Pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) secara non-destruktif dengan metode Near Infrared (NIR)

PENDUGAAN KOMPOSISI KIMIA BIJI NYAMPLUNG

(

Calophyllum inophyllum L.

) SECARA NON-DESTRUKTIF

DENGAN METODE

NEAR INFRARED

(NIR)

SKRIPSI

SALSABIL THALIB

F14070115

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

*author **co author

Prediction of Chemical Compositions of Calophyllum inophyllum L.

Seeds by Near Infrared (NIR) Method

Salsabil Thalib* and I Wayan Budiastra**

Department of Mechanical and Biosystem Engineering, Faculty of Agricultural Technology Bogor Agricultural University, IPB Dramaga Campus, PO BOX 220, Bogor, West Java, Indonesia

Phone +6287 888 682 800, e-mail: sabil_thalib@yahoo.com

ABSTRACT

The objective of this study was to apply NIR method to predict chemical composition of Calophyllum inophyllum L. seeds accurately (moisture, fat, acid number, free fatty acid contents). The reflectance of seeds at the wavelength ranges from 1000 to 2500 nm (4000-10000 cm-1 at intervals of 4 cm-1) were measured by NIRFlex Solids Petri Apparatus. Calibration method which used in this study are principal component regression (PCR) and partial least squares (PLS). Data treatment on the reflectance and absorbance spectrum are used that is: smooth average 3 points, second derivative Savitzky-Golay 9 points, normalization 0-1, combination both of smooth average 3 points and second derivative Savitzky-Golay 9 points, and combination of all data treatment. A number of 70 Calophyllum inophyllum L. seeds were used as samples. Samples were divided into two parts: ± 45 samples (2/3 of total samples) for developing calibration equation and ± 25 samples (1/3 of total samples) for performing validation. NIR data analysis shows that PLS method with NIR reflectance data and the combination both of smooth average 3 points and second derivative Savitzky-Golay 9 points is the best method of calibration and data treatment to predicting moisture contents of Calophyllum inophyllum L. seeds was also prediction with standard error of prediction (SEP) of 0.45% and coefficient of variability (CV) of 0.81%. Prediction of fat contents of Calophyllum inophyllum L. seeds best obtained with the PLS method, the reflectance data, and the combination both of smooth average 3 points and second derivative Savitzky-Golay 9 points was also prediction with standard error of prediction (SEP) of 0.37% and coefficient of variability (CV) of 0.62%. Prediction of acid number contents of Calophyllum inophyllum L. seeds best obtained with the PLS method, the absorbance data, and the second derivative Savitzky-Golay 9 points data treatment was also prediction with standard error of prediction (SEP) of 0.04% and coefficient of variability (CV) of 0.09%. And prediction of free fatty acid contents of Calophyllum inophyllum L. seeds best obtained with the PLS method, the reflectance data, and the combination was all data treatments was also prediction with standard error of prediction (SEP) of 0.04% and coefficient of variability (CV) of 0.18%.

Keywords : NIR, PCR, PLS, Calophyllum inophyllum L. seeds, moisture, fat, acid number, free fatty acid contents.

SALSABIL THALIB. F14070115. PENDUGAAN KOMPOSISI KIMIA BIJI NYAMPLUNG (Calophyllum inophyllum L.) SECARA NON-DESTRUKTIF DENGAN METODE NEAR INFRARED (NIR). Dibawah bimbingan I Wayan Budiastra. 2011.

RINGKASAN

Bahan bakar minyak (dari bahan bakar fosil) merupakan sumber energi yang dikonsumsi paling besar dibandingkan sumber energi lain. Oleh karena itu, krisis bahan bakar fosil yang dialami dunia saat ini memberikan dampak yang cukup besar di berbagai negara, terutama Indonesia. Peningkatan laju konsumsi BBM yang tidak sejalan dengan produksi minyak bumi di dalam negeri yang semakin menurun, sehingga perlu diambil langkah-langkah untuk mendapatkan sumber energi alternatif sebagai pensubstitusi bahan bakar fosil. Indonesia mempunyai sumber energi terbarukan yang melimpah, tetapi belum dimanfaatkan secara optimal dibandingkan dengan penggunaan bahan bakar fosil. Salah satu sumber energi terbarukan yaitu minyak nabati dari biji nyamplung yang dapat diolah menjadi biodiesel.

Pada umumnya untuk mengetahui komposisi kimia bahan dilakukan dengan cara analisis kimiawi laboratorium dengan metode konvensional, namun hal tersebut cukup rumit, memerlukan waktu analisis yang cukup lama, mahal, dan membutuhkan tenaga ahli intensif disamping membutuhkan ruangan yang luas sebagai laboratorium. Kendala dalam metode konvensional tersebut dapat diatasi dengan metode near infrared (NIR) yang bersifat non-destruktif dan akurat. Metode NIR dapat menganalisis komposisi kimia dari bahan pangan, produk hortikultura, dan pakan ternak dalam waktu yang cepat, teliti, lebih sederhana, tidak membutuhkan bahan-bahan kimia, dan ekonomis. Tujuan umum dari penelitian ini adalah untuk menduga komposisi kimia (kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas) biji nyamplung dengan metode NIR.

NIR merupakan bagian dari spektrum gelombang elektromagnetik dengan panjang gelombang antara 700 – 2500 nm (Dryden, 2003). Selain itu, daerah infra merah dekat memiliki energi yang relatif rendah dan stabil dalam interaksi terhadap molekul-molekul (CH, OH, CN, dan NH) hanya akan menimbulkan getaran (vibrasi) ikatan inter-atomic (Osborne et al., 1993). Radiasi NIR yang dipantulkan dari biji nyamplung dapat digunakan untuk menduga komposisi kimia seperti kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas dan data yang diperoleh dimasukkan dalam metode kalibrasi. Hasil pengukuran NIR ini menghasilkan data reflektan (R) dan data absorban (log (1/R)).

Bahan yang digunakan dalam penelitian ini adalah biji nyamplung (Calophyllum inophyllum L.) yang diperoleh dari Koperasi Jarak Lestari, Cilacap, Jawa Tengah. Biji nyamplung yang diperoleh berupa buah nyamplung matang pohon dengan karakteristik buah berwarna kuning kecoklatan yang sudah dikeringkan sampai kadar air kurang lebih 10% kemudian diambil bijinya saja. Alat yang digunakan dalam penelitian ini antara lain NIRFlex Solids Petri TipeN-500 Merk BUCHI dan seperangkat komputer yang telah diinstal dengan software bawaan, seperti: NIRWare Operator, NIRWare Management Console, dan NIRCal 5. Pengukuran kadar air biji nyamplung referensi dilakukan uji kimiawi dengan metode thermogravitimetri berdasarkan SNI 01-3751-2006. Pengukuran kadar lemak, bilangan asam, dan kadar asam lemak bebas biji nyamplung referensi dilakukan berdasarkan AOAC 1995.

Jumlah sampel penelitian ini adalah 70 sampel biji nyamplung. Sebanyak 2/3 dari jumlah sampel digunakan untuk tahap kalibrasi. Sedangkan tahap validasi menggunakan 1/3 dari jumlah sampel. Metode kalibrasi yang digunakan adalah principal component regression (PCR) dan

partial least squares (PLS). Perlakuan data (data treatment) pada kurva spektrum reflektan dan absorban NIR pendugaan komposisi kimia biji nyamplung, antara lain: penghalusan rataan setiap

3 titik, derivatif kedua Savitzky-Golay setiap 9 titik, normalisasi data spektra kedalam rentang 0-1, kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzky-Golay setiap 9 titik, dan kombinasi dari ketiga perlakuan data tersebut.Kisaran panjang gelombang untuk pendugaan kadar air, kadar lemak, bilangan asam, dan kadar asam lemak bebas biji nyamplung antara 1000 – 2500 nm (4000 – 10000 cm-1

dengan interval 4 cm-1).

Pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) untuk kadar air terlihat pada puncak spektra dengan panjang gelombang 1450 nm (6895 cm-1) dan 1940 nm (5154 cm-1). Kadar lemak dan bilangan asam pada kisaran panjang gelombang 1634 – 1766 nm (6120 – 5662 cm-1) dan 2250 – 2350 nm (4444 – 4255 cm-1). Dan kandungan FFA dapat terlihat pada kisaran panjang gelombang 2200 – 2300 nm (4545 – 4348 cm-1

).

Metode kalibrasi dan perlakuan data dapat dikatakan terbaik apabila diperoleh nilai standar error (SEP) dan koefisien keragaman (CV) pada tahap validasi lebih rendah daripada tahap kalibrasi dan juga berada dibawah selang ideal yang diijinkan. Hasil analisis data NIR menunjukkan metode PLS dengan data reflektan dan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzky-Golay setiap 9 titik merupakan metode kalibrasi terbaik untuk pendugaan kadar air biji nyamplung dengan nilai standar error validasi (SEP) sebesar 0.45% dan koefisien keragaman (CV) sebesar 0.81%. Pendugaan kadar lemak biji nyamplung metode kalibrasi yang terbaik adalah dengan metode PLS, data reflektan, dan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik dengan derivatif kedua Savitzky-Golay setiap 9 titik dengan nilai standar error validasi (SEP) sebesar 0.37% dan koefisien keragaman (CV) sebesar 0.62%.

Pendugaan bilangan asam biji nyamplung metode kalibrasi yang terbaik adalah dengan metode PLS, data absorban, dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik dengan nilai standar error validasi (SEP) sebesar 0.04% dan koefisien keragaman (CV) sebesar 0.09%. Dan untuk pendugaan kadar asam lemak bebas biji nyamplung metode kalibrasi yang terbaik adalah metode PLS, data reflektan, dan perlakuan data kombinasi dari ketiga perlakuan data dengan nilai standar error validasi (SEP) sebesar 0.04% dan koefisien keragaman (CV) sebesar 0.18%.

