Prediksi Kekerasan, Vitamin C, Total Asam Dan Tpt Buah Kesemek (Diospyros Kaki L.) Dengan Spektroskopi Ni

PREDIKSI KEKERASAN, VITAMIN C, TOTAL ASAM DAN

TPT BUAH KESEMEK (

Diospyros kaki

L

.

)

DENGAN SPEKTROSKOPI NIR

NUR HASNAH AR

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

BOGOR 2017

PERNYATAN MENGENAI TESIS DAN SUMBER

INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa tesis berjudul prediksi kekerasan, vitamin C, total asam dan TPT buah kesemek (Diospyros kaki L.) dengan spektroskopi NIR adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. 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 tesis ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

iv

RINGKASAN

NUR HASNAH AR. Prediksi Kekerasan, Vitamin C, Total Asam dan TPT Buah Kesemek (Diospyros kaki L.) dengan Spektroskopi NIR. Dibimbing oleh Y. ARIS PURWANTO, I WAYAN BUDIASTRA dan SOBIR.

Kesemek (Diospyros kaki L.) merupakan salah satu produk hortikultura yang tumbuh di dataran tinggi. Salah satu kriteria mutu yang penting adalah kandungan internal (meliputi kandungan gula, total asam dan vitamin C). Pada umumnya untuk mengetahui kandungan internal di dalam buah dilakukan pengukuran secara destruktif. Metode ini memiliki kelemahan yaitu kondisi bahan yang tidak bisa dimanfaatkan kembali, perlu persiapan sampel, menggunakan zat kimia dan membutuhkan waktu yang lama. Saat ini telah dikembangkan teknologi instrumentasi untuk menentukan kandungan kimia suatu bahan dengan proses yang cepat, tepat, dan akurat yaitu spektroskopi NIR. Teknik analisis menggunakan spektroskopi Near Infrared (NIR) telah banyak digunakan pada bidang pertanian. Tujuan penelitian ini adalah untuk memprediksi kekerasan, vitamin c, total asam dan total padatan terlarut buah kesemek secara non destruktif dengan spektroskopi NIR menggunakan pengolahan data spektra dan Partial Least Square (PLS).

Buah kesemek diperoleh dari petani kesemek di Cikajang, Garut, Jawa Barat dengan tiga tingkat ketuaan berdasarkan umur setelah berbunga yaitu 150, 170 dan 190 hari setelah berbunga (HSB). Reflektan buah kesemek diukur menggunakan Spectrometer NIR pada panjang gelombang 1000 sampai 2500nm. Dilanjutkan dengan pengukuran kekerasan, vitamin c, total asam dan total padatan terlarut buah kesemek dengan metode kimia. Beberapa pengolahan data NIR seperti normalisasi antara 0-1 (n01), derivatif pertama Savitzky-Golay (dg1), kombinasi n01 dan dg1, kombinasi derivatif pertama Savitzky-Golay dan Multiplicative Scatter Correction serta kalibrasi dengan PLS dilakukan untuk meningkatkan akurasi prediksi metoda NIR. Ketepatan dan ketelitian metode NIR dalam memprediksi dengan kekerasan, vitamin c, total asam dan TPT buah kesemek berdasarkan evaluasi dari nilai koefisien korelasi (r), standar error of calibration set (SEC), standar error of validation set (SEP), residual predictive deviation (RPD) dan coefficient of variation (CV).

Model terbaik untuk prediksi kekerasan adalah pengolahan data NIR normalisasi (n01) dan 12 komponen utama (r = 0.94, SEP = 0.07%, RPD = 2.9, CV = 9.72%). Model terbaik untuk prediksi vitamin C adalah pengolahan data NIR Multiplicative Scatter Correction (MSC) dan 16 komponen utama (r = 0.79, SEP = 0.51%, RPD = 0.99, CV = 30.50%). Model terbaik untuk prediksi total asam adalah pengolahan data NIR Multiplicative Scatter Correction (MSC) dan 12komponen utama (r = 0.65, SEP = 0.05%, RPD = 0.86, CV = 45.73%). Model terbaik untuk prediksi TPT adalah pengolahan data NIR Multiplicative Scatter Correction (MSC) dan 17 komponen utama (r = 0.86, SEP = 2.21%, RPD = 1.79, CV = 9.84%). Penelitian ini membuktikan metode NIR dapat digunakan untuk memprediksi kekerasan dan kandungan TPT namun tidak dapat diterapkan untuk memprediksi kandungan vitamin C dan total asam.

SUMMARY

NUR HASNAH AR. Prediction of Firmness, Vitamin C, Total Acid and SSC in Persimmon (Diospyros kaki L.) using NIR Spectroscopy. Supervised Y. ARIS PURWANTO, I WAYAN BUDIASTRA and SOBIR.

Persimmon (Diospyros kaki L.) is one of horticulture product which grows in the highland. One of the important quality criteria is internal content (includes sugar, total acid and vitamin C content). Commonly, destructive measurement is performed to determine the internal content in fruits. This method has a disadvantage such as the material conditions that cannot be re-used, need sample preparation, chemicals usage and requires a long time. Nowadays, instrumentation technology was developed to determine the chemical content of a material with the quick, exact, and accurate process that is NIR spectroscopy. Analysis technique using Near Infrared (NIR) Spectroscopic has been widely used in agriculture. The research aims to predict firmness, vitamin C, total acid and total soluble solid of persimmons non-destructively with NIR spectroscopy by using spectra data processing and Partial Least Square (PLS)

The persimmons were obtained from persimmon farmers in Cikajang, Garut, West Java, with three rates of aging based on the age after bloom: 150, 170 and 190 days after bloom (HSB). Persimmon reflectance was measured by using NIR Spectrometer at a wavelength 1000 to 2500 nm. Then it was followed by measurement of firmness, vitamin C, total acid and total soluble solid of persimmons by chemical methods. Some of NIRS data processing such as normalization between 0-1 (n01), first derivative Savitzky-Golay (dg1), the combination between n01 and dg1 (n01, dg1), the combination between first derivative Savitzky-Golay (dg1) and Multiplicative Scatter Correction (MSC) (dg1,MSC) and also calibration with PLS were done to improve the accuracy of method prediction of NIR. The accuracy and precision of NIR method in predicting firmness, vitamin C, total acid and total soluble solid of persimmons based on evaluation from correlation coefficient values (r), standard error of calibration set (SEC), standard error of validation set (SEP), residual predictive deviation (RPD) and coefficient of variation (CV).

The best model to predict the firmness is NIR processing data normalization (n01)and 12 principal components (r = 0.94, SEP = 0.07%, RPD = 2.9, CV = 9.72%). The best model to predict the vitamin C is NIR Multiplicative Scatter Correction (MSC) processing data and 16 principal component (r = 0.79, SEP = 0.51%, RPD = 0.99, CV = 30.50%). The best model to predict total acid is NIR Multiplicative Scatter Correction (MSC) processing data and 12 principal components (r = 0.65, SEP = 0.05%, RPD = 0.86, CV = 45.73%). The best model to predict total soluble solid is NIR Multiplicative Scatter Correction (MSC) processing data and 17principal components (r = 0.86, SEP = 2.21%, RPD = 1.79, CV = 9.84%). This research proves that NIR method can be used to predict the firmness and total soluble solid content but cannot be applied to predict the content of vitamin C and total acid in persimmon.

vi

© Hak Cipta Milik IPB, Tahun 2017

Hak Cipta Dilindungi Undang-Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB

PREDIKSI KEKERASAN, VITAMIN C, TOTAL ASAM DAN

TPT BUAH KESEMEK (

Diospyros kaki

L.)

DENGAN SPEKTROSKOPI NIR

NUR HASNAH AR

Tesis

sebagai salah satu syarat untuk memperoleh gelar Magister Sains

pada

Program Studi Teknologi Pascapanen

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

BOGOR 2017

viii

x

PRAKATA

Alhamdulillahirobbilalamin, puji syukur penulis panjatkan kehadirat Allah SWT, karena berkat limpahan rahmat dan izin-Nyalah penulis bisa menyelesaikan penelitian yang berjudul “Prediksi Kekerasan, Vitamin C, Total Asam dan TPT Buah Kesemek (Diospyros kaki L.) dengan Spektroskopi NIR”.

Ucapan terima kasih disampaikan kepada Dr. Ir. Y. Aris Purwanto, M.Sc, Dr. Ir. I Wayan Budiastra M.Agr dan Prof. Sobir ketua dan anggota komisi pembimbing yang telah memberikan masukan dan saran pada penelitian ini. Bapak Dr. Slamet Widodo, S.TP, MSc selaku penguji Ujian Tesis. Ucapan terimakasih disampaikan kepada Ketua Program Studi Teknologi Pascapanen IPB Bapak Prof. Dr. Ir. Sutrisno, M.Ag yang telah memberikan saran dan koreksi untuk perbaikan tesis. Di samping itu, penghargaan penulis sampaikan kepada Bapak Sulyaden dan Mas Baskara di Laboratorium TPPHP departemen TMB IPB. Ungkapan terima kasih juga disampaikan kepada Ibu Rusmawati dan Bapak Ahmad Mulyatullah. Tidak lupa terima kasih untuk teman-teman di TPP angkatan 2014, rekan-rekan di TPP 2013 dan teman-teman selingkaran SAKINA yang telah banyak membantu. Terimakasih yang tak terhingga untuk kedua orangtua, Amirman dan Rosniati Hakim, dan seluruh keluarga yang telah banyak memberi dukungan moril dan materil yang ikhlas meluangkan waktu dan do’a serta memberi kasih sayang yang tiada henti.

Semoga karya ilmiah ini bermanfaat.

DAFTAR ISI

Halaman

DAFTAR ISI i

DAFTAR GAMBAR ii

DAFTAR TABEL ii

DAFTAR LAMPIRAN ii

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

Manfaat Penelitian 2

TINJAUAN PUSTAKA

Kandungan Kimia Buah Kesemek (Diospyros kaki L.) 3

Panen dan Pascapanen Buah Kesemek 3

Teknologi Near Infrared Spectroscopy 5

Pengolahan Data NIR 6

Metode Kalibrasi Partial Least Squares (PLS) 7

Validasi 7

Aplikasi Near Infrared 9

METODE PENELITIAN

Tempat dan Waktu Penelitian 10

Bahan dan Alat 10

Prosedur Penelitian 10

Persiapan Sampel 10

Sortasi dan Pencucian/ Pembersihan Sampel 10

Pengukuran Reflektan pada Buah Kesemek 11

Pengukuran Tingkat Kekerasan 11

Pengukuran Vitamin C , total asam dan TPT 11

Pengukuran Total Padatan Terlarut 12

Pengolahan Data Spektrum NIR 12

Kalibrasi dan Validasi menggunakan Metode PLS 12

Evaluasi Hasil Kalibrasi dan Validasi 12

HASIL PEMBAHASAN

Reflektan NIR Kesemek 14

Kekerasan, Vitamin C, Total Asam dan TPT buahh Kesemek 15

Pengaruh Pengolahan data NIR Buah Kesemek 15

Hasil Prediksi untuk Penentuan Kekerasan Buah Kesemek 18 Hasil Prediksi untuk Penentuan Vitamin C Buah Kesemek 19 Hasil Prediksi untuk Penentuan Total Asam Buah Kesemek 20 Hasil Prediksi untuk Penentuan TPT Buah Kesemek 21 Pengaruh Pengolahan Data NIR Terhadap Model Kalibrasi

dan Validasi 22

SIMPULAN 25

DAFTAR PUSTAKA 26

LAMPIRAN 30

RIWAYAT HIDUP 37

xii

DAFTAR GAMBAR

Gambar 1 Interaksi sinar NIR dengan bahan 6

Gambar 2 Diagram alir penelitian 12

Gambar 3 Diagram alir proses kalibrasi dan validasi 13

Gambar 4 Spektra original (reflektan) 14

Gambar 5 Pengolahan data NIR buah kesemek normalisasi

antara 0-1 (n01) 16

Gambar 6 Pengolahan data NIR buah kesemek turunan pertama

SavitzkyGolay (dg1) 16 Gambar 7 Pengolahan data NIR buah kesemek MSC 17 Gambar 8 Pengolahan data NIR buah kesemek kombinasi n01 dan dg1 17 Gambar 9 Pengolahan data NIR buah kesemek kombinasi n01

dan MSC 18

Gambar 10 Plot kalibrasi kekerasan buah kesemek menggunakan

pengolahan n01 data NIR dan 12 komponen utama PLS 19 Gambar 11 Plot kalibrasi vitamin C buah kesemek menggunakan

pengolahan MSC data NIR dan 16 komponen utama PLS 20 Gambar 12 Plot kalibrasi total asam buah kesemek menggunakan

pengolahan MSC data NIR dan 12 komponen utama PLS 21 Gambar 13 Plot kalibrasi total padatan terlarut buah kesemek

