B97-B3A1-C7C28805FEAC} sorgum_49 147 72.61 72.50 0.105 8.73E-06 {9AF03687-5C9A-4A4A-B679-F7F6BEC57D7A} sorgum_50 148 73.23 72.79 0.437 8.47E-06 {A92425C4-078C-4120-B7E7-F4EB99928437} sorgum_50 149 73.23 72.68 0.547 8.51E-06 {0ACF1849-6419-41D2-96D9-0B05ED5323A5} sorgum_50 150 73.23 72.29 0.935 8.87E-06 {B1182D10-A37E-4869-BBF3-78EC32312F15} sorgum_52 154 72.69 72.29 0.404 7.61E-06 {98C350D8-3849-4DE3-8954-5BFCCBABEF8D} sorgum_52 155 72.69 73.39 -0.694 7.37E-06 {CF93B914-1FD1-4025-9A17-720FE98F38C9} sorgum_52 156 72.69 72.72 -0.031 8.22E-06 {3CE03690-23CD-496E-951F-BC70C22CAD73} sorgum_53 157 71.20 72.05 -0.855 7.81E-06 {59D49322-37EC-4BE1-B861-042D49264552} sorgum_53 158 71.20 73.64 -2.443 8.14E-06 {9DD3663F-75EA-4031-A52A-4672E49BB62D} sorgum_53 159 71.20 72.20 -1.004 7.98E-06 {9F84C8B2-D8FD-4AD8-AB91-9B4A0E00B7B2} sorgum_55 163 72.50 71.76 0.740 8.53E-06 {97727DEF-5010-40DC-9361-3006690AD82A}

sorgum_55 164 72.50 72.06 0.438 8.32E-06 {89E3F824-9493-494B-9062-3C2E53732921} sorgum_55 165 72.50 72.43 0.074 8.34E-06 {17A0237B-6215-4B7A-9DE6-2FBB60F0459C} sorgum_56 166 71.36 73.38 -2.016 7.68E-06 {93A2E012-C8C2-4900-A489-ADF71823DBB3} sorgum_56 167 71.36 72.51 -1.149 8.11E-06 {8DCC40EF-DD41-4BF0-9128-82F87799C870} sorgum_56 168 71.36 72.52 -1.153 8.67E-06 {205808F5-83A8-4F39-A28E-E11E4823A24A} sorgum_58 172 71.72 73.47 -1.752 7.92E-06 {1050C75A-A020-4687-B7AC-98B33660CFB3} sorgum_58 173 71.72 72.14 -0.423 8.85E-06 {2033DA03-55AA-43E6-91A3-22B277D28A95} sorgum_58 174 71.72 73.02 -1.302 8.95E-06 {82B610F2-CBC3-45F2-933C-08870D4FC95E} sorgum_59 175 71.23 72.42 -1.195 8.28E-06 {4FEE95D4-3112-4305-9C5C-F0AB99318A9B} sorgum_59 176 71.23 72.62 -1.388 8.14E-06 {797542DF-819D-4066-BDBA-FAE18C53CF46} sorgum_59 177 71.23 72.33 -1.099 8.26E-06 {56330C13-55C4-40BC-B5F8-76E45EC0342A} sorgum_61 181 72.58 71.89 0.693 8.43E-06 {D5C76A22-1132-43D7-8864-6FBF917E2152} sorgum_61 182 72.58 73.02 -0.433 7.74E-06 {E452A0DF-A968-4C3E-A8B2-E298787F1518} sorgum_61 183 72.58 71.81 0.768 8.43E-06 {10EBE5B8-4E84-43FB-AC2D-43A9A4E51545} sorgum_62 184 70.26 72.79 -2.528 8.28E-06 {AE270C24-DCAE-4813-92DC-64E19BA4F55A} sorgum_62 185 70.26 72.31 -2.046 8.17E-06 {71B43E29-53DA-4B02-A492-25D7C2AC58DE} sorgum_62 186 70.26 71.37 -1.109 7.56E-06 {6D8E3D4B-D7A4-41CF-8E4C-FF5F99690E57} sorgum_64 190 72.42 72.27 0.154 7.52E-06 {52E467E0-EE49-4A01-AD2B-D1EECECEC86C} sorgum_64 191 72.42 71.99 0.436 8.83E-06 {EC8D9E17-0B8D-4DAF-B8CE-8F40D22C2CBB} sorgum_64 192 72.42 72.03 0.394 8.02E-06 {D6B5CF8E-121D-4381-89DC-D31BD9C3DCC3} sorgum_65 193 72.12 72.77 -0.657 8.19E-06 {5E4BC2A4-0FA9-4C54-AE59-1B0384BD42E1} sorgum_65 194 72.12 71.18 0.932 8.76E-06 {0F668A83-7889-408F-8227-7CC121BF510A} sorgum_65 195 72.12 71.50 0.620 8.35E-06 {64A81ED8-8C1E-4471-97C5-384EC91B4CB7} sorgum_67 199 70.00 72.45 -2.454 7.77E-06 {80A13A48-5C13-4427-A4B7-A19C225540CE} sorgum_67 200 70.00 72.68 -2.684 8.28E-06 {03D04CF1-C28E-4F47-A65C-9EB3D05ED4E5} sorgum_67 201 70.00 72.78 -2.789 9.09E-06 {7995E396-FC9F-460C-8C78-4A4927A711CF} sorgum_68 202 71.88 71.00 0.882 7.59E-06 {E86A512A-2959-44AE-AA81-2BCBA4E6DBE0} sorgum_68 203 71.88 71.02 0.860 7.91E-06 {8B1C0ACD-0E4F-4A9C-8DF0-8D4914698CF4} sorgum_68 204 71.88 71.77 0.107 7.41E-06 {29A9B002-2F7C-40B5-A968-C13373792392} sorgum_70 208 73.39 72.32 1.070 8.45E-06 {388E2BA8-F808-4880-ACB7-3A5E9BD0B71F} sorgum_70 209 73.39 72.16 1.225 7.93E-06 {757F43C7-5B5A-490A-84B1-62227239E5B7} sorgum_70 210 73.39 72.34 1.052 8.42E-06 {5B5A2E6F-3216-4F54-AD9F-E4BE50E696F3} Validation