Agar nilai duga yang dihasilkan lebih menggambarkan nilai parameter mutu yang sesungguhnya, maka sebaiknya dilakukan penelitian lebih lanjut dengan memperhitungkan nilai error yang terjadi selama proses analisis laboratorium secara destruktif.

Kata kunci: NIR, biji nyamplung (Calophyllum inophyllum L.), kadar air, kadar lemak, bilangan asam, kadar asam lemak bebas, PCR, PLS, reflektan, dan absorban.

PENDUGAAN KOMPOSISI KIMIA BIJI NYAMPLUNG

(

Calophyllum inophyllum L.

) SECARA NON-DESTRUKTIF

DENGAN METODE

NEAR INFRARED

(NIR)

SKRIPSI

sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Mayor Teknik Pertanian

Departemen Teknik Mesin dan Biosistem

Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh

SALSABIL THALIB

F14070115

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

Judul Skripsi : Pendugaan Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) secara Non-Destruktif dengan Metode Near Infrared (NIR)

Nama : Salsabil Thalib NIM : F14070115

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

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena berkat bimbingan dan penyertaan-Nya jualah sehingga skripsi ini berhasil diselesaikan. Judul skripsi yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2011 ini adalah “Pendugaan Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) secara Non-Destruktif dengan Metode Near Infrared (NIR)”. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian (S.TP) pada Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor.

Skripsi ini merupakan suatu penelitian menggunakan metode near infrared (NIR) dalam menduga komposisi kimia pada biji nyamplung (Calophyllum inophyllum L.) dengan metode kalibrasi multivariatif. Topik penelitian ini dipilih karena saat ini banyak diperlukan metode-metode pendugaan komposisi kimia secara non-destruktif dengan tingkat kecepatan, keakuratan, dan konsistensi yang tinggi, serta didasarkan bahwa di Indonesia saat ini masih banyak menggunakan metode-metode pendugaan komposisi kimia secara destruktif (metode konvensional) dalam menentukan komposisi kimia biji nyamplung.

Pada kesempatan ini penulis mengucapkan terima kasih kepada :

1. Bapak Dr. Ir. I Wayan Budiastra, M.Agr. selaku dosen pembimbing yang telah membimbing dan memberikan saran, kritik, arahan, serta perhatian kepada penulis mulai dari penyusunan proposal usulan penelitian, pelaksanaan penelitian hingga penulisan skripsi.

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

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

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

5. Ayahanda Ali Thalib, Ibunda Lutfiah Abbad, serta adik-adikku tercinta Mujahid Thalib, Saleh Thalib, dan Haura Thalib, atas segala doa, motivasi, dan kasih sayangnya sehingga penulis dapat menyelesaikan skripsi ini.

6. Teman-teman Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem angkatan 2007 (TEP 44), khususnya : Syahid dan Nikita yang telah membantu dan memberikan saran kepada penulis selama penelitian dan penulisan skripsi.

Penulis menyadari dalam penulisan skripsi ini masih terdapat kekurangan dan masih jauh dari kesempurnaan, dikarenakan keterbatasan kemampuan dan pengetahuan penulis. Oleh karena itu, penulis sangat mengharapkan saran dan kritik yang bersifat membangun dari semua pihak untuk penyempurnaan dan perbaikan skripsi ini.

Penulis berharap skripsi ini dapat bermanfaat bagi kita semua.

Bogor, Agustus 2011

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Pendugaan Komposisi Kimia Biji Nyamplung (Calophyllum inophyllum L.) 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, Agustus 2011 Yang membuat pernyataan

Salsabil Thalib F14070115

© Hak cipta milik Salsabil Thalib, tahun 2011 Hak cipta dilindungi

Dilarang mengutip dan memperbanyak tanpa izin tertulis dari

Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan sebagainya

BIODATA PENULIS

Penulis dilahirkan di Bogor pada tanggal 14 Maret 1989 merupakan putra pertama dari empat bersaudara, dari Ayah Ali Thalib dan Ibu Lutfiah Abbad. Penulis menyelesaikan pendidikan dasar di SDN Empang 1 Bogor pada tahun 2001, pendidikan menengah pertama di SLTPN 7 Bogor pada tahun 2004, dan juga pendidikan menengah atas di SMAN 4 Bogor pada tahun 2007. Pada tahun 2007 penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima di Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem.

Selama mengikuti perkuliahan, penulis aktif dalam organisasi kemahasiswaan, diantaranya menjadi anggota Himpunan Mahasiswa Teknik Pertanian (HIMATETA) Staff TeCo dan anggota Paduan Suara Agriaswara ketua divisi kesejahteraan konser pelantikan tahun 2008. Penulis juga memiliki beberapa prestasi selama masa perkuliahan, antara lain: memperoleh beasiswa dari DIKTI (2009-2011) serta menjadi mahasiswa berprestasi dengan peningkatan IPK tertinggi Mayor Teknik Pertanian, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian IPB Tahun Ajaran 2009-2010. Selain mengikuti perkuliahan dan aktif dalam organisasi, penulis menjadi asisten praktikum M.K. Praktikum Terpadu Mekanika dan Bahan Teknik (T.A. 2009/2010).

Pada bulan Juni sampai Agustus 2010, penulis telah melaksanakan praktek lapangan atau program magang (Internship) di PT. Nestle Indonesia, Pabrik Cikupa dengan judul “Mempelajari

Aspek Keteknikan Pertanian pada Proses Produksi Permen Fox’s di PT. Nestle Indonesia, Pabrik Cikupa”.

DAFTAR ISI

Halaman

KATA PENGANTAR ... i

DAFTAR ISI ... iv

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... viii

DAFTAR LAMPIRAN ... xi

I. PENDAHULUAN ... 1

A. LATAR BELAKANG ... 1

B. TUJUAN ... 3

C. MANFAAT PENELITIAN ... 3

II. TINJAUAN PUSTAKA ... 4

A. METODE NEAR INFRARED (NIR)... 4

1. Tanaman Nyamplung (Calophyllum inophyllum L.) ... 4

2. Minyak Nyamplung ... 7

3. Teori Metode Near Infrared (NIR) ... 8

4. Aplikasi Metode Near Infrared (NIR) ... 9

B. KALIBRASI DAN VALIDASI ... 11

C. METODE KALIBRASI MULTIVARIATIF ... 12

1. Metode Principal Component Regression (PCR) ... 13

2. Metode Partial Least Squares (PLS) ... 13

III. METODOLOGI PENELITIAN ... 15

A. TEMPAT DAN WAKTU ... 15

B. BAHAN DAN ALAT ... 15

C. METODE PENELITIAN ... 15

1. Persiapan Sampel Penelitian ... 15

2. Persiapan Instrumen NIR ... 16

3. Pengukuran Reflektan Spektrum NIR ... 17

4. Pengukuran Absorban Spektrum NIR ... 19

5. Pengukuran Komposisi Kimia Biji Nyamplung Secara Destruktif ... 19

a. Penentuan Kadar Air (SNI 01-3751-2006) ... 19

b. Penentuan Bilangan Asam dan Asam Lemak Bebas (AOAC 1995) .. 19

c. Penentuan Kadar Lemak (AOAC 1995) ... 20

4. Analisis Data Penelitian ... 20

a. Kalibrasi ... 21

b. Validasi... 22

c. Data Treatment ... 23

IV. HASIL DAN PEMBAHASAN ... 24

A. REFLEKTAN NIR BIJI NYAMPLUNG (Calophyllum inophyllum L.) ... 24

B. ABSORBAN NIR BIJI NYAMPLUNG (Calophyllum inophyllum L.) ... 27

C. ANALISIS DATA KIMIAWI LABORATORIUM DENGAN METODE KONVENSIONAL PADA KOMPOSISI KIMIABIJI NYAMPLUNG (Calophyllum inophyllum L.) ... 31

D. ANALISIS DATA NEAR INFRARED BIJI NYAMPLUNG (Calophyllum inophyllum L.) ... 32

1. Metode Principal Component Regression (PCR) ... 33

a. Data Reflektan Biji Nyamplung ... 34

b. Data Absorban Biji Nyamplung ... 41

2. Metode Partial Least Squares (PLS) ... 47

a. Data Reflektan Biji Nyamplung ... 48

b. Data Absorban Biji Nyamplung ... 55

V. KESIMPULAN DAN SARAN ... 67

A. KESIMPULAN... 67

B. SARAN ... 67

DAFTAR PUSTAKA ... 68

DAFTAR TABEL

Halaman

Tabel 1. Konsumsi minyak solar sektor transportasi tahun 1995-2010 ... 1 Tabel 2. Sifat fisiko kimia biodiesel nyamplung dibandingkan dengan standar SNI