Menggunakan pengolahan MSC data NIR dan 17

komponen utama PLS 22

DAFTAR TABEL

Tabel 1 Komposisi kimia buah kesemek (Diospyros kaki. L) 3

Tabel 2 Daerah spektrum infra merah 5

Tabel 3 Data kimia kekerasan, vitamin C, total asam,

dan TPT buah kesemek 15

Tabel 4 Parameter dari kalibrasi dan validasi kandungan kimia

buah kesemek 23

DAFTAR LAMPIRAN

Lampiran 1 Spesifikasi NIRflex-500 Fiber optic solid 30 Lampiran 2 Spektra panjang gelombang dengan beberapa

komponen kimia 31

Lampiran 3 Data kimia untuk kekerasan, vitamin C, total asam dan TPT 33

Lampiran 4 Dokumentasi penelitian 36

PENDAHULUAN

Latar Belakang

Kesemek (Diospyros kaki l.) merupakan salah satu produk hortikultura yang tumbuh di dataran tinggi. Penyebaran buah kesemek di Indonesia berasal dari Sumatera (Solok, Tanah Karo, Brastagi dan Toba) dan Jawa (Cikajang, Cisurupan, Bayongbong, Majalengka, Ciloto, Selo, Boyolali, Magetan, Malang-Tirtoyudo, Temanggung, dan Batu-Junggo) (Baswarsiati 2006). Kandungan buah kesemek didominasi oleh air sebesar 80%, karbohidrat sebesar 19.6% dan kandungan lain (protein, lemak) sebesar 0.4% (Verheij dan Coronel 1992). Buah kesemek berbentuk bulat seperti buah tomat, kulit buah mengkilat dan buah bewarna merah-jingga. Pemanfaatan buah kesemek diantara lain untuk : konsumsi segar, makanan kering, bahan industri, pestisida nabati dan obatan ( batuk, anti-atherosclerosis, jantung, wasir, hipertensi) (Baswarsiati 2006). Banyaknya manfaat positif yang dimiliki buah kesemek diharapkan ketersediaan buah kesemek di Indonesia tetap terjaga kualitas dan kuantitasnya.

Di daerah subtropis budidaya buah kesemek dewasa mampu menghasilkan produksi buah berkisar 10-40 ton/ha. Sedangkan di Indonesia sendiri produksi buah kesemek masih rendah dan belum memenuhi standar yang diharapkan. Di Jawa Timur produksi buah kesemek dari tanaman dewasa yaitu 200-300 kg. Semakin menurunnya produksivitas buah kesemek ini dikhawatirkan keberadaan buah kesemek akan punah. Berdasarkan hal tersebut penting bagi pemerintah atau lembaga terkait (lembaga riset) melakukan upaya menjaga ketersediaan buah kesemek baik dari segi kualitas maupun kuantitas. Proses pascapanen merupakan salah satu proses penting untuk mempertahankan mutu produk pertanian hingga sampai di tangan konsumen. Selain penampilan fisik buah yang menarik konsumen tentu membutuhkan informasi mengenai mutu yang terdapat pada buah kesemek.

Kriteria mutu diantaranya adalah tingkat kesegaran, kekerasan, ketuaan, ukuran dan kandungan internal. Salah satu kriteria mutu yang penting adalah kandungan internal (meliputi kandungan gula, total asam dan vitamin C). Pada umumnya untuk mengetahui kandungan internal di dalam buah dilakukan pengukuran secara destruktif. Metode ini memiliki kelemahan yaitu kondisi bahan yang tidak bisa dimanfaatkan kembali, perlu persiapan sampel, menggunakan zat kimia dan membutuhkan waktu yang lama (Theanjumpol et al. 2014).

Saat ini telah dikembangkan teknologi pengukuran secara non destruktif menggunakan near infrared (NIR) spektroskopi untuk menentukan kandungan kimia suatu bahan tanpa merusak bahan tersebut, tidak menggunakan zat kimia, proses yang cepat, tepat, akurat dan dapat mendeteksi beberapa komponen bahan secara bersamaan (Liu et al. 2010). Metode ini sudah banyak diterapkan dibidang pascapanen untuk memprediksi kandungan kimia buah dan sayuran meliputi total padatan terlarut, keasaman, kekerasan, lemak, protein, dan kandungan pati (Nicolai et al. 2007).

Pengukuran kandungan internal buah kesemek dengan metode NIR telah dilakukan untuk mengidentifikasi varietas kesemek dengan PCA (Zhang et al. 2011); memprediksi kandungan tannin kesemek kultivar mopanshi dengan PLS 1

2

(Zhang et al. 2011); memprediksi nilai Brix buah kesemek (Janook et al. 2014) dan memprediksi TPT, warna buah kesemek Thriumph dengan PLS (Zanamwe 2014). Analisis kandungan kekerasan, vitamin C , total asam dan TPT buah kesemek kultivar Reudeu menggunakan NIR belum dilakukan.

Tujuan Penelitian

Tujuan penelitian ini adalah memprediksi kekerasan, vitamin C, total asam dan TPT buah kesemek tipe astringent kultivar reundeu secara non destruktif dengan spektroskopi NIR menggunakan Partial Least Square (PLS).

Manfaat Penelitian

Dengan melakukan penelitian ini diharapkan menghasilkan model kalibrasi yang dapat diaplikasikan untuk memprediksi kekerasan, vitamin C, total asam dan TPT dengan metode non destruktif menggunakan spektroskopi near infrared.

TINJAUAN PUSTAKA

Kandungan Kimia Buah Kesemek (Diospyros kaki L.)

Buah kesemek dapat diklasifikasikan ke dalam dua tipe (kategori) umum, yaitu tipe astringent dan nonastringent. Queensland (2005) menjelaskan tingkat ketuaan kesemek berdasarkan umur setelah berbunga untuk kesemek muda, kesemek tua dan kesemek matang adalah 150, 170 dan 190 hari setelah berbunga (HSB). Kesemek juga kaya akan likopen yang berfungsi sebagai antioksidan pencegah kanker, phytochemical lutein, betakaroten dan serat (Isnandiar 2011). Komposisi gizi buah kesemek dapat dilihat pada Tabel 1.

Tabel 1 Komposisi kimia dan nilai gizi buah kesemek Kandungan Zat 100 gram pulp segar

Kalori 88 kal

Protein 0.80 gram

Lemak 0.40 gram

Karbohidrat 15 gram

Kalsium 6 mgram

Fosfor 26 mgram

Besi 0.30 mgram

Vitamin A 813 SI

Vitamin B1 0.05 mgram

Vitamin C 20 mgram

Air 80 gram

3

Panen dan Pascapanen Buah Kesemek

Buah kesemek (Diospyros kaki L.) berasal dari Cina dan merupakan salah satu tanaman buah klasik Cina. Buah kesemek diperkenalkan pada berbagai negara pada awal abad ke-19 (Verheij et al. 1992). Berikut klasifikasi buah kesemek :

Kingdom : Plantae

Divisi : Spermatophyta Subdivisi : Angiospermae Kelas : Dicotyledoneae Subkelas : Sympetalae Bangsa : Ebenales Suku : Sapotaceae Marga : Diospyros

Jenis : Diospyros kaki LINN atau Diospyros kaki Thunb Sumber: (Hutapea 1994)

Penentuan saat panen buah kesemek di Indonesia, secara teknis dilakukan dengan menggunakan patokan umur buah kesemek. Namun demikian, penentuan waktu panen buah kesemek juga masih disesuaikan dengan kondisi pasar. Panen buah kesemek dilakukan saat cuaca cerah, tidak hujan dan dilakukan pada pagi hari. Di daerah subtropis, budidaya tanaman kesemek mampu menghasilkan produksi buah berkisar 10-40 ton/ha. Produksi buah kesemek yang dipanen sekarang ini adalah hasil dari pertanaman puluhan tahun yang lalu. Jumlah produksi buah kesemek dipengaruhi oleh bibit tanaman yang digunakan, sistem budidaya kesemek yang masih tradisonal. Selain itu, skala usaha tani kecil masih bersifat sampingan dan masih belum didukung oleh teknologi maju. Faktor-faktor tersebut secara simultan mengakibatkan potensi produk buah kesemek tidak tinggi, ukuran tidak besar, warna pucat, rasa beragam sehingga memiliki kualitas yang rendah. Namun demikian, upaya untuk mempertahankan kualitas produksi kesemek masih mungkin dilaksanakan yaitu melalui penanganan pascapanen buah kesemek secara baik dan benar (Isnandiar 2011).

Panen buah kesemek dilakukan cara memotong tangkai buah kesemek yang telah tua dengan menggunakan gunting. Cara panen tersebut ditujukan untuk memacu pertumbuhan ranting baru sehingga produksi selanjutnya semakin meningkat. Selama proses panen diupayakan terhindar dari kerusakan fisik atau kerusakan mekanis karena terbentur benda keras. Kualitas buah kesemek sangat dipengaruhi oleh perlakuan pascapanennya. Buah kesemek yang telah dipetik, kemudian dikumpulkan sementara di dekat pohon kesemek yang terlindung dari paparan cahaya matahari lagsung. Setelah itu buah kesemek dimasukkan ke dalam wadah untuk kemudian di transportasikan ke tempat pengumpulan sementara untuk di sortasi (Baswarsiati 2006).

Sortasi dan grading buah kesemek penting dilakukan untuk medapatkan produk yang seragam. Kriteria buah kesemek dapat dibedakan berdasarkan ukuran buah yang berkorelasi dengan berat buah kesemek. Grade kecil dengan berat 150g, grade sedang dengan berat kurang dari 250 gram dan grade besar dengan berat buah lebih dari 250 gram.

4

Proses selanjutnya yaitu pembersihan dan pencucian. Tujuannya adalah untuk menghilangkan kotoran yang melekat pada permukaan kulit buah kesemek dan menghilangkan patogen yang dapat menyebabkan busuk busuk buah pascapanen. Buah kesemek yang berkembang di Indonesia adalah buah kesemek tipe astringent dimana buah kesemek tipe ini memiliki rasa sepat yang lebih mendominasi daripada rasa manisnya meskipun buah kesemek telah matang. Rasa sepat ini disebabkan oleh kandungan tanin yang ada di dalam buah kesemek. Berkurangnya rasa sepat pada buah kesemek disebabkan oleh terjadinya konversi tanin dari bentuk larut menjadi tidak larut. Oleh sebab itu dilakukan proses penghilangan rasa sepat.