for V-Set Spectra Property karbohidrat [%]

Spectrum No. Orig Pred Orig - Residual Residual Spectrum GUID

Name Pred too big

sorgum_3 7 77.46 73.40 4.057 8.98E-06 {3F95F921-4362-4E38-BE1F-8CC4B731E551} sorgum_3 8 77.46 74.03 3.423 9.96E-06 {1BD29968-39A9-4944-A82F-95B9A72124E3} sorgum_3 9 77.46 73.09 4.364 9.13E-06 {C8AC6A27-BF05-430E-9969-87BDAFC7D0D1} sorgum_6 16 73.64 73.65 -0.002 9.70E-06 {DBA61A52-2DF1-4F98-B798-69A3484234BC} sorgum_6 17 73.64 73.02 0.623 8.13E-06 {2B4FE455-614C-4D43-BB5F-2F48C30031E2} sorgum_6 18 73.64 74.43 -0.787 9.31E-06 {E2006033-F933-4888-89AC-7B8C5CAC71B9}

sorgum_9 25 73.35 74.35 -0.997 9.78E-06 {3972CC1C-4377-4AD8-828A-14C0A8AE5047} sorgum_9 26 73.35 72.58 0.767 9.66E-06 {08F7B22C-3790-47A1-98AF-0421112448A9} sorgum_9 27 73.35 73.30 0.045 9.68E-06 {E9D5DD64-CD74-461A-9FBD-A4AF5F911D3A} sorgum_12 34 72.21 72.32 -0.109 1.11E-05 {F94AFF82-DAF8-44AC-A367-FD1A96AB1628} sorgum_12 35 72.21 73.38 -1.176 9.35E-06 {F6EFFE8A-F8ED-4401-93A5-AEF49E8198E6} sorgum_12 36 72.21 73.73 -1.521 8.14E-06 {5E416410-017D-4D82-818C-712969270BEC} sorgum_15 43 73.38 72.64 0.734 8.32E-06 {9733EC81-B8F4-48E1-ADDD-3BDE896C8B96} sorgum_15 44 73.38 73.41 -0.034 9.67E-06 {3C33B731-B34D-4F73-922A-A702BB3340CE} sorgum_15 45 73.38 74.12 -0.738 9.83E-06 {BB3E64F7-14DF-42E5-8F42-F6F9A62AFFDF} sorgum_18 52 73.77 73.92 -0.146 9.21E-06 {57F13708-ED60-40BE-9B5E-608AE2959E4A} sorgum_18 53 73.77 73.48 0.290 8.84E-06 {A2A18D2B-311F-49D8-8A00-D0F7E76AA4A7} sorgum_18 54 73.77 73.58 0.196 9.47E-06 {D196D9B3-22A5-4FDC-88D1-6C6ADAC5B2B1} sorgum_21 61 71.26 72.69 -1.438 8.79E-06 {AD00D7D5-ECEE-4750-8250-A75C36DF053E} sorgum_21 62 71.26 72.94 -1.680 9.82E-06 {8810D8DF-F9A4-468F-9F14-5789484F8487} sorgum_21 63 71.26 72.75 -1.497 9.76E-06 {C22BD91E-FD20-4918-9C0A-3BEB97AB8E4D} sorgum_24 70 69.22 71.51 -2.295 8.67E-06 {0226D097-75D7-4CD1-B5F8-FDA1BA748C1C} sorgum_24 71 69.22 71.99 -2.774 9.20E-06 {E4318EDF-04EA-4774-BDC1-2F5917C6145A} sorgum_24 72 69.22 71.88 -2.664 1.11E-05 {0C9712C4-B0FD-446B-ADFF-84042D547E60} sorgum_27 79 74.29 71.54 