04-7182-2006 ... 6 Tabel 3. Sifat fisiko kimia tempurung biji nyamplung ... 7 Tabel 4. Komposisi asam lemak minyak nyamplung ... 8 Tabel 5. Data statistik 70 sampel biji nyamplung hasil analisis kimiawi

laboratorium ... 31 Tabel 6. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air

berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) ... 34 Tabel 7. Hasil Analisis data tahap kalibrasi dan validasi pendugaan kadar lemak

berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR) ... 36 Tabel 8. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam

berdasarkan reflektan dengan berbagai perlakuan data pada metode principal component regression (PCR)... 38 Tabel 9. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak

bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode

principal component regression (PCR) ... 39 Tabel 10. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air

berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) ... 41 Tabel 11. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak

berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) ... 43 Tabel 12. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam

berdasarkan absorban dengan berbagai perlakuan data pada metode principal component regression (PCR) ... 45 Tabel 13. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak

bebas berdasarkan absorban dengan berbagai perlakuan data pada metode

principal component regression (PCR) ... 46 Tabel 14. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air

berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) ... 49 Tabel 15. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak

berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) ... 50 Tabel 16. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam

berdasarkan reflektan dengan berbagai perlakuan data pada metode partial least squares (PLS) ... 52 Tabel 17. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak

bebas berdasarkan reflektan dengan berbagai perlakuan data pada metode

Tabel 18. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar air berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) ... 56 Tabel 19. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar lemak

berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) ... 57 Tabel 20. Hasil analisis data tahap kalibrasi dan validasi pendugaan bilangan asam

berdasarkan absorban dengan berbagai perlakuan data pada metode partial least squares (PLS) ... 59 Tabel 21. Hasil analisis data tahap kalibrasi dan validasi pendugaan kadar asam lemak

bebas berdasarkan absorban dengan berbagai perlakuan data pada metode

partial least squares (PLS) ... 61 Tabel 22. Perbandingan hasil kalibrasi dan validasi kadar air dengan perlakuan

data terbaik pada data reflektan dan absorban menggunakan metode

PCR dan PLS ... 62 Tabel 23. Perbandingan hasil kalibrasi dan validasi kadar lemak dengan

perlakuan data terbaik pada data reflektan dan absorban menggunakan

metode PCR dan PLS ... 62 Tabel 24. Perbandingan hasil kalibrasi dan validasi bilangan asam dengan

perlakuan data terbaik pada data reflektan dan absorban menggunakan

metode PCR dan PLS ... 63 Tabel 25. Perbandingan hasil kalibrasi dan validasi kadar asam lemak bebas dengan

perlakuan data terbaik pada data reflektan dan absorban menggunakan

DAFTAR GAMBAR

Halaman

Gambar 1. Pohon, kayu, bunga, buah, daun, dan biji nyamplung... 5

Gambar 2. Sampel biji nyamplung ... 16

Gambar 3. Bagian-bagian NIRFlex petri solid ... 16

Gambar 4. NIR SpectroscopySolids Petri ... 17

Gambar 5. Diagram alir pelaksanaan penelitian pendugaan komposisi kimia biji nyamplung dengan metode NIR ... 18

Gambar 6. Kurva spektrum reflektan (R) NIR pada 70 sampel biji nyamplung ... 24

Gambar 7. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) ... 25

Gambar 8. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (secondderivative Savitzky- Golay 9 points) ... 26

Gambar 9. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap9 titik (second derivative Savitzky-Golay 9 points)... 26

Gambar 10. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1 ... 27

Gambar 11. Kurva spektrum reflektan NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap9 titik (second derivative Savitzky-Golay 9 points), dannormalisasi 0-1 ... 27

Gambar 12. Kurva spektrum absorban (log (1/R)) NIR pada 70 sampel biji nyamplung ... 28

Gambar 13. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data penghalusan rataan setiap 3 titik (smooth average 3 points) ... 29

Gambar 14. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data derivatif kedua Savitzky-Golay setiap 9 titik (secondderivative Savitzky- Golay 9 points) ... 29

Gambar 15. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points) dan derivatif kedua Savitzky-Golay setiap9 titik (secondderivative Savitzky-Golay 9 points) ... 30

Gambar 16. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data normalisasi data spektra kedalam rentang 0-1 ... 30

Gambar 17. Kurva spektrum absorban NIR biji nyamplung dengan perlakuan data kombinasi antara penghalusan rataan setiap 3 titik (smooth average 3 points), derivatif kedua Savitzky-Golay setiap 9 titik (second derivative Savitzky-Golay 9 points), dan normalisasi 0-1 ... 31

Gambar 18. Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 47 sampel dan validasi 23 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data ... 35

Gambar 19. Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 48 sampel dan validasi 22 sampel dengan metode PCR dan kombinasi dari ketiga

perlakuan data ... 37 Gambar 20. Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan

bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan perlakuan

data normalisasi data spektra kedalam rentang 0-1 ... 38 Gambar 21. Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR

dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR

dan kombinasi dari ketiga perlakuan data ... 40 Gambar 22. Grafik perbandingan kadar air dugaan data absorban NIR dengan

kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR

dan perlakuan data normalisasi data spektra kedalam rentang 0-1 ... 42 Gambar 23. Grafik perbandingan kadar lemak dugaan data absorban NIR dengan kadar

lemak referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PCR dan perlakuan data derivatif kedua Savitzsky-Golay setiap 9 titik ... 44 Gambar 24. Grafik perbandingan bilangan asam dugaan data absorban NIR dengan

bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR dan kombinasi dari ketiga perlakuan data ... 45 Gambar 25. Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR

dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PCR

dan perlakuan data penghalusan rataan setiap 3 titik ... 47 Gambar 26. Grafik perbandingan kadar air dugaan data reflektan NIR dengan kadar

air referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PLS dan perlakuan data penghalusan rataan setiap 3 titik dengan derivatif kedua

Savitzsky-Golay setiap 9 titik ... 49 Gambar 27. Grafik perbandingan kadar lemak dugaan data reflektan NIR dengan

kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan kombinasi

dari ketiga perlakuan data ... 51 Gambar 28. Grafik perbandingan bilangan asam dugaan data reflektan NIR dengan

bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan perlakuan

data derivatif kedua Savitzsky-Golay setiap 9 titik ... 53 Gambar 29. Grafik perbandingan kadar asam lemak bebas dugaan data reflektan NIR

dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode PLS dan kombinasi dari ketiga perlakuan data ... 54

Gambar 30. Grafik perbandingan kadar air dugaan data absorban NIR dengan kadar air referensi hasil analisis laboratorium pada tahap kalibrasi 47 sampel dan validasi 23 sampel dengan metode PLS dan perlakuan data

normalisasi data spektra kedalam rentang 0-1 ... 56 Gambar 31. Grafik perbandingan kadar lemak dugaan data absorban NIR dengan

kadar lemak referensi hasil analisis laboratorium pada tahap kalibrasi 43 sampel dan validasi 27 sampel dengan metode PLS dan kombinasi perlakuan data penghalusan rataan setiap 3 titik dan derivatif kedua

Savitzsky-Golay setiap 9 titik ... 58 Gambar 32. Grafik perbandingan bilangan asam dugaan data absorban NIR dengan

bilangan asam referensi hasil analisis laboratorium pada tahap kalibrasi 46 sampel dan validasi 24 sampel dengan metode PLS dan perlakuan

data derivativf kedua Savitzsky-Golay setiap 9 titik ... 60 Gambar 33. Grafik perbandingan kadar asam lemak bebas dugaan data absorban NIR

dengan kadar asam lemak bebas referensi hasil analisis laboratorium pada tahap kalibrasi 45 sampel dan validasi 25 sampel dengan metode

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Data hasil kimia analisis laboratorium biji nyamplung ... 72 Lampiran 2. Contoh output program NIRCal 5 (Software bawaan dari NIRFlex Tipe

N-500 Merk BUCHI) pada pendugaan kadar lemak biji nyamplung

dengan data reflektan dengan metode partial least square (PLS)... 74 Lampiran 3. Tampilan Software NIRFlex N-500 Merk BUCHI ... 81 Lampiran 4. Algoritma penghalusan rataan setiap 3 titik (Hanke and Wichern, 2005)….82 Lampiran 5. Algoritma derivatif kedua Savitzky-Golay setiap 9 titik (Hanke and

1

I.

PENDAHULUAN

A.

Latar Belakang

Bahan bakar minyak (dari bahan bakar fosil) merupakan sumber energi yang dikonsumsi paling besar dibandingkan sumber energi lain. Oleh karena itu, krisis bahan bakar fosil yang dialami dunia saat ini memberikan dampak yang cukup besar di berbagai negara, terutama Indonesia. Secara nasional, konsumsi bahan bakar minyak (BBM) mengalami peningkatan. Selama tahun 2004 mencapai 26.9 milyar liter, tahun 2010 diperkirakan mencapai 34.7 milyar liter (Soerawidjaja et al., 2005). Data konsumsi minyak solar di Indonesia disajikan pada Tabel 1.

Tabel 1. Konsumsi minyak solar sektor transportasi tahun 1995-2010

Tahun Transportasi (milyar liter) Total (milyar liter) Porsi (%)

1995 6.91 15.84 43.62

2000 9.69 21.39 45.29

2005 13.12 27.05 48.5

2010 18.14 34.71 52.27

Sumber: Soerawidjaja et al., (2005)

Peningkatan laju konsumsi BBM tidak sejalan dengan produksi minyak bumi di dalam negeri yang semakin menurun, sehingga perlu diambil langkah-langkah untuk mendapatkan sumber energi alternatif. Indonesia mempunyai sumber energi terbarukan yang melimpah, tetapi belum dimanfaatkan secara optimal dibandingkan dengan penggunaan bahan bakar fosil. Kontribusi energi terbarukan terhadap total penggunaan energi masih dibawah 1% (Sumiarso, 2001). Kebijakan-kebijakan pemerintah dalam bentuk Instruksi Presiden no. 10 tahun 2005 mengenai penghematan penggunaan energi, Instruksi Presiden no. 1 tahun 2006 mengenai penyediaan dan pemanfaatan bahan bakar nabati (biofuel) serta Peraturan Presiden no. 5 tahun 2006 mengenai kebijakan energi nasional, menyatakan tahun 2025 ditargetkan untuk mengoptimalkan bahan bakar nabati mencapai 5% (Perpres, 2006).

Minyak tumbuhan (nabati) sebagai sumber energi alternatif dapat diolah menjadi biodiesel. Biodiesel merupakan senyawa metil ester hasil reaksi transesterifikasi trigliserida yang berasal dari minyak nabati atau lemak hewan. Kelebihan biodiesel sebagai bahan bakar alternatif pengganti solar diantaranya angka setana tinggi, ramah lingkungan karena mengandung sedikit gas SOx, daya lumas yang baik, emisi gas buang sedikit, dan karakter pembakaran yang relatif bersih. Pengolahan biodiesel dari bahan baku terbarukan (renewable) telah banyak dilakukan di berbagai negara diantaranya negara-negara Eropa menggunakan rapeseed, Amerika Serikat menggunakan kedelai dan minyak kelapa (coconut oil), Filipina dan Malaysia menggunakan CPO (Crude Palm Oil). Sedangkan Indonesia menggunakan CPO dan minyak jarak (Jatropha) (Mittelbach, 2001).