Beberapa teknologi yang digunakan untuk menghilangkan rasa sepat buah kesemek diantaranya : perlakuan air hangat dengan perendaman buah kesemek pada air hangat bersuhu 40 0_{C selama 15-24 jam. Hasilnya rasa sepat hilang}

namun kualitas menurun. Penggunaan etil alkohol juga dapat digunakan untuk menghilangkan rasa sepat buah kesemek namun membutuhkan waktu yang lebih lama. Perlakuan penghilangan rasa sepat dengan menggunakan gas karbon dioksida juga dilakukan sebagai salah satu alternatif. Metode ini dinilai efektif diaplikasikan terutama untuk dalam jumlah buah kesemek yang banyak (Baswarsiati 2006).

Teknologi Near Infrared Spectroscopy

NIR spektroskopi merupakan teknik spektroskopi yang menggunakan wilayah panjang gelombang inframerah pada spektrum elektromagnetik (780-2500 nm) yang berfungsi untuk mengidentifikasi senyawa kimia dalam analisis kuantitatif dan kualitatif. Dilihat dari segi aplikasi dan instrumentasi, spektrum inframerah dibagi ke dalam tiga jenis radiasi yaitu inframerah dekat, inframerah pertengahan, inframerah jauh. Daerah spektrum inframerah dapat dilihat pada Tabel 2.

Tabel 2 Daerah spektrum inframerah Daerah Gelombang Panjang

(µm)

Bilangan Gelombang

(cm-1) Frekuensi (Hz) Dekat 0.78-2.5 12800 – 4000 3.8 x 1014 _{– 1.2 x 10}14

Pertengahan 2.5-50 4000 – 200 1.2 x 1014 _{– 6.0 x 10}12

Jauh 50-1000 200 – 10 6.0 x 1014 – 3.0x 1011 NIR spektroskopi adalah gelombang elektomagnetik dengan panjang gelombang 780 – 2500 nm yang terletak antara gelombang cahaya tampak (visible light) dan cahaya inframerah. Spektroskopi adalah ilmu yang mempelajari interaksi cahaya dengan atom dan molekul (Creswell et al. 2005). Spektrometer adalah instrument atau alat yang digunakan untuk mengaktifkan energi gelombang elektromagnetik tertentu karena memiliki detektor yang sesuai dengan daerah gelombang elektromagnetik yang berfungsi untuk menangkap kembali tingkat absorbsi energi oleh sampel (Blanco dan Villarroya 2002). Spektra NIR sebagian besar didominasi oleh ikatan hidrogen sebab atom hidrogen merupakan atom yang

5 paling kuat (Pasquini 2003). Ikatan hidrogen dapat berupa ikatan C-H, N-H, S-H, atau O-H (Osborne et al. 1993).

Menurut Munawar (2008), ketika sebuah sinar yang berasal dari sebuah sumber jatuh mengenai obyek, maka akan terjadi interaksi antara objek dan sinar tersebut, selanjutnya akan memberi respon berupa pantulan, serapan dan terusan. Respon pantulan (reflectance) dapat berupa pantulan langsung (specular reflectance) yang mana sinar sepenuhnya dipantulkan kembali oleh obyek, pantulan semu (diffuse reflectance) yang mana sinar diserap terlebih dahulu dan kemudian dipantulkan. Respon serapan (absorbance) merupakan fenomena di mana seluruh sinar pada panjang gelombang tertentu sepenuhnya diserap oleh bahan dan respon terusan (transmittance) respon di mana sinar pada panjang gelombang tertentu menembus bahan (Gambar 1).

Gambar 1 Interaksi radiasi NIR dengan bahan

Instrumen yang digunakan pada spektrometer NIR dilengkapi dengan berbagai komponen yaitu sumber cahaya, detektor sampel, detektor optik dan sistem pengolahan data (Chen 2007). Berdasarkan kebutuhan yang diinginkan instrumen NIR dapat digabungkan dengan perangkat lain yang tergantung dengan karakteristik sampel dan kondisi analisis. Sampel yang berbentuk solid dapat diukur dengan menggunakan instrumen yang dikenal dengan NIRFlex Fiber Optic Solids.

Pengolahan Data NIR

Pengolahan data NIR dilakukan untuk mengurangi pengaruh noises (gangguan) pada spektrum yang diperoleh hasil pengukuran agar diperoleh model yang lebih akurat. Metode pengolahan data NIR yang umum dipergunakan untuk memperbaiki spektrum NIR antara lain Normalization (N), Smoothing Savizky-Golay (SGs), First and Second Derivative (dg1 dan dg2), Multiplicative Scatter Correction (MSC) dan Standard NormalVariate (SNV) (Munawar 2008).

Normalization berfungsi untuk membuat skala sampel semua data berada pada sekitar skala yang sama berdasarkan daerah, mean, selang, maksimum, puncak dan vektor satuan. Normalisasi spektrum berfungsi mentransformasi spektum ke dalam satuan panjang sehingga nilai reflektan berada pada rentang yang lebih panjang.

Smoothing Savizky-Golay (SGs) merupakan metode yang sering digunakan untuk mengeleminasi noise. Smoothing juga digunakan di dalam optimasi

Pantulan lanjutan/transmitan

Serapan

Pantulan semu

Sumber cahaya

Pantulan langsung

6

to-noise rate. Pada umumnya dikombinasikan dengan metode pengolah awal data lain untuk melakukan penghilangan noise.

First and Second Derivative (dg1 dan dg2) digunakan untuk menghilangkan background dan meningkatkan resolusi spektra. pengolahan turunan (derivative) berkerja memisahkan spektrum yang tumpang tindih pada spektrum original, sehingga nilai reflektan yang dihasilkan akan diturunkan menjadi lebih kecil untuk memperjelas masing-masing puncak dan lembah pada spektrum.

Multiplicative Scatter Correction (MSC) merupakan salah satu pendekatan untuk mengurangi amplification (multiplicative, scattering) dan offset (additive, chemical) efek di NIR spektrum. MSC memutari setiap spektrum sehingga menemukan kecocokan semirip mungkin dengan spektrum standar yang mungkin sering menjadi mean spektrum. Setiap spektrum kemudian dikoreksi dengan menggunakan persamaan linear.

Standard Normal Variate (SNV), metode ini adalah transformasi yang menghilangkan scatter effects dari spektrum dengan memusatkan dan membuat skala spektrum individual. Fungsi praktis dari SNV adalah menghilangkan gangguan multiplicative interferences dari scatter effects pada data spektrum. Efek dari SNV adalah pada skala vertikal, masing-masing spektrum berpusat pada nol dan bervariasi kira-kira dari -2 ke 2. Terlepas dari skala yang berbeda, hasilnya sama dengan MSC.

Metode Kalibrasi Partial Least Squares (PLS)

Metode kalibrasi dengan Partial Least Squares (PLS) merupakan metode reduksi dimensi data untuk mencari faktor-faktor yang paling relevan dalam memprediksi dan menggambarkan data (Purwanto et al. 2013). Tahap kalibrasi ini dilakukan untuk menentukan hubungan antara kandungan kimia buah kesemek dengan data reflektan NIR. Metode PLS menggunakan kombinasi linier untuk menduga variabel bebas (data NIR) dari variabel terikat (data kimia). Kombinasi linier yang diduga dipilih dengan mengambil asumsi bahwa variabel yang memperlihatkan korelasi yang sangat tinggi dari variabel bebas diberi bobot yang lebih besar karena variabel tersebut akan lebih efektif dalam pendugaan. Pada metode PLS pembentukan komponen utama (Pc) ditentukan berdasarkan variasi maksimum data NIR dan data kimia secara bersamaan (Miller dan Miller 2005).

Dalam spektra NIR regresi PLS adalah metode yang paling umum digunakan untuk memprediksi dengan variabel yang saling berhubungan. Analisis PLS untuk variabel Y matrix (komponen kimia) mempertimbangkan hubungannya dengan X matrix (data NIR) dalam waktu yang sama sehingga keakuratan hasil analisis PLS dapat ditingkatkan untuk membentuk model prediksi bahan kimia (Liu et al. 2007). Persamaan regresi kalibrasi metode PLS dapat dihitung dengan menggunakan Persamaan (1)

= + + + ⋯ + ...………...……….. (1)

Dimana

Y = komponen kimia

a dan b = konstanta PLS

7

Validasi

Setelah proses kalibrasi selanjutnya dilakukan tahap validasi dengan menggunakan data validasi. Data sampel validasi dimasukkan ke dalam persamaan regresi kalibrasi, sehingga diperoleh data komposisi kimia buah kesemek pendugaan NIR. Validasi bertujuan menguji ketepatan pendugaan komposisi kimia dengan persamaan regresi kalibrasi yang telah dibangun.

Parameter untuk menentukan kecocokan model kalibrasi adalah koefesien korelasi (r), standard error (SE), coefficient of variation (CV) dan ratio of prediction to deviation (RPD). Koefesien korelasi (r) menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai r berarti model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai r (Persamaan 2) mulai dari 0% sampai 100% (Mattjik et al. 2006).

Standard error (SE) merupakan selisih antara nilai hasil dugaan dan nilai sebenarnya. SE yang semakin kecil menunjukkan model yang semakin baik. Nilai yang baik adalah semakin mendekati nol sehingga dipastikan model dapat memprediksi dengan baik kadar dugaan (Persamaan 3).

Coefficient of variability (CV). Nilai simpangan baku (standar deviasi) tidak dapat menyatakan keragaman data maka ukurun lainnya adalah nilai koefisien keragaman (CV). Nilai CV menunjukkan besarnya error sebanding dengan rata-rata hasil analisis kimiawi (data kimia) (Walpole 1995). 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. Menurut Mattjik et al. (2006) nilai ideal CV sangat tergantung pada bidang studi yang digeluti, misalnya untuk bidang pertanian nilai CV yang dianggap wajar adalah 20 – 25%, namun percobaan dilakukan dilaboratorium nilai CV diharapkan jauh lebih kecil mengingat sebagian kondisi lingkungan dalam keadaan terkontrol (Persamaan 4).

RPD (ratio of prediction to deviation) bertujuan untuk mengetahui sejauh mana variasi nilai kimia yang disebabkan perbedaan variasi sampel dibandingkan dengan yang disebabkan error pada saat pendugaan (Persamaan 5). Keabsahan model akan dilihat dari parameter statistik yakni antara lain nilai r, SE, CV dan RPD. Model yang baik yang mempunyai nilai r tinggi, nilai SE yang kecil dan nilai RPD yang tinggi. Persamaan untuk r, SE, CV dan RPD dapat dilihat pada persamaan berikut :

= ∑ �−Ȳ ����−Ȳ���

√ �−Ȳ2_{∑ ����−Ȳ���}...(2)

= √∑ ����−����� _...(3)

Dimana

n = jumlah sampel

Ynir = komposisi kimia dugaan NIR Yukur = komposisi kimia (uji destruktif)

8

� =�_� × %...(4) Dimana

SE = standar error validasi

Y = rataan komposisi kimia aktual (uji destruktif) Yukur = komposisi kimia (uji destruktif)

� =�_� ...(5)

Aplikasi Near Infrared Reflectance (NIR)

Penemuan energi Near Infrared berasal dari Herschel pada abad kesembilan dan pada tahun 1950, aplikasi pertama kali dilakukan dibidang industri. Pada tahun 1980-an penerapan NIRS lebih difokuskan pada analisis kimia. Pertengahan 1980 diperkenalkan cahaya serat optik dan awal 1990-an adanya perkembangan detektor monokromator dimana NIRS menjadi lebih kuat sebagai alat penelitian ilmiah. Metode optik dapat digunakan dalam sejumlah bidang ilmu termasuk fisika, fisiologi, obat-obatan, dan makanan. NIR spektroskopi pertama kali digunakan pada bidang pertanian untuk menentukan kadar air biji-bijian oleh Norris tahun 1964 (Nicolai et al. 2007). Setelah itu NIR spektroskopi ramai digunakan untuk menganalisa kadar air, protein dan lemak pada produk pertanian dan makanan.

