untuk validasi sebanyak 25 sampel 13 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 + b
1
X
1
+ b
2
X
2
+ … + b
n
X
n
Dimana: Y
= Kadar airkarbohidratprotein 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 +b
1
P
1
+ b
2
P
2
+ b
3
P
3
+ … + b
n
P
n
Dimana: Y
= Kadar airkarbohidratprotein 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 R
2
, standard error SE, coefficient of variation CV. Koefisien determinasi atau R
2
menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai R
2
berarti model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai R
2
mulai dari 0 sampai 100 Matjik et al., 2006
R
2
= R
2
Data komposisi kimia dugaan NIR akan divalidasi dengan data hasil pengujian secara kimiawi di laboratorium kimia dan dibuat hubungan antara keduanya, setelah itu akan dihitung standar
error. Standar error merupakan selisih antara nilai hasil dugaan dengan nilai sebenarnya. SE yang semakin kecil menunjukkan model yang semakin baik. Nilai kecil yang baik adalah nilai yang
semakin mendekati nol sehingga dipastikan model dapat memprediksi dengan baik kadar dugaan. Standar error diperoleh dengan menggunakan persamaan sebagai berikut:
Dimana: SE = Standar error validasi
Y
NIR
= Kadar air, protein, karbohidrat dugaan NIR Y = Kadar air, protein, karbohidrat dengan uji kimia
n = Jumlah sampel Setelah dihitung standar error SE, dihitung pula koefisien keragaman Coefficent of
Variability. Walpole 1995 menyatakan bahwa dengan simpangan baku standar deviasi saja tidak dapat mengatakan banyak mengenai keragaman satu kumpulan data.
Ukuran lain yang mungkin lebih layak adalah koefisien keragaman CV. CV menunjukkan besarnya error sebanding dengan rata-rata hasil analisis kimiawi laboratorium data referensi. 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.
Menurut Matjik et al. 2006 besaran ideal nilai CV sangat tergantung pada bidang studi yang digeluti, misalnya untuk bidang pertanian nilai CV yang dianggap wajar adalah 20-25 , namun
percobaan dilakukan di laboratorium nilai CV diharapkan jauh lebih kecil mengingat sebagian kondisi lingkungan dalam keadaan terkontrol.
Fontaine et al. 2002 mendefinisikan CV sebagai relatif standar deviasi RSD untuk membandingkan keragaman crude protein dengan asam amino hasil kalibrasi NIRS. SE dan CV
terkecil menunjukkan hasil yang paling baik. Coefficient of variability dirumuskan dengan:
Dimana: CV
= Koefisien keragaman SE
= Standar error validasi = Rataan kadar air, protein, karbohidrat aktual sampel penelitian
c. Data Treatment