Tanaman nyamplung (Calophyllum inophyllum L.) merupakan salah satu bahan baku alternatif biodiesel yang mempunyai potensi cukup besar. Kandungan minyak relatif tinggi yaitu antara 40-73%, dibandingkan sawit 46-54%, jarak pagar 40-60%, saga hutan 14-28%, kesumba 30-40%, dan kelor 39-40%. Satu liter minyak nyamplung dapat dihasilkan dari 2.5 kg biji, sedangkan jarak membutuhkan 4 kg untuk menghasilkan satu liter minyak (Murniasih, 2009).

Kualitas minyak yang dihasilkan dari biji nyamplung ditentukan oleh sifat fisik dan kimia. Sifat fisik minyak dari biji nyamplung adalah berwarna coklat kehijauan, kental, dan

2

beraroma menyengat seperti karamel. Sedangkan sifat kimia yang menentukan kualitas minyak biji nyamplung adalah kadar air, kadar abu, kadar ekstraktif, kadar holoselulosa, kadar alpha selulosa, kadar pentosan, dan kadar lignin (Wibowo, 2010). Keuntungan dari minyak nabati biji nyamplung diantaranya ramah lingkungan; tidak mencemari air, udara, maupun tanah karena mudah terurai secara biologi; dan bahan bakunya dapat diperbaharui.

Metode-metode konvensional untuk menentukan komposisi kimia, seperti kadar air, kadar abu, bilangan asam dan asam lemak bebas, dan kadar lemak pada bahan pertanian seperti biji nyamplung membutuhkan biaya yang mahal, tenaga laboratorium yang ahli, dan waktu yang cukup lama untuk menganalisis. Penentuan kadar air menggunakan metode thermogravitimetri

yang berdasarkan SNI 01-3751-2006, membutuhkan proses pengeringan dalam oven pada suhu 130oC selama 1 – 2 jam (DSN, 2006). Penentuan bilangan asam dan asam lemak bebas, dan kadar lemak berdasarkan AOAC 1995. Pada saat ini sejumlah metode atau teknologi instrumentasi telah dikembangkan untuk menentukan komposisi kimia suatu bahan dengan proses cepat, tepat, akurat, dan tidak merusak. Salah satu metode tersebut adalah pengukuran dengan near infrared

(NIR) yang ditembakkan ke bahan. Metode NIR dapat menganalisis dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana tidak menggunakan bahan kimia, dapat menganalisis contoh dengan tidak merusak (non-destruktif), dapat melakukan analisa sampel hingga kedalaman 2-5 milimeter, dapat mendeteksi berbagai komponen dengan satu data spektra, dan tidak memerlukan banyak perlakuan terhadap sampel.

Metode NIR pertama diawali oleh Norris dan Hart (1962) yang mengukur kadar air yang terkandung pada biji-bijian dan bibit tanaman dengan menggunakan transmittance spectroscopy. Rochimawati (2004) telah mengaplikasikan metode NIR untuk menduga mutu tepung jagung secara cepat dan stimulan. Parameter pendugaan mutu tepung jagung tersebut yaitu kadar air, karbohidrat, protein, dan lemak. Hubungan antara data reflektan dan absorban NIR dengan kadar air, karbohidrat, protein, dan lemak pada penelitian tersebut dipelajari dengan metode kalibrasi menggunakan stepwise multiple linear regression (SMLR). Persamaan regresi tahap kalibrasi tersebut digunakan untuk menduga kadar air, karbohidrat, protein, dan lemak tepung jagung.

Metode kalibrasi yang sama juga telah diterapkan untuk pendugaan kandungan energi bruto tepung ikan untuk bahan pakan ternak (Quddus, 2006). Dengan menggunakan regresi kalibrasi dengan metode SMLR untuk melakukan pendugaan maka menghasilkan spektrum NIR yang mengandung data dalam jumlah besar, dimana hanya beberapa bagian saja yang akan digunakan dalam pembuatan persamaan regresi sehingga terdapat kemungkinan sebagian data yang penting tidak masuk dalam persamaan tersebut.

Metode kalibrasi yang lainnya yang dapat mengekstrak informasi kimia dari data yang dihasilkan dan memperkirakan serangkaian variabel tidak bebas dari variabel bebas yang jumlahnya sangat banyak, namun tidak membuang dan mengurangi data informasi yang berukuran besar dan berguna yang diperoleh dari instrumen pada suatu percobaan adalah metode kalibrasi multivariatif.

Metode kalibrasi multivariatif yang akan digunakan yaitu principal component regression

(PCR) dan partial least squares (PLS). Efektivitas metode kalibrasi tersebut telah diteliti oleh Lammertyn et al., (1998) untuk menduga sifat-sifat fisik apel, serta Schmilovitch et al., (2000) yang membandingkan tiga metode kalibrasi yaitu PCR, PLS, dan SMLR serta menduga parameter periode penyimpanan, ketegaran (kekerasan), kandungan gula, dan keasaman buah. Pada penelitian tersebut terbukti bahwa metode PCR dan PLS dapat menghasilkan model regresi kalibrasi yang baik daripada metode SMLR.

3

Informasi tentang penerapan metode near infrared (NIR) untuk menduga komposisi kimia (kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak) biji nyamplung dengan menggunakan metode kalibrasi multivariatif yaitu principal component regression (PCR) dan

partial least squares (PLS) belum ada.

B.

Tujuan Penelitian

Tujuan umum penelitian ini adalah menduga komposisi kimia (kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak) biji nyamplung secara non-destruktif dengan metode

near infrared (NIR). Sedangkan tujuan khusus dalam penelitian ini adalah sebagai berikut : 1) Mengkaji spektrum reflektan dan absorban biji nyamplung dalam hubungannya dengan

sifat-sifat komposisi kimia biji nyamplung.

2) Menentukan perlakuan data (data treatment) yang terbaik untuk pendugaan komposisi kimia biji nyamplung.

3) Melakukan tahap kalibrasi dan validasi sifat reflektan, absorban, dan komposisi kimia biji nyamplung dengan metode kalibrasi multivariatif yaitu principal component regression

(PCR) dan partial least squares (PLS).

4) Menentukan metode kalibrasi yang terbaik untuk pendugaan komposisi kimia biji nyamplung.

C.

Manfaat Penelitian

Manfaat dari penelitian ini diharapkan dapat melakukan pendugaan komposisi kimia biji nyamplung secara cepat, tepat, ramah lingkungan, dan tidak merusak (non-destruktif) untuk mendukung pengembangan teknologi bahan bakar nabati sebagai pengganti maupun pensubstitusi bahan bakar fosil. Seiring dengan semakin hari persediannya semakin berkurang sedangkan kebutuhan akan sumber energi semakin hari semakin meningkat dengan peningkatan jumlah penduduk dan peradaban manusia.

4

II.

TINJAUAN PUSTAKA

A. Metode

Near Infrared

(NIR)

1. Tanaman Nyamplung (

Calophyllum inophyllum L.

)

Tanaman nyamplung dapat ditemukan di Madagaskar, Afrika Timur, Asia Selatan dan Tenggara, Kepulauan Pasifik, Hindia Barat, dan Amerika Selatan. Tumbuhan ini memiliki nama yang berbeda di setiap daerah, seperti bintangor di Malaysia, hitaullo di Maluku, nyamplung di Jawa, bintangur di Sumatera, poon di India, dan di Inggris dikenal dengan nama alexandrian laurel, tamanu, pannay tree, serta sweet scented calophyllum (Dweek dan Meadows, 2002 dalam Murniasih, 2009). Taksonomi tanaman nyamplung menurut Heyne (1987) adalah sebagai berikut :

Divisi : Spermatophyta Sub divisi : Angiospermae Kelas : Dicotyledone Bangsa : Guttiferales Suku : Guttiferae Marga : Calophyllum

Jenis : Calophyllum inophyllum L.

Nama umum : Nyamplung

Tanaman nyamplung mudah dibudidayakan, tumbuh baik pada ketinggian 0-800 meter dpl seperti di hutan, pengunungan dan rawa-rawa, curah hujan antara 1000-5000 mm per tahun, pH tanah 4.0-7.4, tumbuh pada tanah tandus, daerah pantai yang kering dan berpasir atau digenangi air laut. Tinggi tanaman dapat mencapai 30 meter dengan diameter 0.8 meter, daun mengkilap, batang berwarna abu-abu hingga putih, warna kayu bervariasi tergantung spesies. Tanaman nyamplung berbuah sepanjang tahun terutama pada bulan Februari-Maret dan Agustus-September di Indonesia dan di Hawaii April-Juni dan Oktober-Desember. Tanaman nyampung memiliki daya tahan yang tinggi terhadap lingkungan, ditemukan dalam jumlah populasi yang besar, dengan kisaran umur yang lama (1-50 tahun), dan memiliki biji yang banyak (Friday and Okano, 2006).

Luas areal tegakan tanaman nyamplung mencapai 255.35 ribu ha yang tersebar dari Sumatera sampai Papua (Balitbang Kehutanan, 2008). Daerah penyebaran nyamplung diantaranya adalah Sumatera Barat, Riau, Jambi, Sumatera Selatan, Lampung, Jawa, Kalimantan Barat, Kalimantan Tengah, Sulawesi, Maluku, dan NTT. Hutan nyamplung dikelola secara profesional oleh Perum Perhutani Unit I KPH Kedu Selatan Jawa Tengah dengan luas mencapai 196 ha. Nyamplung juga dikembangkan oleh masyarakat Cilacap khususnya di sekitar Kecamatan Patimuan dan daerah Gunung Selok Kecamatan Kroya/Adipala. Mereka memanfaatkan kayu nyamplung untuk pembuatan perahu nelayan. Sejak tahun 2007, Dinas Kehutanan Perkebunan Kabupaten Cilacap telah menanam 135 ha di lahan TNI Angkatan Darat sepanjang Pantai Laut Selatan, tahun 2008 direncanakan menanam seluas 300 ha.