Penentuan nilai total padatan terlarut dan kemanisan buah pear telah dilakukan oleh Liu et al. (2007) dengan menggunakan Vis-NIR pada kisaran panjang gelombang 350-1800nm dan menggunakan model kalibrasi MLR, PCR dan PLS. Jumlah sampel yang digunakan adalah 75 untuk membangun model kalibrasi dan 25buah digunakan untuk validasi dalam membangun model kalibrasi dan didapatkan hasil dengan koefisien korelasi 0.912, nilai Root Mean Square Error of Prediction (RMSEP) = 0.662 dan 1.232 oBrix.

Valente et al. (2009) memprediksi kekerasan mangga dengan menggabungkan metode NIR spektroskopi absorban dengan teknik akustik. Spektrum absorbansi atau reflektansi NIR yang digunakan sekitar 400-1050 nm.

Purwanto et al. (2013) menggunakan metode non destruktif juga pada buah mangga untuk memprediksi tingkat keasaman (pH) selama penyimpanan dingin. Model yang dibangun yaitu PLS mampu mempediksi tingkat keasaman (pH) mangga dengan nilai r = 0.9042 dan 0.12% untuk SEP. Purwanto et al. (2015) mengukur kandungan pati dan TPT pada buah pepaya menggunakan near infrared spectroscopy. Model kalibrasi yang baik didapatkan dengan nilai koefisien korelasi (R), standar error kalibrasi (SEC), standar error validasi (SEP) dan koefisien variasi (CV) masing – masing sebesar 0.90%, 0.17%, 0.04% dan 10.95.

Vittayapadung et al. (2008) mengukur kekerasan buah apel fuji menggunakan near infrared spectroscopy dengan metode PLS. Model kalibrasi yang didapatkan dengan nilai koefisien korelasi r = 0.74893. Fan et al. (2009) telah mengukur TPT, kekerasan Apel menggunakan vis/NIS transmittance dengan nilai r yang tinggi baik untuk TPT dan kekerasan yaitu 0.9532 dan 0.8136 dan standar error yang kecil yaitu 0.3% dan 0.5%.

9 Pengukuran kandungan internal buah kesemek (kekerasan, total asam, warna dan TPT) buah kesemek Thriumph dengan PLS telah dilakukan oleh Zanamwe (2014). Hasil dari model prediksi kekerasan buah kesemek varietas triumph dengan nilai r = 0.8, nilai SEP = 1.27% dan nilai RPD = 1.67. Hasil prediksi total asam menggunakan pengolahan data n01 dengan r = 0.2, SEP = 0.03%, RPD = 1.31. Model prediksi yang dihasilkan untuk total padatan terlarut dengan pengolahan data MSC dengan nilai r = 0.83, SEP = 0.55% dan RPD = 1.80.

METODE PENELITIAN

Tempat dan Waktu Penelitian

Penelitian ini dilaksanakan pada bulan Mei - Juli 2015 di Laboratorium Pascapanen, Pusat Kajian Hortikultura Tropika (PKHT) dan Laboratorium Teknik Pengolahan Pangan dan Hasil Penelitian (TPPHP), Departemen Teknik Mesin dan Biosistem, Institut Pertanian Bogor.

Bahan dan Alat

Bahan utama yang digunakan pada penelitian ini adalah buah kesemek tipe astringent kultivar reundeu dengan 3 tingkat ketuaan berdasarkan umur (hari) setelah berbunga yaitu 150, 170 dan 190 hari setelah berbunga (HSB) dengan kisaran berat 120-150 gram/buah sebanyak 147 buah. Bahan lainnya adalah aquades, phenolphthalein (pp) dan NaOH untuk mengukur total asam; amilum 1% dan Iodium 0.1 N untuk mengukur vitamin C.

Alat yang digunakan untuk penelitian ini adalah Spektometer NIRFlex N-500 fiber optic solid yang merupakan alat ukur secara non destruktif dari Buchi Switzerland dengan panjang gelombang 1000-2500 nm. Sedangkan peralatan destruktif yaitu fruit hardness tester model FHR-5, Pocket Refractometer PAL-1 ATAGO, gelas ukur 100 ml, pipet tetes, erlenmeyer 250 ml, keranjang plastik dan kamera digital.

Prosedur Penelitian

Penelitian ini terdiri dari tiga tahapan, yaitu proses pengukuran non destruktif dengan mengukur spektrum reflektan NIR, pengukuran destruktif, dan pengembangan model kalibrasi serta validasi dari data NIR dan data kimia.

Persiapan sampel

Bahan yang digunakan dalam penelitian adalah buah kesemek yang diperoleh dari petani di Kampung Areng, Desa Cigedug, Kecamatan Cikajang, Kabupaten Garut, Jawa Barat. Sampel langsung dipetik dari kebun patani. Sampel yang digunakan dipetik kemudian dibungkus menggunakan karton dan dimasukkan ke dalam kardus yang dilubangi bagian sisinya, kemudian

10

dibawa ke Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP).

Sortasi dan pencucian/ pembersihan sampel

Buah yang sudah dipanen dilakukan sortasi sehingga diperoleh buah yang bagus dan seragam. Pembersihan dilakukan menggunakan kain serbet yang dibasahi dan diusap pada sampel. Pada penelitian ini, sebelum dilakukan pengukuran reflektan dan pengukuran secara destruktif, buah kesemek yang digunakan telah ditreatment menggunakan dryice dengan kandungan 10 gram, 20 gram dan 30 gram selama 24 jam dan 48 jam kemudian dipaparkan pada suhu ruang selama 9 hari dan dilakukan pengukuran setiap 3 hari.

Pengukuran Reflektan NIR pada Buah Kesemek

Proses pengambilan data spektrum NIR dilakukan dengan memberikan sinar infra merah (NIR). Posisi pengukuran dilakukan pada tiga titik yang berbeda yaitu bagian pangkal, tengah dan ujung dari buah baik untuk pengukuran data destruktif dan nondestruktif. Data spektra dibagi menjadi dua yaitu kelompok kalibrasi dan kelompok validasi menggunakan spektra yang berasal dari sampel yang berbeda. Jumlah data yang digunakan dalam kelompok kalibrasi 2/3 dan validasi 1/3 dari total data pada setiap tingkat kematangan. Jumlah data yang digunakan adalah 147 data reflektan NIR dimana data kalibrasi 98 dan validasi 49 data.

Reflektan NIR buah kesemek diukur dengan menggunakan spektrometer NIRFlex N-500 fiber optic solid dengan panjang gelombang 1000–2500 nm dengan interval 0.4 nm. Intstrumen ini dilengkapi dengan software pendukung yaitu software NIRWare operator dan NIRWare management console. Software NIRWare operator berfungsi untuk pengaturan data operasi pengukuran dan pengaturan data pertama untuk kalibrasi sedangkan NIRWare management console berfungsi sebagai bank data hasil pengukuran dan untuk pengolahan hasil spektra.

Pengukuran Tingkat Kekerasan (Vittayapadung 2008)

Kekerasan sampel buah kesemek diukur berdasarkan tingkat ketahanan buah terhadap jarum (probe). Pengukuran dilakukan menggunakan Fruit Hardness Tester tipe portable. Pengukuran dilakukan pada tiga titik yaitu bagian pangkal, tengah, dan ujung. Semakin besar gaya yang diperlukan maka tingkat kekerasan buah semakin besar. Nilai kekerasan dinyatakan dalam kg/mm2_.

Pengukuran Vitamin C , Total Asam dan TPT (AOAC 2000)

Vitamin C , total asam dan TPT diukur dengan menggunakan metode titrasi. Daging kesemek sebanyak 10gr ditambahkan dengan 100ml aquades dihomogenisasi kemudian difiltrasi menggunakan kertas saring, 25ml diambil dan diberikan indikator indikator amilum 1% sebanyak 20 tetes untuk vitamin C dan indikator phenolphthalein (pp) sebanyak 3 tetes untuk total asam. Filtrat kemudian dititrasi menggunakan Iodium 0.1 N hingga berwarna biru gelap untuk vitamin C

11 dan menggunakan NaOH 0.1 N hingga berwarna merah stabil untuk total asam. Kadar vitamin C , total asam dan TPT dihitung dengan persamaan berikut ini :

∑� � = � �× × × × ……...……. (6) ∑�� . = � ��� × × × × ...……. (7) Dimana N adalah normalitas (NaOH = 0.1; Iodium = 0.01); faktor pengenceran (Fp= 100/25), ekuevalen asam sitrat (E=0.064); ekuevalen asam

askorbat (E=0.88); jumlah sampel (� =gram).

Pengukuran Total Padatan Terlarut

Total Padatan Terlarut (TPT) diukur menggunakan refractometer. Nilai TPT diperoleh dengan cara menghancurkan daging buah kesemek kemudian meneteskan sari buahnya di atas sensor yang terdapat pada refractometer dengan output nilai TPT dalam satuan o_Brix.

Pengolahan Data Spektrum NIR

Pengolahan data spektrum bertujuan untuk meningkatkan akurasi dari model kalibrasi yang dihasilkan menggunakan Partial Least Square (PLS). Dalam penelitian ini pengolahan data spektrum yang digunakan yaitu normalisasi (n01), turunan pertama Savizkt-Golay 9 titik (dg1), Multiplicative Scatter Correction (MSC),kombinasi (n01,dg1) dan kombinasi (dg1,MSC).

Kalibrasi dan Validasi

Data NIR yang telah diolah dan data aktual kemudian dikalibrasi dengan menggunakan metode PLS program NIRCal 5.2 (Buchi Labortechnik AG, Flawil, Switzerland) yang terintegrasi dengan spektrometer NIRFlex N-500. Jumlah data yang digunakan adalah 147 sampel yang dibagi menjadi dua kelompok yaitu kalibrasi 2/3 dan validasi 1/3 dari jumlah sampel.

12

Gambar 2 Diagram alir penelitian

Evaluasi Hasil Kalibrasi dan Validasi

Pemilihan model kalibrasi terbaik ditentukan berdasarkan beberapa parameter yaitu ), coefficient correlation (r), standard error calibration set (SEC), standard error of validation set (SEP), coefficient variation (CV) dan ratio of prediction to deviation (RPD) (Lammertyn et al. 2000). Nilai r menunjukkan hubungan antara nilai referensi dengan nilai yang diprediksi. Nilai SE menunjukkan seberapa baik kecocokan persamaan kalibrasi dan data. Nilai CV menunjukkan besarnya error sebanding dengan rata-rata hasil analisis data referensi di laboratorium. Nilai RPD menggambarkan sejauh mana variasi data referensi yang disebabkan perbedaan intrinsik sampel dibandingkan dengan yang disebabkan error pada saat pendugaan. Model prediksi yang baik ditunjukkan dengan nilai r dan RPD yang tinggi, nilai SE dan CV yang rendah (Matjik et al. 2006).

Mulai

Kesemek muda;tua;matang (150 HSB; 170 HSB; 190 HSB )

Pengangkutan

Pembersihan/pencucian Sortasi

Kalibrasi Validasi

13

Gambar 3 Diagram alir proses kalibrasi dan validasi Yes Yes

Validasi

Reflektan NIR

Kekerasan, vitamin C,

total asam dan TPT Pengolahan

Data NIR

Kalibrasi dengan

PLS

No

Selesai Validasi dengan

PLS

RMSEP ~0 RPD >1.5 CV

Kalibrasi

Reflektan NIR

Kekerasan, vitamin C, total asam dan TPT Pengolahan

Data NIR

r

Konsistensi (80-110%) RMSEC ~0

Kalibrasi dengan

14

HASIL PENELITIAN

Reflektan NIR Kesemek

Reflektan NIR dari buah kesemek dapat dilihat pada Gambar 4. Pada daerah gelombang dari 1000 nm sampai 2500 nm menggambarkan 1501 data spektrum yang lebar dengan beberapa puncak dan lembah spektrum. Chen (2007) menyatakan bahwa semakin tinggi puncak penyerapan pada kurva absorbsi NIR maka semakin banyak ikatan kimia dalam bahan tersebut. Secara umum puncak penyerapan pada spektrum terjadi karena getaran atau regangan dari ikatan kimia C-H, O-H dan N-H (Blanco dan Villaroya 2002). Berdasarkan Chen (2007) diketahui bahwa pada spektrum buah kesemek kultivar reundeu terdapat ikatan molekul CH2 yang mengindikasikan kandungan gula berupa fruktosa dan sukrosa

(1160-1200 nm, 1440-1460 nm, 1780 nm, 1920-1940 nm), ikatan molekul CH yang mengindikasikan adanya kandungan asam berupa asam sitrat, asam malat dan asam askorbat (1160-1200 nm, 1440-1460 nm, 2240-2280 nm) serta adanya ikatan CO2H yang mengindikasikan adanya kandungan pektin yang

mempengaruhi tingkat kekerasan (1920-1940 nm) pada buah kesemek.