2.754 8.69E-06 {7E66421E-70CE-474D-B45F-1AAEE927596A} sorgum_27 80 74.29 72.89 1.404 1.06E-05 {0FD54C0A-1C8C-4BE2-83C4-1EE5031A8253} sorgum_27 81 74.29 72.28 2.006 1.00E-05 {731AAD54-E3FB-4B97-B23F-779A51C09560} sorgum_30 88 73.21 70.25 2.957 9.67E-06 {C867842A-F84E-4CE0-B856-6585477FFF20} sorgum_30 89 73.21 72.23 0.979 9.21E-06 {498AEEE0-69C8-4438-A78C-0A09C14FCE69} sorgum_30 90 73.21 71.94 1.269 9.14E-06 {20C6D41C-69A8-4465-91F7-81B662A9B478} sorgum_33 97 76.28 71.39 4.890 1.16E-05 {CC9DA3E0-8E23-4693-B831-FF9026A5A10A} sorgum_33 98 76.28 72.41 3.870 8.99E-06 {E6A44724-1949-4A80-B325-B1B2554D1D5D} sorgum_33 99 76.28 72.79 3.491 9.76E-06 {1395B5CB-6718-49FC-AB31-7CAB32372BCF} sorgum_36 106 73.03 72.35 0.680 8.87E-06 {BE6954E8-4142-4246-90E7-3A5F7DCD04CF} sorgum_36 107 73.03 72.83 0.200 1.04E-05 {BC81950C-9416-478A-9DE5-A3DD59DE49F5} sorgum_36 108 73.03 71.82 1.211 1.00E-05 {DCD45FA7-3B92-4DCC-9774-293ADE8A43A7} sorgum_39 115 76.35 71.43 4.922 9.09E-06 {AAC1E767-9F97-47E6-AD15-DF47DDF4ABD7} sorgum_39 116 76.35 70.77 5.586 1.04E-05 {ACAEDBA7-99F9-4EDB-ABBC-DDC261E7670D} sorgum_39 117 76.35 71.36 4.995 1.01E-05 {CA4EAF97-0CBB-41B1-A9FE-50918F81C508} sorgum_42 124 73.33 72.70 0.628 9.21E-06 {513E85B2-ACCF-4AD6-A3BF-FE55F9A9D951} sorgum_42 125 73.33 72.23 1.096 9.23E-06 {DAB99E7E-4096-4159-90BB-565036D30A64} sorgum_42 126 73.33 73.25 0.074 9.11E-06 {DB1A6A56-07D5-402B-8386-12890562957D} sorgum_45 133 72.40 72.20 0.196 1.01E-05 {1B1ED30D-4ABE-4CAB-B097-69F2EABB3F7F} sorgum_45 134 72.40 72.63 -0.232 9.52E-06 {E4CF509A-043C-4106-AE70-2FA0E1F1013A} sorgum_45 135 72.40 72.65 -0.252 9.27E-06 {377C6406-C89F-4C53-AE2C-F69BBB86AFD1} sorgum_48 142 71.95 71.75 0.200 9.86E-06 {BDE0DBDB-4765-4E1E-A86B-72B12C511B7D} sorgum_48 143 71.95 72.78 -0.829 8.69E-06 {31E8FEE7-0DD1-4F5C-AEE5-86754505E75C} sorgum_48 144 71.95 71.88 0.066 9.62E-06 {5DDCB425-2274-4A5B-9100-544B28ED744F} sorgum_51 151 72.72 71.68 1.042 9.52E-06 {6140722B-3898-4B01-A96B-3B1B0137B64D} sorgum_51 152 72.72 72.19 0.532 9.48E-06 {B1867AEB-6F12-41AA-A325-7BB6BC618AB9}