5

Sumber: Pusat Penelitian dan Pengembangan Hasil Hutan (2008)

Gambar 1. Pohon, kayu, bunga, buah, daun, dan biji nyamplung.

Pohon nyamplung dimanfaatkan untuk menahan abrasi dan ancaman tsunami, kayunya yang kuat dan tahan air digunakan sebagai bahan baku pembuatan perahu, bahan konstruksi bangunan, serta minyaknya digunakan sebagai bahan penerangan. Getah daun nyamplung mengandung senyawa costatolide A yang efektif menekan pertumbuhan virus HIV (Murniasih, 2009). Buah nyamplung berwarna hijau, berbentuk bulat, kulit buah tipis dan akan mengelupas ketika mulai mengering. Inti biji yang mengandung minyak berbentuk bulat mancung berwarna kuning, dilindungi tempurung keras mirip tempurung kelapa. Biji nyamplung dapat digunakan sebagai obat kudis, penerangan, dan penumbuhan rambut (Heyne, 1987). Sifat fisiko kimia biodiesel biji nyamplung dibandingkan dengan SNI 04-7182-2006 disajikan pada Tabel 2.

6

Tabel 2. Sifat fisiko kimia biodiesel nyamplung dibandingkan dengan standar SNI 04- 7182-2006

Produksi biji nyamplung per tahun mencapai 20 ton/ha. Biji nyamplung mempunyai kandungan minyak tinggi yaitu 55% pada inti segar dan 70.5% pada inti biji kering (Heyne, 1987). Menurut Dweek dan Meadows (2002) yaitu 75%, serta menurut Soerawidjaja (2001) sekitar 40-73%.

Menurut Friday and Okano (2006), satu pohon nyamplung dapat menghasilkan 100 kg buah/tahun dan rendemen minyak sebanyak 5 kg. Jika jarak tanam 3 x 3.5 m2 setiap pohon menghasilkan 30 kg biji atau 5.1 kg minyak maka dalam 1 ha diprediksi menghasilkan 26 973 kg biji atau 4 585 kg minyak biji nyamplung. Sedangkan produktivitas tanaman jarak berkisar antara 3.5 - 4.5 kg biji/pohon/tahun. Produksi akan stabil setelah tanaman berumur lebih dari 1 tahun. Dengan tingkat populasi tanaman antara 2500 - 3300 pohon/ha, maka tingkat produktivitas antara 8 - 15 ton biji/ha. Jika rendemen minyak sebesar 35 % maka setiap ha lahan dapat diperoleh 2.5 - 4 ton minyak/ha/tahun. Kemudian dilihat dari segi ekonomisnya, harga biji nyamplung Rp 700/kg, sementara itu harga biji jarak antara Rp 3.000 - Rp 4.000/kg. Sehingga biji nyamplung sangat memiliki prospek yang sangat baik untuk dikembangkan sebagai bahan bakar nabati pensubstitusi bahan bakar fosil.

Tumbuhan nyamplung (Callophyllum inophyllum L.), di Bali dikenal dengan nama punga atau camplong digunakan oleh masyarakat sebagai obat tradisonal serta mempunyai potensi komersial (Forestry Department, 2007). Sebagai obat tradisional kulit batangnya

7

secara eksternal dapat digunakan untuk mengobati pembengkakan kelenjar sedangkan secara internal dapat digunakan untuk memperlancar buang air kecil (diuretic). Ekstrak daun digunakan sebagai pencuci radang mata dan di Kamboja ekstrak daun nyamplung digunakan dalam pernafasan untuk mengobati vertigo dan migrain. Getahnya yang beracun sering digunakan oleh orang Samoan untuk melumuri anak panah sebagai panah beracun serta dapat digunakan untuk mengobati pembengkakan dan penyakit tumor (Tempesta and Michael, 1993). Minyak biji yang bersifat racun (toksik) cukup kuat (Kriswiyanti dan Narayani, 2000) dapat digunakan untuk memulihkan rambut rontok (Veronika, 2003), sebagai antiparasit (Tempesta and Michael, 1993), dan dapat digunakan sebagai bahan bakar minyak lampu dengan kandungan minyak 70-73% berat biji kering (Anonimousa, 2006).

Bagian bunga tumbuhan ini berbau harum sehingga sering dipergunakan sebagai pengharum lemari pakaian. Di daerah Jawa Tengah bagian benang sari yang berwarna kuning dipergunakan sebagai jamu bagi wanita habis melahirkan. Bagian biji mengandung zat seperti damar yang beracun dan diketahui mengandung senyawa inofilum A-E, kalofiloid, asam kalofinat, dan polimer proantosianidin (Tempesta and Michael, 1993), golongan kumarin yaitu senyawa brasimarin A-C sebagai cancer chemopreventive agents (Chihiro et al., 2003), karotenoid, lakton, minyak atsiri, minyak/lemak, sitosterol, takahama, tanin, dan tokoferol. Daunnya diketahui mengandung saponin, dan triterpenoid (Kriswiyanti dan Narayani, 2000). Hasil uji toksisitas pendahuluan dari daging biji dan kulit biji nyamplung terhadap larva udang

Artemia salina L., menunjukkan bahwa bagian kulit biji lebih toksik (LC50 = 39.31 ppm) dibandingkan dengan bagian daging biji (LC50 = 154,8 ppm). Sifat fisiko kimia tempurung biji nyamplung disajikan pada Tabel 3.

Tabel 3. Sifat fisiko kimia tempurung biji nyamplung

Parameter Konsentrasi (%)

Kadar Air 9.97 Kadar Abu 0.61 Kadar Ekstraktif 2.59 Kadar Holoselulosa 87.64 Kadar Alphaselulosa 48.66 Kadar Pentosan 24.82 Kadar Lignin _36.69

Sumber: Wibowo (2009)

2. Minyak Nyamplung

Produksi minyak nyamplung secara sederhana dilakukan oleh petani di Kebumen untuk pelapisan genting, bahan bantu pembuatan batik, dan pelapis jenazah. Sedangkan di Jawa Barat, TNI AD memanfaatkan minyak nyamplung untuk bahan bakar kapal laut. Minyak nyamplung mempunyai kandungan asam lemak tidak jenuh yang cukup tinggi seperti asam oleat serta komponen-komponen tak tersabunkan diantaranya alkohol lemak, sterol, xanton, turunan kuomarin, kalofilat, isokalofilat, isoptalat, kapelierat, asam pseudobrasilat, dan penyusun triterpenoat sebanyak 0.5 – 2.0 % yang dapat dimanfaatkan sebagai obat. Menurut Debaut et al., (2005) asam lemak penyusun minyak nyamplung dapat dilihat pada Tabel 4.

8

Tabel 4. Komposisi asam lemak minyak nyamplung

Asam Lemak Komposisi (%)

Asam Palmitoleat (C16:1) 0.5 - 1.0 Asam Palmitat (C16) 15.0 – 17.0 Asam Oleat (C18:1) 30.0 – 50.0 Asam Linoleat (C18:1) 25.0 – 40.0 Asam Stearat (C18:0) 8.0 – 16.0 Asam Arachidat (C20) 0.5 – 1.0 Asam Gadoleat (C19:1) 0.5 – 1.0

Sumber: Debaut et al., (2005)

3. Teori Metode

Near Infrared

(NIR)

Metode infra merah dekat atau sering disebut dengan nama near infrared (NIR) merupakan salah satu teknik yang menggunakan wilayah panjang gelombang infra merah pada spektrum elektromagnetik antara 700 sampai 2500 nm (Dryden, 2003). Hal yang terpenting dari teori NIR reflektan dan absorban elektromagnetik ini adalah menganalisis komponen, deteksi kualitas, dan pemasakan (Mohsenin, 1984).

Kisaran panjang gelombang NIR telah lama dipelajari dan digunakan sebagai metode analitik. Cahaya tampak diterima oleh mata sesuai dengan besarnya pantulan, seperti halnya warna dihasilkan dari cahaya yang dipantulkan dari suatu objek. Setiap bahan memiliki spektrum gabungan pantulan NIR yang unik dan beragam yang dihasilkan dari efek penyebaran, penyerapan, dan pantulan cahaya oleh bahan.

Semua bahan organik terdiri dari atom, karbon, oksigen, hydrogen, nitrogen, phosphor, sulfur dengan sejumlah kecil elemen lain. Atom-atom ini berkombinasi melalui ikatan kovalen atau elektrokovalen membentuk molekul. Karena sifat ikatannya, gaya elektrostatik ada dalam atom dan molekul tersebut. Sehingga molekul bergerak secara konstan, ini dikenal sebagai keadaan stabil. Molekul bervibrasi pada frekuensi yang berkaitan dengan panjang gelombang dalam 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 elektron pada senyawa tetapi dapat menyebabkan senyawa organik mengalami rotasi dan getaran (vibrasi) ikatan inter-atomic (Osborne et al., 1993). Vibrasi stretching

adalah pergerakan atom yang teratur sepanjang ikatan antara dua atom sehingga jarak antara atom dapat bertambah atau berkurang. Sedangkan vibrasi bending adalah pergerakan atom yang menyebabkan perubahan sudut ikatan antar dua atau pergerakan dari sekelompok atom terhadap atom lainnya.

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 (Dryden, 2003).

9

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).

Dalam penyerapannya, metode NIR memiliki beberapa kelebihan, antara lain dapat menurunkan biaya tenaga kerja penganalisis komposisi, penggunaan preparat contoh yang sederhana, waktu pendugaan komposisi kimia yang singkat, analisis yang tidak merusak contoh (non-destructive), tidak menggunakan bahan-bahan kimia (analisis yang bebas limbah), dan dapat menganalisis komposisi dengan kecepatan dan ketepatan tinggi (Williams, 1987).