15

Kekerasan, Vitamin C, Total Asam dan TPT Buah Kesemek

Dari Tabel 1 dapat dilihat data kekerasan, vitamin C, total asam dan TPT buah kesemek. Nilai kekerasan berkisar dari 0.08-0.95 kgf, vitamin C berkisar

dari 0.79-3.64 mg/100gram, total asam berkisar dari 0.04-0.32% dan total padatan terlarut berkisar dari 14.10-31.33 0Brix. Selanjutnya, dapat dilihat pada Tabel 3 bahwa kandungan vitamin C merupakan kandungan paling kecil pada buah kesemek. Jumlah kandungan kimia yang sedikit menunjukkan bahwa informasi mengenai kandungan kimia pada spektrum NIR terhimpit oleh informasi kandungan yang mendominasi. Hal ini menyebabkan proses kalibrasi menjadi sulit (Yan et al. 2009).

Tabel 3 Data kimia kekerasan, vitamin C, total asam dan TPT buah kesemek Parameter Kekerasan _kgf per 100gram Vitamin C Total asam TPT

(mg) (%) (0Brix)

Jumlah data 432 369 423 429

Minimal 0.08 0.79 0.04 14.10

Maksimal 0.95 3.64 0.32 31.33

Rata-rata 0.74 1.90 0.12 22.85

Standar deviasi 0.20 0.50 0.06 3.95

CV 12.0 34.05 48.34 11.26

Pengaruh Pengolahan Data NIR Buah Kesemek

Pada metode spektroskopi NIR, data NIR tidak hanya mengandung informasi sampel tetapi juga mengandung informasi latar belakang dan noise (Chen 2007). Schultz et al. (2004) menerangkan bahwa pengolahan data yang dilakukan sebelum permodelan akan meningkatkan hasil kalibrasi. Andasuryani et al. (2014) menyatakan bahwa untuk memperoleh model kalibrasi terbaik dalam memprediksi kandungan kimia suatu bahan beberapa pengolahan data NIR dan jumlah komponen utama PLS optimum diaplikasikan pada spektrum NIR. Spektrum hasil pengolahan data yang digunakan pada penelitian ini dapat dilihat pada Gambar 5-8.

Pengolahan data dengan normalisasi antara 0 sampai 1 pada Gambar 5 memiliki pola spektrum yang hampir sama dengan spektum reflektan original (Gambar 4) namun rentang nilai reflektan menjadi lebih lebar dari 0.0-1.0. Normalisasi antara 0 sampai 1 (n01) berfungsi untuk membuat skala sampel dalam rangka untuk mendapatkan semua data pada sekitar skala yang sama berdasarkan daerah, mean, selang, maksimum, puncak dan vektor satuan. Normalisasi spektrum berfungsi mentransformasi spektum ke dalam satuan panjang sehingga nilai reflektan berada pada rentang yang lebih panjang (Sweirenga et al. 1999). Pada Gambar 6 pengolahan data menggunakan metode turunan pertama Savitzky-Golay (dg1) memisahkan spektrum yang tumpang tindih sehingga memperjelas masing-masing puncak dan lembah (Chen 2007).

16

Gambar 5 Pengolahan data NIR buah kesemek normalisasi antara 0-1 (n01)

Gambar 6 Pengolahan data NIR buah kesemek turunan pertama Savitzky-Golay (dg1)

17

Gambar 7 Pengolahan data NIR buah kesemek Multiplicative Scatter Correction (MSC)

Gambar 8 Pengolahan data NIR buah kesemek kombinasi n01 dan dg1

Pada Gambar 7 pengolahan spektrum kombinasi n01 dan dg1 menghasilkan bentuk spektrum yang hampir sama dengan dg1 dengan rentang niai reflektan -0.01-0.018. Pengolahan data kombinasi (dg1,MSC) menghasilkan spektrum yang hampir sama dengan pengolahan data dg1 namun rentang nilai reflektan kecil yaitu 0.0-0.004. Pada pengolahan data spektrum Multiplicative Scatter Correction (MSC) mengoreksi perbedaan spektra dasar dan spektra baru dengan memutari setiap spektrum sehingga menemukan kecocokan semirip mungkin dengan spektrum standar.

18

Gambar 9 Pengolahan data NIR buah kesemek kombinasi dg1 dan MSC

Hasil Prediksi Untuk Kekerasan, Vitamin C, Total Asam dan TPT Buah Kesemek

Model prediksi yang dihasilkan untuk setiap parameter diperoleh berdasarkan hubungan antara data NIR dan data kimia. Model prediksi terbaik ditentukan berdasarkan nilai r, jumlah komponen utama (Pc), SEC, SEP, RPD dan CV (Lammertyn et al. 2000). Dalam membangun model prediksi pada penelitian ini menggunakan metode PLS dengan pengolahan data dan jumlah komponen utama (Pc) optimum yang diaplikasikan pada data NIR.

Hasil Prediksi untuk Kekerasan Buah Kesemek

Model prediksi terbaik dihasilkan dengan menggunakan pengolahan data NIR n01 dan 12 komponen utama PLS dengan nilai r = 0.94, SEC = 0.06%, SEP = 0.07%, RPD = 2.9 dan CV = 9.72%. Normalisasi antara 0 sampai 1 (n01) berfungsi untuk membuat skala sampel dalam rangka untuk mendapatkan semua data pada sekitar skala yang sama. Normalisasi pada data NIR berfungsi mentransformasi spektum ke dalam satuan panjang sehingga nilai reflektan berada pada rentang yang lebih panjang (Sweirenga et al. 1999). Pengolahan data (n01) dengan 12 komponen utama menghasilkan nilai akurasi yang lebih baik untuk model prediksi kekerasan buah kesemek.

Pada Gambar 9 disajikan plot data hasil kalibrasi dan validasi terbaik dimana data menyebar secara merata. Pada Gambar 9 dapat dilihat adanya trend data berdasarkan tingkat kematangan dimana kesemek muda (150 hari) memiliki tingkat kekerasan tertinggi dibandingkan dengan kesemek tua (190 hari) dan matang (170 hari). Perbedaan tingkat kekerasan disebabkan karena pengaruh ketegaran dinding sel akibat perombakan protopektin yang tidak larut menjadi pektin yang larut. Perombakan terjadi karena adanya aktifitas enzim (pektin metil esterase, pektin transetiminase dan polgalakturonase). Daging buah akan terus

19 melunak seiring dengan terurainya pektin. Pektin yang terlarut akan meningkat dan kadar protopektin akan menurun sejalan dengan proses pematangan (Narayana et al. 2011).

Hasil dari model prediksi ini lebih baik dibandingkan dengan hasil model prediksi kekerasan buah kesemek varietas triumph yang dilakukan Zanamwe (2014) dengan nilai r = 0.80, nilai SEP = 1.27% dan nilai RPD = 1.67.

Gambar 10 Plot kalibrasi dan validasi kekerasan buah kesemek menggunakan pengolahan n01 data NIR dan 12 komponen utama PLS

Hasil Prediksi untuk Kandungan Vitamin C Buah Kesemek

Model prediksi terbaik untuk kandungan vitamin C dihasilkan oleh pengukuran NIR menggunakan pengolahan data MSC dan 16 komponen utama PLS dengan nilai r = 0.79, SEC = 0.50% SEP = 0.51%, RPD = 0.99 dan CV = 30.50%. Pada pengolahan data NIR dengan Multiplicative Scatter Correction (MSC) mengoreksi perbedaan spektra dasar dan spektra baru dengan memutari setiap spektrum sehingga menemukan kecocokan semirip mungkin dengan spektrum standar.

Nilai koefisien korelasi (r) < 0.8 yaitu 0.79 artinya korelasi antara pengukuran NIR dengan pengukuran destruktif tidak menunjukkan hubungan yang kuat. Nilai RPD = 0.99 pada pengolahan data MSC mengindikasikan model prediksi untuk kandungan total asam belum berhasil digunakan untuk memprediksi kandungan total asam buah kesemek. Nicolai et al. (2007) menyatakan bahwa konsentrasi asam organik didalam buah lebih sedikit dibandingkan dengan kandungan gula sehingga tidak mendominasi secara signifikan pada spektrum NIR. Pada Gambar 10 disajikan hasil kalibrasi dan validasi menggunakan pengolahan data terbaik.

Pada Gambar 10 dapat dilihat bahwa selain komposisi kandugan vitamin C yang sedikit juga tidak adanya trend data yang dihasilkan oleh tiga tingkat kematangan buah kesemek. Hal ini terlihat dengan menyebarnya plot data untuk setiap tingkat kematangan pada buah kesemek.

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

K ek er a sa n p en d u g a a n NI R (k g /m m 2)

kekerasan (kg/mm2₎

150 HSB 170 HSB 190 HSB r = 0.94

SEP (%) = 0.07

RPD = 2.90

20

Gambar 11 Plot kalibrasi dan validasi vitamin C buah kesemek menggunakan pengolahan MSC data NIR dan 16 komponen utama PLS

Hasil Prediksi untuk Kandungan Total Asam Buah Kesemek

Model prediksi terbaik untuk total asam dengan menggunakan pengolahan data MSC dengan 12 komponen utama PLS. Pengolahan data MSC menghasilkan nilai RPD yang paling tinggi yaitu 0.86 dan nilai CV yang paling kecil yaitu 45.73% dibandingkan dengan pegolahan data lainnya. Pemilihan komponen utama yang optimum yaitu 12 komponen utama menghasilkan tingkat akurasi yang lebih baik. Nilai RPD = 0.86 pada pengolahan data MSC mengindikasikan model prediksi yang dihasikan belum berhasil digunakan untuk memprediksi kandungan total asam buah kesemek dengan baik. Munawar (2014) menyatakan jika nilai RPD >1.5 artinya model kalibrasi baru layak digunakan. Hasil penelitian ini sama dengan hasil prediksi total asam pada buah kesemek varietas triumph yang dilakukan Zanamwe (2014) dengan metode PLS dan pengolahan data n01 yang belum berhasil digunakan dengan r = 0.2, SEP = 0.03%, RPD = 1.31. Pada Gambar 11 dapat dilihat hasil kalibrasi dan validasi terbaik dalam bentuk grafik.

Pada Gambar 11 dapat dilihat bahwa menyebarnya plot data untuk ketiga tingkat kematangan sehingga tidak adanya trend data yang dihasilkan menyebabkan proses pengolahan data untuk memprediksi kandungan total asam tidak berhasil dilakukan. Kandungan total asam yang tidak mendominasi pada buah kesemek juga mengindikasikan model prediksi yang dihasilkan tidak dapat digunakan untuk memprediksi kandungan total asam buah kesemek.