sorgum_51 153 72.72 72.63 0.091 8.68E-06 {F9428EF8-B3D1-4D70-866B-5B51E5E064DC} sorgum_54 160 70.74 72.56 -1.813 9.12E-06 {268ADF45-ED00-4676-B3AE-8FB40EF2F387} sorgum_54 161 70.74 71.39 -0.648 1.03E-05 {08CD3F10-5B5B-45F1-A698-5CA7C3DD498C} sorgum_54 162 70.74 72.60 -1.861 1.02E-05 {9C337FB5-26AE-472C-9493-877AF05FCE52} sorgum_57 169 72.52 73.35 -0.830 9.04E-06 {6A8F07E5-6CE5-4CF0-98F3-F4166DFF29FA} sorgum_57 170 72.52 72.43 0.094 8.67E-06 {EA5B3D23-5408-4EBE-8439-16D5D53696DA} sorgum_57 171 72.52 72.72 -0.200 8.68E-06 {4642E160-7091-468A-A781-2DD876AB6A3E} sorgum_60 178 74.25 72.48 1.762 9.55E-06 {3B9BD625-17FE-430B-9465-3963E9570BA2} sorgum_60 179 74.25 73.28 0.962 9.30E-06 {E7FEA0F0-00D0-421E-AC9C-46362F79ECEE} sorgum_60 180 74.25 72.84 1.406 8.73E-06 {7112173B-F5F0-4EAD-8A80-E14036AA75D2} sorgum_63 187 71.40 71.71 -0.310 9.16E-06 {295AE153-B024-4041-9C0A-DD4F9AB4C1C0} sorgum_63 188 71.40 72.09 -0.692 9.09E-06 {C7E10D0F-FC51-49F2-B19D-AECA2BC31EB9} sorgum_63 189 71.40 73.52 -2.129 1.00E-05 {BC2D134A-6DA5-49A0-B271-5F325293CDAA} sorgum_66 196 69.75 72.37 -2.621 1.06E-05 {8AEFF442-D4BE-444B-9EEA-154A576B9152} sorgum_66 197 69.75 72.41 -2.666 9.10E-06 {CB89E2E5-490D-4F4B-8D6D-D38507542EB0} sorgum_66 198 69.75 72.95 -3.203 9.26E-06 {1E3A006E-A74E-4D1D-9062-74F6CEB0B874} sorgum_69 205 73.60 71.64 1.961 9.27E-06 {9C36070A-3B8F-4C3B-B26B-F63D9345DA2C} sorgum_69 206 73.60 70.24 3.363 1.39E-05 {7BBCF8DF-316E-4038-BE5F-05F0C9BFF574} sorgum_69 207 73.60 72.10 1.505 1.09E-05 {00F81CBD-ED0A-46C8-AF01-6947A411D17D} Spectrum No. Orig Pred Orig - Residual

Residual

too big Spectrum GUID

Tampilan Software NIRFlex N-500 merk BUCHI

(a)

NIRCal 5