Keunggulan dari gelombang infra merah dekat menurut Osborne et al. (1993) dalam analisis bahan makanan adalah merupakan gabungan antara tingkat ketepatan, kecepatan, dan kemudahan dalam melakukan percobaan (prosedur tidak rumit).

4.

Aplikasi Metode

Near Infrared

(NIR)

Metode near infrared (NIR) telah banyak diperkenalkan dan digunakan di beberapa negara maju pada benua seperti Eropa, Amerika Utara, Asia, Australia, dan New Zealand baik dalam bidang industri maupun dalam bidang pertanian. Sedangkan di Indonesia sendiri, 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 kedelai, jagung, beras, daging, ikan, dan hortikultura metode NIR dapat digunakan untuk penentuan komposisi kimia seperti kadar air, lemak, asam, gula, protein, dan berbagai senyawa lainnya. Selain itu metode NIR digunakan dalam industri susu murni dan menentukan kandungan protein yang terdapat dalam tepung susu skim.

Berdasarkan sifat absorban dan reflektan dari energi radiasi yang dipancarkan, maka metode NIR dapat digunakan untuk menduga komposisi kimia suatu bahan. Aplikasi metode NIR dalam industri produk pangan dan pertanian telah banyak dilakukan. Diawali oleh Norris dan Hart (1962) yang menemukan bahwa kadar air yang terkandung pada biji-bijian dan bibit tanaman dapat diukur pada panjang gelombang sebesar 1940 nm. Pengaplikasian secara komersil metode NIR 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 suncald. Hasilnya menunjukkan bahwa indeks mutu tomat dapat berdasarkan pada nilai turunan pantulan dengan jangkauan panjang gelombang antara 590 – 710 nm, sehingga nilai ini dapat digunakan untuk memisahkan antara tomat yang baik dari jamur hitam, jamur abu-abu, dan suncald.

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 ke dalam 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 memiliki panjang gelombang optimal untuk menduga konsentrasi sukrosa dan asam malat. Panjang gelombang terpilih untuk memprediksi sukrosa dengan NIR adalah 1533 nm, 1605

10

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) dengan 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 varietas Rome Beauty adalah 930 nm, 940 nm, 950 nm, 960 nm, 1110 nm, dan 1390 nm. Disimpulkan juga bahwa kekerasan buah apel tidak terlalu berpengaruh terhadap pantulan spektrum yang dihasilkan, sehingga hasil pantulan spektrum yang diperoleh dari setiap apel dikatakan mempunyai sifat sama.

Victor (1996) dengan menggunakan sistem NIR melakukan pengelompokkan buah apel varietas Manalagi berdasarkan kememaran dengan panjang gelombang 900 – 2000 nm. Disimpulkan 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, pepaya, pear, dan pisang. Dari berbagai jus buah tersebut dikembangkan algoritma umum untuk 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 nilai korelasi yang lebih tinggi (0.91), standar error 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 ikan, tepung daging, 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 koefisien 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 dari data absorban. Data absorban dapat menduga kadar karbohidrat, lemak, dan air lebih baik dari data reflektan.

Kusumaningtyas (2004) melakukan pendugaan kadar air, karbohidrat, protein, lemak, dan amilosa pada beras (Oryza sativa L.) 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 dibandingkan data reflektan.

Marthaningtyas (2005) melakukan pendugaan total padatan terlarut dan kadar asam belimbing (Averrhoa carambola L.) dengan menggunakan metode NIR dan JST. Penggunaan

11

analisis komponen utama dalam mereduksi hasil data absorbansi dari spektrum infra merah dekat sangat efektif.

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

Quddus (2006) melakukan penentuan kandungan energi bruto 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 hasil 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) yang 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 dengan menggunakan persamaan regresi yang didapatkan melalui metode SMLR.

Susilowati (2007) pada panjang gelombang 900 – 1400 nm dapat menduga total padatan terlarut buah pepaya selama penyimpnanan dan pemeraman dengan metode NIR, tetapi panjang gelombang tersebut tidak dapat digunakan untuk mengukur kekerasan buah. Hubungan antara data absorban NIR dengan total padatan terlarut dan kekerasan pada penelitian tersebut dipelajari dengan kalibrasi menggunakan metode SMLR, PCR, dan PLS.

Kelebihan penggunaan metode NIR antara lain disebabkan banyak komposisi kimia dari bahan pangan dan pertanian yang menyerap (absorption) atau memantulkan (reflectance)

cahaya pada rentang panjang gelombang 0.7 – 3.0 µm. Komposisi kimia lainnya memiliki pola serapan yang khas berbeda satu dengan lainnya pada setiap panjang gelombang cahaya yang diberikan (Mohsenin, 1984).

Kendala metode NIR adalah biaya investasi alat yang tinggi. Metode ini masih tergolong metode sekunder, karena memerlukan tahapan kalibrasi terutama bagi sampel uji yang belum pernah menggunakan metode ini misalnya tepung ikan, bungkil inti sawit, dedak, tepung singkong, dan sebagainya. Metode NIR sangat membantu pekerjaan analisis yang bersifat rumit dan rutin, seperti kadar air, kadar abu, pH, kadar karbohidrat, kadar protein, kadar lemak, bilangan asam, dan kadar asam lemak bebas. Metode ini sangat sesuai karena tidak lagi banyak memerlukan tahapan kalibrasi.

B.

Kalibrasi dan Validasi

Osborne et al. (1993) menjelaskan bahwa instrumen NIR berguna dalam menentukan komposisi kimia dengan menggunakan nilai pantulan (R) dan absorban (log (1/R)). Menentukan spektrum pantulan dan absorban NIR maka nilai hasil analisis kimiawi laboratorium diperlukan. Untuk mengetahui hubungan antara spektrum-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 mendeteksi sama.

Dalam Kamus Besar Bahasa Indonesia (KBBI), kalibrasi adalah tanda-tanda menyatakan pembagian skala. Kalibrasi dalam teknik spektroskopi diperoleh dengan mengukur hubungan antara absorban dan reflektan dari panjang gelombang yang dihasilkan dari spectrometer dengan

12

konsentrasi larutan unsur yang akan dianalisis (Nur dan Adijuwana, 1989 dalam Rumahorbo, 2004).

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

Berbagai macam metode kalibrasi spektrum NIR telah tersedia tetapi dapat dibagi dalam dua kategori, yaitu metode kalibrasi untuk panjang gelombang terpilih atau sering disebut metode lokal dan metode yang melibatkan seluruh spektrum atau sering disebut metode global atau juga disebut dengan metode kalibrasi spektrum penuh (full spectrum calibration methods), seperti

principal component regression (PCR) dan partial least squares (PLS).

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

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 mempunyai fungsi yang berbeda-beda terhadap data spektrum. Pada penelitian ini perlakuan data yang akan diberikan adalah

smoothing, derivatif kedua Savitzky-Golay, kombinasi kedua perlakuan data tersebut, dan normalisasi.

Prosedur derivatif kedua yang paling umum digunakan yaitu prosedur Savitzky-Golay yang dikelaskan oleh Norris dan William (1990). Data spektrum sering diubah menjadi bentuk

smoothing dan derivatif, secara umum untuk memperbaiki bentuk dan model 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.

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

Normalisasi data spektra kedalam rentang 0-1 dimaksudkan untuk menghilangkan pengaruh perbedaan ukuran partikel sampel uji dan memperbesar rentang nilai reflektan. Perlakuan normalisasi diharapkan dapat mengurangi error yang terjadi selama pengambilan data spektra dan dapat memperjelas data spektra tersebut. Perlakuan normalisasi akan memperlebar nilai spektra serta memproporsionalkan nilai spektra dari dua nilai spektra dengan kandungan yang sama.

C.

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 squares (PLS).

13

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

Jonagold.

Metode kalibrasi multivariatif yang akan digunakan pada penelitian yang berjudul pendugaan komposisi kimia biji nyamplung (Calophyllum inophyllum L.) secara non-destruktif dengan metode near infrared (NIR) adalah principal component regression (PCR) dan partial least squares (PLS).

1.

Metode

Principal Component Regression

(PCR)

Metode principal component regression merupakan suatu metode kombinasi antara analisis regresi dan analisis komponen utama (Principal Component Analysis, PCA). Prinsip analisis komponen utama adalah mencari komponen utama yang merupakan kombinasi linear 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 kolinear 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 (1933). Pemikiran dasar metode analisis ini adalah mendeskripsikan variasi sebuah set data multivariatif dengan sebuah set data baru dimana variabel-variabel baru tidak berkolerasi satu sama lain. Variabel-variabel baru adalah kombinasi linear dari variabel asal. Variabel baru diturunkan dalam arah menurun sehingga beberapa komponen pertama mengandung sebanyak mungkin variasi data asal (Pearson, 1901 dalam Marthaningtyas, 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 yaitu PCR.

2.

Metode

Partial Least Squares

(PLS)

Metode regresi kuadrat terkecil parsial atau sering disebut partial least squares (PLS) pertama kali dikembangkan oleh Herman Wold (1982). Model partial least squares

didefinisikan dari dua persamaan linear yang disebut model struktural dan metode pengukuran (Wold, 1982 dalam Wulandari 2000).

Metode PLS digunakan untuk memperkirakan serangkaian variabel tidak bebas (respon) dari variabel 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 respon dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks (Lindblom, 2004 dalam Saragih, 2007).

14

Metode tersebut juga mempunyai keuntungan, yaitu dapat mengoptimalkan hubungan prediktif antara 2 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. Metode 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 yang 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.

15

III.

METODOLOGI PENELITIAN

A.

Tempat dan Waktu

Penelitian dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian IPB dan Laboratorium PAU IPB. Waktu penelitian dilaksanakan mulai bulan Maret 2011 sampai Mei 2011.

B.