0 1 2 3 4

0 1 2 3 4

v ita m in C p en d u g a a n NI R (m g /1 0 0 g ra m )

vitamin C (mg/100gram)

150 HSB 190 HSB 170 HSB r = 0.79

SEP (%) = 0.51

RPD = 0.99

21

Gambar 12 Plot kalibrasi dan validasi total asam buah kesemek menggunakan pengolahan MSC data NIR dan 12 komponen utama PLS

Hasil Kalibrasi untuk TPT Buah Kesemek

Model prediksi terbaik untuk total padatan terlarut adalah menggunakan pengolahan data MSC dengan 17 komponen utama PLS. Model prediksi dengan pengolahan data MSC menghasilkan tingkat akurasi yang lebih tinggi meskipun menggunakan komponen utama PLS yang lebih banyak yaitu 19 komponen utama PLS. Hal ini dapat dilihat dari nilai RPD yang lebih tinggi yaitu 1.79 serta nilai CV yang lebih kecil yaitu 9.84%.

Nilai RPD >1.5 menginterpresentasikan bahwa model kalibrasi layak digunakan untuk memprediksi kandungan kimia pada bahan (Mouazen et al. 2005). Berdasarkan nilai koefisien (r) dan RPD yang tinggi, nilai SEP dan CV yang rendah artinya model prediksi berhasil digunakan untuk memprediksi total padatan terlarut buah kesemek. Model prediksi yang dihasilkan sama baiknya dengan model prediksi untuk total padatan terlarut buah kesemek varietas triumph yang dilakukan Zanamwe (2014) dengan menggunakan metode PLS dan pengolahan data MSC dengan nilai r = 0.83, SEP = 0.55% dan RPD = 1.80. Pada Gambar 12 dapat dilihat hasil kalibrasi dan validasi terbaik dalam bentuk grafik yang menyebar secara merata.

Pada Gambar 12 dapat dilihat adanya trend data yang sangat jelas antara kesemek matang (190 hari), kesemek tua (170 hari) dan kesemek muda (150 hari) dimana nilai TPT tertinggi dihasilkan oleh kesemek matang dan nilai TPT terendah dihasilkan oleh kesemek muda. Hal ini mengindikasikan bahwa adanya perbedaan tingkat kemanisan untuk setiap tingkat kematangan pada buah kesemek. Baloch et al. (2011) menyatakan bahwa nilai TPT dipengaruhi oleh umur panen dan suhu penyimpanan. Nilai TPT berhubungan dengan kandungan karbohidrat yang terdapat didalam bahan dimana dalam proses respirasi akan berubah menjadi gula (Love at al. 2014). Nilai TPT yang tinggi membuat proses pengolahan data menjadi mudah sehingga model prediksi yang dihasilkan dapat digunakan untuk memprediksi nilai TPT pada buah kesemek.

0 0.1 0.2 0.3

0 0.1 0.2 0.3

to ta l a sa m p en d u g a a n NI R ( %)

total asam (%)

150 HSB 170 HSB 190 HSB r = 0.65

SEP (%) = 0.05

RPD = 0.86

22

Gambar 13 Plot kalibrasi dan validasi total padatan terlarut buah kesemek menggunakan pengolahan MSC data NIR dan 17 komponen utama PLS

Pengaruh Pengolahan Data NIR Terhadap Model Kalibrasi dan Validasi

Dalam data NIR terdapat ribuan data spektrum yang memiliki berbagai jenis informasi, noise dan background yang menyebabkan model prediksi yang dihasilkan tidak baik. Dalam satu atau lebih panjang gelombang dapat memberikan informasi yang hampir sama (Andasuryani 2014). Oleh sebab itu untuk meminimalisir kejadian tersebut dan memperlancar proses pembentukan model prediksi maka dibutuhkan proses pengolahan data NIR dalam membangun model prediksi. Setiap proses pengolahan data mempunyai fungsi yang berbeda juga dan setiap parameter yang akan dibangun model prediksinya membutuhkan pengolahan data yang sesuai dengan kondisi bahan dan kandungan dari bahan tersebut (Mouazen et al. 2005).

Dalam penelitian ini pengolahan data NIR yang digunakan yaitu normalisasi (n01), turunan pertama Savizkt-Golay 9 titik (dg1), Multiplicative Scatter Correction (MSC),kombinasi (n01,dg1) dan kombinasi (dg1,MSC). Untuk model prediksi kekerasan terbaik dihasilkan dengan pengolahan data normalisasi (n01). Pada (n01) data NIR akan dinormalkan dengan range 0.0-01.0 sehingga range data menjadi lebih lebar. Untuk model prediksi vitamin C, total asam dan TPT terbaik dihasilkan dengan menggunakan pengolahan data Multiplicative Scatter Correction (MSC). Pada proses MSC terjadi proses koreksi perbedaan spektra dasar dan spektra baru dengan memutari setiap spektrum sehingga menemukan kecocokan semirip mungkin dengan spektrum standar. Pada proses MSC akan mengkoreksi faktor stuktur (fisik) dari bahan sehingga hanya faktor kandungan bahan saja yang mendominasi sehingga menghasilkan model prediksi yang baik.

Selain proses pengolahan data, jumlah komponen utama yang digunakan juga menentukan tingkat akurasi yang dihasilkan dalam pembentukan model prediksi. Pengolahan data NIR dan jumlah komponen utama yang berbeda menunjukkan hasil kalibrasi dan validasi yang berbeda pula untuk setiap

10 20 30

10 20 30

TPT p en d u g a a n NI R (

0 B

rix

)

TPT (0 _Brix)

150 HSB 170 HSB 190 HSB r = 0.86

SEP (%) = 2.21

RPD = 1.79

23 parameter. Hasil dari kalibrasi dan validasi untuk kandungan kimia buah kesemek dapat dilihat pada Tabel 4.

Tabel 4 Parameter dari kalibrasi dan validasi kandungan kimia buah kesemek Komposisi

kimia Pengolahan data

Kon-sistensi

(%) Pc

Set kalibrasi Set validasi

r SEC _(%) SEP _(%) RPD _(%) CV

Kekerasan tanpa

pengolahan 106.8 6 0.82 0.1 0.1 2.09 13.47

n01 90 12 0.94 0.06 0.07 2.9 9.72

dg1 83.6 6 0.89 0.08 0.1 2.09 13.49

msc 84.9 12 0.94 0.06 0.07 2.74 10.3

n01+dg1 84.1 6 0.92 0.07 0.09 2.35 12

dg1+msc 74.2 6 0.9 0.08 0.1 1.94 14.53

tanpa

pengolahan 89.3 17 0.79 0.5 0.56 0.89 33.82

Vitamin C

n01 80.3 19 0.83 0.46 0.57 0.88 34.44

dg1 86.7 9 0.78 0.51 0.59 0.84 35.88

msc 99.1 16 0.79 0.5 0.51 0.99 30.5

n01+dg1 91.2 9 0.78 0.51 0.56 0.89 34.05

dg1+msc 85.9 9 0.79 0.5 0.58 0.86 35.03

tanpa

pengolahan 80.9 12 0.75 0.04 0.05 0.81 48.66

Total asam

n01 95.4 13 0.67 0.05 0.05 0.86 46.01

dg1 77.9 7 0.75 0.04 0.05 0.78 50.52

msc 98 12 0.65 0.05 0.05 0.86 45.73

n01+dg1 84.8 7 0.72 0.04 0.05 0.82 48.34

dg1+msc 83.3 7 0.72 0.04 0.05 0.8 48.97

TPT

tanpa

pengolahan 93.6 19 0.87 2.07 2.21 1.79 9.86

n01 98.4 17 0.85 2.25 2.29 1.72 10.22

dg1 84.4 9 0.84 2.28 2.7 1.46 12.04

n01+dg1 86.3 9 0.85 2.23 2.58 1.53 11.54

msc 97.3 17 0.86 2.15 2.21 1.79 9.84

dg1+msc 88 9 0.85 2.22 2.52 1.56 11.26

PadaTabel 4 dapat dilihat hasil kalibrasi dan validasi untuk model prediksi kekerasan, vitamin C, total asam dan TPT buah kesemek. Hasil untuk prediksi kekerasan dapat diketahui bahwa ada beberapa pengolahan data terbaik yang dihasilkan untuk membentuk model prediksi dengan penggunaan komponen utama yang berbeda. Model prediksi terbaik pertama dihasilkan dengan menggunakan pengolahan data NIR n01 dan 12 komponen utama PLS dengan nilai r = 0.94, SEC = 0.06%, SEP = 0.07%, RPD = 2.9 dan CV = 9.72%. Model kalibrasi terbaik berikutnya menggunakan pengolahan data MSC dan 12 komponen utama dengan nilai r = 0.94, SEC = 0.06%, SEP = 0.07%, RPD = 2.74 dan CV = 10.30. Model kalibrasi terbaik berikutnya dihasilkan menggunakan

24

pengolahan data kombinasi (n01,dg1) dengan jumlah komponen utama yang lebih sedikit yaitu 6 komponen utama PLS dengan nilai r = 0.92, SEC = 0.07%, SEP = 0.09%, RPD = 2.35 dan CV = 12%.

Pada hasil prediksi untuk kandungan vitamin C model prediksi terbaik pertama dihasilkan oleh pengukuran NIR menggunakan pengolahan data MSC dan 16 komponen utama PLS dengan nilai r = 0.79, SEC = 0.50% SEP = 0.51%, RPD = 0.99 dan CV = 30.50%. Hasil dari model prediksi terbaik berikutnya adalah pengukuran NIR menggunakan pengolahan data kombinasi (n01,dg1) dengan komponen utama PLS yang lebih sedikit yaitu 9 komponen utama PLS, nilai r = 0.78, SEC = 0.51% dan SEP = 0.56%, RPD = 0.89 dan CV = 34.05%.

Model prediksi terbaik pertama untuk total asam dengan menggunakan pengolahan data MSC dengan 12 komponen utama PLS. Model prediksi terbaik berikutnya pengolahan data n01 dengan 12 komponen utama PLS dan pengolahan data kombinasi (n01,dg1) dengan 7 komponen utama PLS. Pengolahan data MSC dan n01 menghasilkan nilai RPD yang lebih tinggi yaitu 0.86 dan nilai CV yang kecil yaitu 45.73% dan 46.01% dibandingkan dengan pegolahan data kombinasi (n01,dg1) dengan nilai RPD = 0.82 dan CV = 48.34%.

Model prediksi terbaik pertama untuk total padatan terlarut adalah menggunakan pengolahan data MSC dengan 17 komponen utama PLS. Model prediksi terbaik selanjutnya adalah tanpa pengolahan data dengan 19 komponen utama PLS dan pengolahan data kombinasi (dg1,MSC) dengan 9 komponen utama PLS. Pengolahan data MSC dengan 17 kompoen utama menghasilkan nilai CV terkecil dibandingkan dengan pengolahan data lainnya yaitu CV = 9.84%.

PadaTabel 4 dapat diketahui bahwa pengolahan data NIR dan penggunaan komponen utama yang berbeda menunjukkan hasil kalibrasi dan validasi yang berbeda pula untuk setiap parameter. Dari hasil pada Tabel 4 dapat diketahui bahwa penggunaan komponen utama yang lebih banyak menghasilkan tingkat akurasi yang lebih tinggi. Hal ini dapat dilihat dari nilai r, selisih SEC dan SEP, CV dan RPD yang dihasilkan. Namun demikian, penggunaan komponen utama yang lebih sedikit dinilai lebih efektif dari segi waktu pengolahan data untuk membentuk model prediksi. Berdasarkan hal tersebut ada beberapa rekomendasi pengolahan data terbaik untuk setiap parameter dengan jumlah penggunaan komponen utama yang berbeda.