Bahan dan Alat

Bahan yang akan digunakan adalah biji nyamplung. Dan bahan-bahan kimia yang akan digunakan untuk menganalisis komposisi kimia sampel biji nyamplung seperti pendugaan kadar air, bilangan asam dan asam lemak bebas, dan kadar lemak dengan analisis kimiawi (metode konvensional), antara lain aquades, larutan n-heksana, alkohol 95%, indikator phenoopthalein 1%, dan larutan NaOH 0.1 N.

Sedangkan alat yang akan digunakan meliputi instrumen NIRFlex Tipe N-500 Merk BUCHI yang digunakan untuk menganalisis pendugaan komposisi kimia dari biji nyamplung menggunakan NIR, komputer untuk mengolah data-data dan mengukur pendugaan komposisi kimia biji nyamplung dengan NIRFlex Solids Petri N-500 sehingga diperoleh data reflektan dan absorban baik dalam bentuk tabel maupun grafik. Software bawaan dari NIRFlex N-500 merk BUCHI yang akan digunakan dalam penelitian ini adalah NIRWare Operator, NIRWare Management Console, dan NIRCal 5. Kemudian penggunaan alat oven, tanur listrik, dan desikator, dimana digunakan dalam pengukuran kadar air biji nyamplung dengan cara pengeringan (metode thermogravitimetri) dan pengukuran bilangan asam, asam lemak bebas, dan kadar lemak berdasarkan AOAC 1995. Kemudian peralatan-peralatan lain yang akan digunakan selama penelitian, antara lain timbangan digital merk ae ADAM, cawan, cawan porselin, desikator, soklet apparatus (soklet, labu lemak 250 ml, hot plate, selang, dan kertas saring), FFA apparatus (buret, pipet, pengaduk, pinset, gelas ukur 100 ml, dan Erlenmeyer 350 ml), static stand, oven, thermometer, stopwatch, kantong plastik, dan mesin press kapasitas 10 ton.

C.

Metode Penelitian

Diagram alir pelaksanaan penelitian dapat dilihat pada Gambar 5. Metode yang digunakan dalam penelitian adalah sebagai berikut :

1. Persiapan Sampel Penelitian

Sampel yang akan digunakan dalam penelitian ini adalah biji nyamplung per sampel dengan berat 250 gram varietas lokal yang telah dipersiapkan dengan baik. Didapatkan dari Koperasi Jarak Lestari, Cilacap berupa buah nyamplung matang pohon dengan karakteristik buah berwarna kuning kecoklatan yang sudah dikeringkan sampai kadar air kurang lebih 10% kemudian diambil bijinya saja. Biji nyamplung per sampel dengan berat 250 gram disajikan pada Gambar 2.

78

Lanjutan

NYP_52 154 69.14 64.93 4.21224 0.0001 {F35FE515-AA31-4BAE-86AF-2443997B843A} NYP_52 155 69.14 63.21 5.92923 0.0003 {067A194E-F402-4C47-89A4-7AE2BDD4360E} NYP_52 156 69.14 64.37 4.7703 0.0002 {8CAE5211-186F-41E4-A2D3-535A56584BC8} NYP_53 157 55.57 59.04 -3.4694 0.0001 {8A5F8A6F-B230-4E55-8BAA-1C029593EA33} NYP_53 158 55.57 58.88 -3.3071 0.0002 {D3C65097-7DC5-4154-803D-167D9E6AE9C3} NYP_53 159 55.57 59.02 -3.4488 0.0002 {8A76EE40-DBA7-4EA0-A18A-FE0A4A3671B6} NYP_55 163 63.22 57.14 6.07736 0.0002 {E4E313FF-CCD9-42D2-803E-A0FD5E5E8B72} NYP_55 164 63.22 62.73 0.48888 0.0001 {8546CC26-2764-4C33-9C15-5A47D498933C} NYP_55 165 63.22 58.76 4.46378 0.0002 {66E2596A-99C3-42E4-B445-20CDF24AEDB3} NYP_56 166 50.79 60.17 -9.3782 0.0001 {E48E3FA6-47F0-4A7B-B49F-132DA15A05C8} NYP_56 167 50.79 57.3 -6.5085 0.0001 {E320BFF8-B0A2-4066-942F-EB7A9E71D9BC} NYP_56 168 50.79 59.64 -8.85 0.0001 {355203FC-7C37-45A9-B62D-CD2B8E7E8623} NYP_58 172 54.99 60.54 -5.546 0.0001 {FC4874D6-E02A-4E2A-A4B2-37F036CFF98A} NYP_58 173 54.99 62.64 -7.6521 0.0002 {F590F193-97A8-4DE1-BF39-C318F8A9CD79} NYP_58 174 54.99 59.7 -4.7073 0.0001 {CB848EEE-3D51-4C8B-8F2F-A84E75AFC4DE} NYP_59 175 61.87 61.52 0.34681 8.54E-05 {855386FF-6697-47D0-9B75-A19734DD8E85} NYP_59 176 61.87 58.74 3.13096 0.0002 {6DF06691-A12F-4967-935A-4F611472C68F} NYP_59 177 61.87 59.07 2.80125 0.0001 {DA5CD394-8C1D-4833-A80A-6271A138413A} NYP_61 181 57.12 59.19 -2.0715 0.0002 {A2015CC8-5B97-4C5C-A726-940FE73EA30E} NYP_61 182 57.12 59.97 -2.8494 0.0002 {3786FD6C-C0A1-4691-BD99-3CEA78337809} NYP_61 183 57.12 61.86 -4.7402 0.0001 {EA4997DD-44D1-4A69-ABB3-A2AE84D7266E} NYP_62 184 56.35 57.22 -0.8718 0.0001 {7E33935F-1D73-40FE-B316-5EF6AC89408D} NYP_62 185 56.35 63.47 -7.1198 0.0001 {492BB056-E1A1-4D8C-A4DA-0C8B5F67AAB7} NYP_62 186 56.35 59.25 -2.8955 0.0002 {D310E4A3-6307-45CE-9F25-E9C268630CB1} NYP_64 190 62.61 60.66 1.94683 0.0001 {1DAFBE93-079A-4DAF-83A9-0FFB953CB526} NYP_64 191 62.61 61.17 1.4378 0.0001 {2B71A4B9-12C5-48B9-B630-83322108958A} NYP_64 192 62.61 61.2 1.41295 0.0001 {E895336C-65BC-4382-9960-5C428358E029} NYP_65 193 60.24 61.79 -1.5506 0.0001 {41010C13-DF56-4000-A664-FC14DA130726} NYP_65 194 60.24 61.15 -0.9113 0.0001 {F8CEC7BF-8AF9-4C76-A179-624BB7A7FFBA} NYP_65 195 60.24 62.27 -2.0325 0.0002 {A2D0F710-B47B-428F-904A-B021C5F9D2F8} NYP_67 199 61.18 57.71 3.47359 0.0002 {C5F5AB13-FF07-439F-A8AD-5DACA3DC4F39} NYP_67 200 61.18 58.53 2.65263 0.0001 {C4C4A161-5AA1-4281-9CF6-A4853BBCB8BF} NYP_67 201 61.18 59.24 1.93597 0.0001 {0B1AE971-C93C-48B4-912F-5FCA4D705A7A} NYP_68 202 58.07 52.13 5.93622 0.0002 {A13EE07B-C6F0-4ED6-919F-2EF121CD0654} NYP_68 203 58.07 58.48 -0.4073 0.0001 {D2D83B8E-63ED-41C7-8D9C-EBBF49B5DE03} NYP_68 204 58.07 57.13 0.93854 0.0001 {28828D5A-FAAB-44A0-A572-69EB96DF7F28} NYP_70 208 57.76 59.01 -1.2457 0.0002 {6E12A89A-2AE6-4347-A2FE-ABBE9775840E} NYP_70 209 57.76 58.56 -0.8045 0.0002 {B928E047-879F-43AB-8860-59B9118DFFAB} NYP_70 210 57.76 58.71 -0.9486 0.0002 {3F3BE627-B776-4DBE-A527-DD7A0D9C7810}

Spectrum

Name No. Orig Pred

Orig -

Pred Residual

Residual

79

Lanjutan

Validation for V-Set Spectra Property Fat [%]