Hasil prediksi kekerasan ada tiga pengolahan data terbaik yaitu : pengolahan data NIR n01 dengan 12 komponen utama PLS, pengolahan data MSC dengan 12 komponen utama dan pengolahan data kombinasi (n01,dg1) dengan 6 komponen utama PLS. Hasil prediksi untuk kandungan vitamin C ada dua pengolahan data terbaik yaitu : pengolahan data MSC dengan 16 komponen utama dan pengolahan data kombinasi (n01,dg1) dengan 9 komponen utama. Hasil prediksi total asam ada tiga pengolahan data terbaik yaitu : pengolahan data MSC dengan 12 komponen utama, pengolahan data n01 dengan 12 kompoen utama dan pengolahan data kombinasi (n01,dg1) dengan 7 komponen utama. Hasil prediksi untuk total padatan terlarut dengan 3 pengolahan data terbaik yaitu : pengolahan data MSC dengan 17 komponen utama, tanpa pengolahan data dengan 19 komponen utama PLS dan pengolahan data kombinasi (dg1,MSC) dengan 9 komponen utama.

Dari hasil pada Tabel 4 pengolahan data MSC dan Savizkt-Golay (dg1) menghasilkan model prediksi terbaik ditunjukkan dengan nilai r, SEC, SEP, RPD

25 dan CV yang dihasilkan. Hal ini menunjukkan bahwa pengaruh faktor fisik pada buah kesemek berpengaruh terhadap proses pengolahan data untuk menghasilkan model prediksi yang baik sehingga dibutuhkan pengolahan data MSC untuk mereduksi pengaruh faktor fisik pada bahan sehingga faktor kandungan bahan menjadi jelas. Selain ini kandungan kimia yang akan diprediksi merupakan kandungan kimia yang tidak mendominasi di dalam buah kesemek sehingga pengolahan data dengan Savizkt-Golay (dg1) dibutuhkan untuk memperjelas nilai penyerapan kandungan kimia di dalam bahan.

SIMPULAN

Model terbaik untuk prediksi kekerasan adalah pengolahan data NIR normalisasi (n01) dan 12 komponen utama (r = 0.94, SEP = 0.07%, RPD = 2.9, CV = 9.72%). Model terbaik untuk prediksi vitamin C adalah pengolahan data NIR Multiplicative Scatter Correction (MSC) dan 16komponen utama (r = 0.79, SEP = 0.51%, RPD = 0.99, CV = 30.50%). Model terbaik untuk prediksi total asam adalah pengolahan data NIR Multiplicative Scatter Correction (MSC) dan 12komponen utama (r = 0.65, SEP = 0.05%, RPD = 0.86, CV = 45.73%). Model terbaik untuk prediksi TPT adalah pengolahan data NIR Multiplicative Scatter Correction (MSC) dan 17komponen utama (r = 0.86, SEP = 2.21%, RPD = 1.79, CV = 9.84%). Penelitian ini membuktikan metode NIR dapat digunakan untuk memprediksi kekerasan dan TPT namun tidak dapat diterapkan untuk memprediksi kandungan vitamin C dan total asam.

DAFTAR PUSTAKA

Andasuryani, Purwanto YA, Budiastra IW, Syamsu K. 2014. Determination of catechin content in gambir powder from dried gambir leaves quickly using FT NIR PLS model. International Advanced Science Engineering Information Technology. 4(5): 2088-5334.

AOAC International. 2000. Official methods of analysis of AOAC International. Gaitherburg. USA.

Baloch MK, Bibi F, Jilani MS. 2011. Quality and shelf life of mango (Mangifera indica L.) fruit: as affected by cooling at harvest time. Scientia Horticulturae. 130: 642-646.

Baswarsiati, Suhardi, Rahmawati D. 2006. Potensi dan Wilayah Pengembangan Kemesemk Junggo. Buletin Plasma Nuftah.

Buchi Labortechnik AG. 2007. Operation Manual NIRflex N-500.

Blanco M and Villarroya I. 2002. NIR spectroscopy: a rapid-response analytical tool. Trends in Analytical Chemistry. 21: 240-250.

Chen H, He Y. 2007. Theory and application of near infrared reflectance spectroscopy in determination of food quality. Trend Food SciTechnology. 18: 72-83.

Creswell CJ, Olaf AR, Malcolm MC. 2005. Analisis spektrum senyawa organic edisi ke-3. ITB. Bandung.

Direktorat Gizi Departemen Kesehatan RI. 1996. Daftar komposisi bahan makanan. Bhratara Karya Aksara. Jakarta.

26

apples by Vis/NIR transmittance. Journal of Food Engineering. 93: 416– 420.

Hutapea R. 1994. Inventaris tanaman obat Indonesia jilid III. Departemen Kesehatan RI. Jakarta.

Isnindar, Setyowati E.R., Wahyuono S. 2011. Aktivitas antioksidan daun kesemek (Diospyros kaki L.F) dengan metode DPPH (2,2-Difenil-1 Pikrilhidrazin). Majalah Obat Tradisional. 16(2): 63-67.

Janook P, Kamitani Y, Kawano S. 2014. Development of a common calibration model for determining the brix value of intact apple, pear and persimmon fruits by near infrared spectroscopy. Journal of Near Infrared Spectroscopy. 22(5): 367-373.

Lammertyn J, Peirs A, Beardemaeker JD, Nicolaï B. 2000. Light penetration properties of NIR radiation in fruit with respect to non-destructive quality assessment. J Postharvest Biology and Technology. 18: 121-132.

Liu Y, Chen X, Sun X, Yin Y. 2007. Nondestructive measurement of pear internal quality indices by visible and near-infrared spectrometric techniques. New Zealand Journal of Agricultural Research. 50: 1051-1057.

Liu Y, Sun X, Ouyang A. 2010. Nondestructive measurement of soluble solid content of navel orange fruit by visible NIR spectrometric techniquen with PLSR and PCA-BPNN. J Food and Science Technology. 43: 602-607.

Love K, Chen N, Paull R. 2014. Quick harvest and postharvest tips for better quality and longer postharvest life. College of Tropical Agriculture and Human Resources (CTAHR). 36: 7-11.

Mattjik AS, I Made S. 2006. Perancangan Percobaan dengan Aplikasi SAS dan MINITAB. IPB Press, Bogor.

Miller JN, Miller JC. 2005. Statistics and chemometrics for analytical chemistry. fifth edition. Ashford Colour Press England. ISBN: 0131291920.

Mouazen AM, Saeys W, Xing J, De Baerdemaeker, J and Ramon H. 2005. Near infrared spectroscopy for agricultural materials: an instrument comparison. Journal of Near Infrared Spectroscopy. 13: 87-97.

Munawar AA. 2014. Multivariate analysis and artificial neural network approaches of near infrared spectroscopic data for non-destructive quality attributes prediction of mango [Disertasi]. Goettingen: Georg-August University.

Naraya CK, Rao DVS, Siddiq R. 2012. Tropical and subtropical fruits postharvest physiology, processing and packaging. USA : Wiley-Blackwell. 259-276.

Verheij E.W.M, Coronel R.E. 1992. Edible Fruit and Nuts. Plant Resources of South-East Asia. 2: 446.

Nicolai BM, Beullens K, Bobelyn E, Peirs A, Seaeys W, Theron KI, Lammertyn J. 2007. Non destructive measurement of fruit and vegetable quality by means of nir spectroscopy. Postharvest Biology and Technology. 16: 99-118.

Osborne BG, Fearn T, Hindle PH. 1993. Partical NIR spectroscopy with applications in food and beverage analysis second edition. Longman Scientific Technical, New York. ISBN 10: 0582494893.

27 Purwanto YA, Zainal PW, Ahmad U, Mardjan S, Makino Y, Oshita S, Kawagoe Y, Kuroki S. 2012. Non destructive prediction of pH in mango fruit cv. Gedong Gincu using NIR spectroscopy. Internasional Jurnal of Engineering of

Technology IJET-IJENS. 13(03): 70-73.

Pasquini C. 2003. Review: Near infrared spectroscopy: fundamental, practical aspects, and analytical applications. J Braz Chem Soc. 15 (2): 198-219. Purwanto YA, Budiastra WI, Darmawati E, Arifiya N. 2015. Measurement of

starch and soluble solid content in papaya using near infrared spektroskopi. Journal of Chemical and Pharmaceutical Research. 7(6):112-116.

Queensland Government. 2005. Persimmon Information Kit, Growing Guide:

Sweet Persimmon Grower’s Handbook. Queensland Department of

Agriculture and Fisheries archive of scientific and research publications. 85–100.

Schmilovitch Z, Mizrach A, Hoffman A, Egozi H, Fuchs Y. 2000. Determination of mango physiological indices by near infrared spectroscopy. Postharvest Bio & Tech. (19): 245-252.

Sweirenga H, de Weijer AP, van Wijk RJ and Buydens LMC. 1999. Strategy for constructing robust multivariate calibration models. J Chemometrics. 49: 1-17.

Theanjumpol P, Self G, Rittiron R, Tanachai P, Sadsud V. 2014. Quality control of mango fruit during postharvest by near infrared spectroscopy. Chiang Mai University Journal Natural Sciences. 13 (2): 141-157.

Valente M, Leardi R, Self G, Luciano G, pain JP. 2009. Multivariat calibration of mango firmness using Vis/NIR Spectroscopy and acousticimpluse method. Journal of Food Engineering. 94: 7-13.

Verheij, EWM and RE Coronel. 1992. Edible fruits and nuts. Plant Resources of South East Asia (Prosea).

Vittayapadung S, Jiewen Z, Quansheng C, Chuaviroj R. 2008. Appication of FT-NIR Spectroscopy to Measurement of Fruit Firmness of “Fuji” Apples. Journal of Science and Technology. 02(1): 13-23.

Walpole RE. 1995. Pengantar Statistika Edisi Ke-3. Jakarta. Gramedia.

Yan H, Chang WX, Wen D D. 2009. Rapid determination of moisture and protein contents in silver carp surimi by Fourier transform near infrared (FT-NIR) spectrometry. J Asian Fisheries Science. (22): 337-345.

Zanamwe P. 2014. Prediction of postharvest quality of ‘Triumph’ persimmon fruit

using NIR spectroscopy. Tesis. Stellenbosch University. South Africa. Zhang S, Jie D, Zhang H. 2011. Nir spectroscopy identification of persimmon

varieties based on PCA-SVM. IFIP Advances in Information and Communication Technology. 345: 118-123.

Zhang P, Xue Y, Li J, Feng X, Wang B. 2011. Research on nondestructive measurement of firmness and soluble tannin content of 'mopanshi' persimmon using vis/nir diffuse reflectance spectroscopy. ISHS Acta Horticulturae. 4: 996.

28

29

Lampiran 1. Spesifikasi NIRFlex N-500 Fiber Optik Solids NIRFlex N-500

Bagian Alat Keterangan

Dimensi alat (p x l x t) 350 x 450 x 250 mm

Kisaran spektra 800-2500 nm (rekomendasi : 1000-2500 nm) 12500-4000 cm-1 _{(rekomendasi : 10000–4000 cm}-1₎

Resolusi 8 cm-1

Jenis interferometer Interferometer polaris dengan irisan TeO2

Akurasi panjang gelombang ± 0.2 cm -1

Jumlah scan/detik 2 – 4 Analog-digital konverter 24 bit

Temperatur ambien 5 – 35 oC (rekomendasi: 25±5oC Jenis lampu Tungsen halogen/ 12000 h (2 x 6000 h)

Jenis laser 12 VDC HeNe, pada panjang gelombang 632.992 nm

Koneksi ethernet 100 Mbit/det

Power supply 100 – 230 VAC ± 10%, 50/60 Hz, 350 W

NIRFlex fiber optic solids

Bagian Alat Keterangan

Kisaran temperatur pada ujung probe 0 oC – 80 oC

power supply 100 – 230 VAC ± 10%, 50/60 Hz, 20 W

Detektor Extended range LnGaAs (dengan

kontrol temperatur) Panjang standar probe 2 m, 3 m, 5 m

31

Lanjutan Lampiran 2

Panjang

Gelombang (nm) (cm

-1_{) Ikatan Kimia Produk}

1765 5666 CH2

1780 5618 cellulose

1820 5495 O-H str.+2x C-O str. cellulose 1900 5263 O-H str.+2x C-O str. _{C=O str.second overtone} starch _-CO

2H

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 II CONH2, CONHR

2132 4690 N-H str.+ C=O str. amino acid 2140 4673 =C-H str.+ C=C str. HC=CH

2150

4651

2x amide I+ amide III

CONH

2

2160

4630

CONHR

2180

4587

protein

2190

4566

CH

2

asym.str.+ C= str.

HC=CH

2200

4545

C-H str.+ C=O str.

-CHO

2242

4460

N-H str.+ NH

3

+ 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.

CH

3

2294

4359

N-H str.+ C=O str.

amino acid

2310

4329

N-H str.+ C-H def.

CH

2

2121

4305

_{C-H str.+ C-H def.}

CH

2

2336

4281

cellulose

2347

4261

CH

2

sym.str.+ =CH

2

def.

HC=CHCH

2

2352

4251

C-H def.second overtone

cellulose

2380

4202

O-H def.second overtone

ROH

32

Lampiran 3 Data Kimia untuk kekerasan, vitamin C, total asam dan TPT

No Kode Kekerasan Vitamin C

Total

asam TPT sampel _(kgf) per100gram _(%) 0_Brix

(mg)

1 dsho1 0.86 6.95 0.26 21.7

2 dsho2 0.87 7.2 0.49 25.73

3 dsho3 0.85 7.88 0.3 26.8

4 dsh1 1 0.91 1.83 0.06 15.77

5 dsh1 2 0.93 1.37 0.06 15.83

6 ds h1 3 0.93 1.41 0.04 15.57

7 ds h1 4 0.94 6.48 0.26 22.57

8 dsh1 13 0.84 6.71 0.2 24.57

9 dsh1 14 0.88 2.07 0.08 16.57

10 dsh1 15 0.83 3.39 0.09 17.53

11 dsh1 16 0.85 6.59 0.1 23.5

12 dsh1 25 0.81 3.27 0.08 28.9

13 dsh1 26 0.85 7.84 0.1 24.77

14 dsh1 27 0.82 3.41 0.08 26.07

15 dsh1 28 0.83 5.07 0.18 26.47

16 dsh1 5 0.89 1.61 0.05 21.3

17 dsh1 6 0.92 0.83 0.06 14.47

18 dsh1 7 0.9 1.29 0.05 16.93

19 dsh1 8 0.91 3.41 0.13 22.53

20 dsh1 17 0.86 1.04 0.05 16.47

21 dsh1 18 0.84 0.79 0.09 17.6

22 dsh1 19 0.89 1.22 0.07 17.8

23 dsh1 20 0.84 4.49 0.24 25.63

24 dsh1 29 0.83 0.72 0.06 24.5

25 dsh1 30 0.95 0.56 0.15 24.2

26 dsh1 31 0.73 1.03 0.09 21.47

27 dsh1 32 0.83 1.51 0.22 25.33

28 dsh1 9 0.95 0.93 0.04 15.53

29 dsh1 10 0.9 0.99 0.07 15.57

30 dsh1 11 0.84 1.85 0.06 16.63

31 dsh1 12 0.86 3.64 0.11 21.33

32 dsh1 21 0.76 1.42 0.08 15.97

33 dsh1 22 0.8 1.41 0.08 20.47

34 dsh1 23 0.77 1.09 0.09 19.3

35 dsh1 24 0.79 4.24 0.15 25.87

36 dsh1 33 0.79 1.16 0.07 22.6

37 dsh1 34 0.82 4.35 0.1 22.43

38 dsh1 35 0.08 3.51 0.1 19.57

39 dsh1 36 0.75 3.47 0.15 24.83

40 dsh2 1 0.83 0.87 0.09 19.93

41 dsh2 2 0.86 1.07 0.06 19.73

42 dsh2 3 0.92 0.94 0.05 14.1

43 dsh2 4 0.87 4.9 0.28 26.97

44 dsh2 13 0.83 1.08 0.07 19.63

45 dsh2 14 0.8 1.22 0.09 17.37

46 dsh2 15 0.8 0.96 0.1 25.57

47 dsh2 16 0.77 3.63 0.2 28.2

48 dsh2 25 0.77 1.47 0.1 24.23

49 dsh2 26 0.78 1.99 0.08 26.4

33

Lanjutan Lampiran 3

No Kode Kekerasan Vitamin C

Total

asam TPT sampel _(kgf) per100gram _(%) 0_Brix

(mg)

51 dsh2 28 0.75 4.4 0.2 28.2 52 dsh2 5 0.87 1.74 0.05 21.17 53 dsh2 6 0.86 1.64 0.07 16.2 54 dsh2 7 0.9 2.44 0.08 16.2 55 dsh2 8 0.85 3.4 0.09 23.97 56 dsh2 17 0.29 1.98 0.08 19.83 57 dsh2 18 0.79 1.17 0.07 20 58 dsh2 19 0.74 1.23 0.07 19.93 59 dsh2 20 0.82 4.81 0.18 27.07 60 dsh2 29 0.4 2.41 0.07 23.3 61 dsh2 30 0.65 1.4 0.11 23.93 62 dsh2 31 0.65 2.8 0.09 26.77 63 dsh2 32 0.49 2.55 0.11 23.17 64 dsh2 9 0.86 1.13 0.06 15.63 65 dsh2 10 0.86 1.58 0.07 16.2 66 dsh2 11 0.88 2.19 0.09 18.3 67 dsh2 12 0.87 1.29 0.09 21.93 68 dsh2 21 0.72 2.51 0.11 19.1 69 dsh2 22 0.71 2.32 0.07 20.1 70 dsh2 23 0.79 1.53 0.1 20.1 71 dsh2 24 0.58 2.5 0.09 21.77 72 dsh2 33 0.72 2.56 0.09 22.23 73 dsh2 34 0.6 2.07 0.11 24.4 74 dsh2 35 0.76 1.99 0.09 22.2 75 dsh2 36 0.6 2.51 0.08 25.77 76 dsh3 1 0.9 1.49 0.09 18.23 77 dsh3 2 0.9 1.82 0.09 22 78 dsh3 3 0.82 1.29 0.07 17.07 79 dsh3 4 0.84 4.93 0.32 28.6 80 dsh3 13 0.7 0.96 0.09 25.13 81 dsh3 14 0.77 1.19 0.08 21 82 dsh3 15 0.77 1.06 0.08 26.83 83 dsh3 16 0.37 1.97 0.09 24.77 84 dsh3 25 0.63 1.51 0.12 25.33 85 dsh3 26 0.52 1.97 0.11 27.43 86 dsh3 27 0.69 1.63 0.14 28.47 87 dsh3 28 0.38 3.36 0.17 27.83 88 dsh3 5 0.86 1.77 0.07 20.33 89 dsh3 6 0.84 1.23 0.09 17.13 90 dsh3 7 0.84 2.09 0.09 16.43 91 dsh3 8 0.83 3.05 0.12 26.6 92 dsh3 17 0.86 1.56 0.09 20.87 93 dsh3 18 0.76 1.36 0.1 20.33 94 dsh3 19 0.81 1.5 0.1 21.67 95 dsh3 20 0.84 4.45 0.23 27.47 96 dsh3 29 0.7 2.5 0.1 25.23 97 dsh3 30 0.58 1.71 0.09 24.87 98 dsh3 31 0.8 2.72 0.15 27.7 99 dsh3 32 0.72 4.31 0.17 24.13 100 dsh3 9 0.8 1.37 0.09 20

34

Lanjutan Lampiran 3

No Kode Kekerasan Vitamin C

Total

asam TPT sampel _(kgf) per100gram _(%) 0_Brix

(mg)

101 dsh3 10 0.87 1.67 0.12 22.23 102 dsh3 11 0.87 2.07 0.1 19.23 103 dsh3 12 0.9 1.71 0.09 29.4 104 dsh3 21 0.85 2.9 0.16 25.3 105 dsh3 22 0.89 2.28 0.11 23.47 106 dsh3 23 0.86 1.57 0.1 25.27 107 dsh3 24 0.78 1.53 0.1 29.53 108 dsh3 33 0.78 2.45 0.17 25.4 109 dsh3 34 0.76 1.56 0.15 27.77 110 dsh3 35 0.44 2.22 0.15 26.57 111 dsh3 36 0.82 0.93 0.08 30.13 112 ds h4 1 0.82 1.36 0.08 20.43 113 ds h4 2 0.85 1.74 0.09 22.33 114 ds h4 3 0.82 1.43 0.09 17.83 115 ds h4 4 0.83 4.6 0.3 27.27 116 ds h4 13 0.74 1.68 0.13 25.63 117 ds h4 14 0.27 2.62 0.16 22.47 118 ds h4 15 0.68 1.81 0.14 25.13 119 ds h4 16 0.76 4.99 0.26 27.8 120 ds h4 25 0.44 1.99 0.2 25.57 121 ds h4 26 0.7 2.35 0.17 28.73 122 ds h4 27 0.26 1.28 0.12 21.17 123 ds h4 28 0.27 1.74 0.13 24.2 124 ds h4 5 0.82 1.99 0.08 21.13 125 ds h4 6 0.84 1.34 0.08 17.6 126 ds h4 7 0.84 1.29 0.09 16.73 127 ds h4 8 0.85 3.23 0.15 27.23 128 ds h4 17 0.73 1.87 0.12 21.27 129 ds h4 18 0.22 1.81 0.09 21.33 130 ds h4 19 0.88 2.28 0.1 21.2 131 ds h4 20 0.79 3.34 0.21 29.6 132 ds h4 29 0.32 2.23 0.12 28.9 133 ds h4 30 0.3 1.89 0.15 25.7 134 ds h4 31 0.09 2.63 0.13 28.97 135 ds h4 32 0.46 2.53 0.18 26.3 136 ds h4 9 0.81 1.58 0.07 20.4 137 ds h4 10 0.74 2.23 0.09 22.6 138 ds h4 11 0.79 1.75 0.08 19.9 139 ds h4 12 0.76 2.72 0.14 30.17 140 ds h4 21 0.69 1.47 0.15 26.97 141 ds h4 22 0.61 1.68 0.11 26.5 142 ds h4 23 0.74 2.11 0.12 25.67 143 ds h4 24 0.65 1.36 0.1 30.6 144 ds h4 33 0.64 3.47 0.17 25.7 145 ds h4 34 0.12 2.7 0.16 31.33 146 ds h4 35 0.11 1.67 0.15 26.3 147 ds h4 36 0.06 3.24 0.14 25.13

35

Lampiran 4 Dokumentasi penelitian

Proses sortasi

Pengukuran spektra NIR

Pengukuran bobot

Pengukuran kekerasan

Pengukuran TPT

Proses titrasi

36

RIWAYAT HIDUP

Penulis dilahirkan di Padang, pada tanggal 03

November 1989 sebagai anak keempat dari 7

bersaudara dari pasangan Bapak Amirman dan Ibu

Rosniati Hakim. Penulis lulus MAN 2 Padang pada

tahun 2008 kemudian melanjutkan pendidikan S1

tahun 2008 di Jurusan Teknik Pertanian Universitas

Andalas (UNAND) melalui jalur SNMPTN dan selesai

pada tahun 2013. Penulis melanjutkan pendidikan S2

pada Departemen Teknik Mesin dan Biosistem

Program Studi Teknologi Pascapanen di Institut

Pertanian Bogor pada tahun 2014. Selama mengikuti pendidikan di Sekolah

Pascasarjana IPB, penulis sudah menulis jurnal ilmiah dalam tahapan review pada

Jurnal IJASEIT yang berjudul “Prediction of soluble solid content, vitamin c, total

acid and firmness in astringent persimmon cv. Rendeu using NIR spectroscopy”.