Spectrum

Name No. Orig Pred

Orig -

Pred Residual

Residual

too big Spectrum GUID

NYP_3 7 57.77 62.93 -5.1552 0.0002437 {D7ECFDC4-772E-4206-89DB-60DED3FE7C6B} NYP_3 8 57.77 62.43 -4.6637 0.0001329 {28DB3E94-8D38-4382-BF26-D9E6682F3317} NYP_3 9 57.77 64 -6.2288 0.0002931 {B427B4DA-A555-44DB-922F-4F64E9B3D3F0} NYP_6 16 67.29 65.11 2.17963 0.0002101 {2AF2836C-7F6C-4045-A5CF-28976BADC0E8} NYP_6 17 67.29 63.34 3.95216 0.0001737 {C9602502-3226-48B0-B35C-4EC381CE97B4} NYP_6 18 67.29 63.57 3.71608 0.0001871 {D876F12F-CBAF-4EDE-A381-0A023840A14F} NYP_9 25 62.88 64.89 -2.011 0.0001369 {B7D99293-088F-40FE-8939-F95652C15129} NYP_9 26 62.88 64.9 -2.0206 0.0002354 {A6745BE0-B79E-4F14-903F-1BFB2C4DF421} NYP_9 27 62.88 67.7 -4.8187 0.0001678 {8DC35559-8082-4882-B24B-0DF978680C5B} NYP_12 34 59.75 62.83 -3.0766 0.0001578 {D2978DE4-785C-4704-9A56-B3EDC6261330} NYP_12 35 59.75 63.73 -3.9781 0.0001619 {C37A8377-FB40-496A-ABC0-90EF14F82D75} NYP_12 36 59.75 64.83 -5.0771 0.0001304 {038FBABF-6E23-4A27-8B31-85D779BD8F24} NYP_15 43 63.72 63.17 0.55148 0.0001307 {E9DEA7A1-0C9B-4B7B-ACB4-E7B4396CB820} NYP_15 44 63.72 63.99 -0.2712 0.0002132 {A7423E3B-7B10-451D-9218-017BC3EEA0C3} NYP_15 45 63.72 62.91 0.80741 0.0001713 {98405007-D060-4A6A-B722-BDC5953634BB} NYP_18 52 70.15 63.34 6.80523 0.0002744 {D5617D1D-1B5B-4CBF-B103-9E3C2498C986} NYP_18 53 70.15 67.59 2.55881 0.0002828 {0F6B8F4F-9A7D-4C66-9CBC-5C43F7BC3F6E} NYP_18 54 70.15 65.53 4.61712 0.0001603 {B4590BAF-C382-4A5B-A1BE-9E3E8D6B592C} NYP_21 61 58.95 65.01 -6.062 0.0002368 {46D4480B-5BF0-40D5-A3BC-AC568C8A3C53} NYP_21 62 58.95 66.47 -7.5202 0.0002114 {B2826C4F-632D-4E89-814A-DB4EBA66B866} NYP_21 63 58.95 65.47 -6.5185 0.0001938 {ED1AD29C-6F95-4689-8508-CA49B81583CD} NYP_24 70 67.31 63.68 3.62793 0.0001758 {E47B79DE-E206-45B2-B0A6-623C1367DD20} NYP_24 71 67.31 62.11 5.20446 0.0004368 {D1F6891C-C5A2-489C-9228-24D641E9C320} NYP_24 72 67.31 64.93 2.38168 0.0001847 {AE9E9216-E147-4871-AF72-9629FA7B4CBD} NYP_27 79 64.65 58.26 6.38709 0.0001832 {FCF658D4-34D4-4B87-8B21-27CB52B8A4FF} NYP_27 80 64.65 60.17 4.48423 0.0002166 {B9D10D21-83E5-4F03-B83A-951880AA2A60} NYP_27 81 64.65 59.12 5.52871 0.0002161 {328A2D28-C6A2-4A4D-9896-4F64F52A3AD1} NYP_30 88 53.66 57.87 -4.2135 0.0001441 {FEE3F540-70DA-4808-8DAD-E48D3F9763D8} NYP_30 89 53.66 57.84 -4.1778 0.0001544 {F0A2C651-9866-415B-8A21-E2D80833B382} NYP_30 90 53.66 59.89 -6.2307 0.0001557 {0D6730C3-F976-401E-B7CC-3C812624D926} NYP_33 97 52.78 60.32 -7.5392 0.0002555 {CA83B17D-58B8-49E4-B381-3952A236891D} NYP_33 98 52.78 59.99 -7.2097 0.0002153 {ECA47551-6C8D-406B-83AD-F00ADE65FAE9} NYP_33 99 52.78 56.72 -3.9384 0.0002782 {08D96078-0D95-4E7F-9A57-EE86BFF03CFC} NYP_36 106 61.11 61.2 -0.0863 0.0001056 {E8545EB6-843A-492D-930A-0A52C3C6AC3F} NYP_36 107 61.11 59.7 1.40943 0.0002595 {D567CC06-AE2C-4168-93D4-BB1DADF2AED3} NYP_36 108 61.11 58.2 2.90625 0.0001289 {B8E6E93D-D075-4FA8-93F6-77FA78D58568} NYP_39 115 67.22 58.1 9.11724 0.0001339 {235FB62F-71E4-4887-A6B7-0216B4A09AC8} NYP_39 116 67.22 61.3 5.91882 0.000161 {87D39C25-BE0F-4345-BE93-434FD6083426} NYP_39 117 67.22 61.81 5.40934 0.0001894 {A488DEFE-1FD9-4007-A5AF-25FFD0C31463} NYP_42 124 58.65 57.66 0.99406 0.0001617 {67C816ED-E1AB-4006-AC97-8F5ACC95CDCB} NYP_42 125 58.65 53.96 4.68746 0.0001676 {31859CA4-54CB-48CD-BBE6-399350382D8B} NYP_42 126 58.65 57.86 0.79294 0.0002176 {72FD6255-059E-4B45-9005-D1A32ADC5942}

80

Lanjutan

NYP_45 133 52.36 59.19 -6.8341 0.000162 {D3BDF521-1764-43DE-948A-24F13CF509A2} NYP_45 134 52.36 61.76 -9.3988 0.0001611 {29EA1A0A-E97E-4B1E-9318-9FE3B427876F} NYP_45 135 52.36 59.11 -6.7459 0.0001451 {1D71ECA6-D615-44FE-BA17-9E2DAD766A0B} NYP_48 142 64.88 61.69 3.18584 0.0001358 {4CDDB3F7-5390-42E0-91D2-1397E297D49B} NYP_48 143 64.88 59.6 5.2785 0.0001678 {F58E36E3-D750-4909-BF03-3E7C1B3F7030} NYP_48 144 64.88 59.97 4.9069 0.0002132 {A67FB198-6950-4E1E-9931-B5BBA518FED0} NYP_51 151 57.44 60.64 -3.1991 0.0002738 {145CE200-AABB-47D7-B891-016F6FBDB17A} NYP_51 152 57.44 61.36 -3.9177 0.0001287 {6261837F-9242-4DF2-86BC-61F6710D53EA} NYP_51 153 57.44 62.47 -5.0314 0.0001486 {8D2F142E-34C2-4C11-B712-CEDABF85D747} NYP_54 160 51.26 62 -10.743 0.0002088 {03B2393A-AB24-4CE5-B12D-CE0AA34879D7} NYP_54 161 51.26 61.4 -10.138 0.0002079 {20A2D578-D6B0-490C-BFB7-384453E7AF36} NYP_54 162 51.26 59.59 -8.3273 0.0002171 {04E4946E-2884-404C-8E41-09B19E2427F9} NYP_57 169 68.45 56.57 11.8848 0.0002256 {F1004FF1-5C52-4869-9605-6FA393A73A08} NYP_57 170 68.45 58.54 9.90987 0.0001955 {39A61D47-4106-428A-8674-CEFFF354A9E8} NYP_57 171 68.45 61.57 6.87904 0.0001802 {2311AAE3-1BF2-4867-848D-28CE01DD5B47} NYP_60 178 55.17 61.02 -5.8483 0.0001178 {14DBB155-A32B-4B22-9656-DBE3C111F9F3} NYP_60 180 55.17 58.91 -3.7443 0.0001544 {C0F3A957-A87A-4D87-AAD8-274DF8EEC518} NYP_63 187 56.74 60.11 -3.3697 0.0001457 {06B6C535-C92B-4753-B9BE-082C0367FEB8} NYP_63 188 56.74 60.32 -3.5835 0.0001552 {57BC91CB-099E-43FE-AEEB-D45D5B4AB287} NYP_63 189 56.74 58.26 -1.5182 0.000173 {0E749619-2AF0-42D9-B774-C24D94581A14} NYP_66 196 59.23 58.34 0.88714 0.0002137 {CBC487C1-0EC4-4DB7-A03D-B56B8CDCE528} NYP_66 197 59.23 57.39 1.83568 0.0001243 {D762FDA2-B06E-4427-9741-A7A40F45A5EB} NYP_66 198 59.23 56.39 2.8446 0.0002481 {6B3E7E52-6A50-4037-BFAA-D92F24DF653D} NYP_69 205 55.69 57.52 -1.834 0.0001869 {2ED34CBB-9FD1-4C94-8126-E7C4D997405C} NYP_69 206 55.69 57.02 -1.3309 0.0001409 {4170E8ED-608F-4CBD-978C-1B36086C6E4C} NYP_69 207 55.69 56.89 -1.1988 0.0001695 {D6E2B5A1-F3F6-4BC0-9445-E2AFEB17C468}

Spectrum

Name No. Orig Pred

Orig -

Pred Residual

Residual

too big Spectrum GUID

81

Lampiran 3 Tampilan Software NIRFlex N-500 Merk BUCHI

(a). NIRWare Operator

(b). NIRWare Management Console

82

Lampiran 4 Algoritma penghalusan rataan setiap 3 titik (Hanke and Wichern, 2005).

Sebuah data array mentah (terganggu) [y1, y2, ..., yN] dapat dikonversi ke array data baru dengan

penghalusan. Penghalusan titik-titik pada data (yk)s adalah rata-rata ganjil berturut-turut 2n +1 (n = 1, 2, 3,

...) titik-titik tersebut dari data mentah yk-n, yk-n +1 , ..., yk-1, yk, yk +1, ..., yk+n-1, yk+n, adalah :

(15)

Jumlah ganjil 2n+1 biasanyabernama lebar filter. Semakin besar lebar filter maka akan memberikan efek

penghalusan yang lebih baik. Contoh dari perubahan array data mentah menjadi array data baru setelah

penghalusan seperti pada grafik dibawah ini :

Pada grafik diatas, dapat kita lihat bahwa untuk titik data pertama, kedua, dan ketiga dijumlahkan

lalu dirata-ratakan dan diposisikan untuk mengisi titik data tiga. Kemudian untuk titik data selanjutnya

adalah titik data kedua, ketiga, dan keempat dijumlahkan lalu dirata-ratakan dan begitu seterusnya. Rasio

sinyal terhadap gangguan dapat lebih ditingkatkan dengan meningkatkan lebar filter atau dengan

menghaluskan data beberapa kali. Jelas setelah setiap lolos filter n pertama dan n terakhir yang hilang.

Hasil dari teknik ini adalah seolah-olah mengesankan karena penyaringan yang berlebihan. Sebenarnya,

informasi yang hilang dan/atau terdistorsi karena bobot statistik terlalu banyak diberikan kepada titik

yang baik dihapus dari titik pusat. Penghalusan rataan setiap 3 titik dapat merusak ketika filter melewati

puncak yang sempit dibandingkan dengan lebar filter.

Lampiran 5 Algoritma derivatif kedua Savitzky-Golay setiap 9 titik (Hanke and Wichern, 2005).

Sebuah prosedur jauh lebih baik daripada penghalusan rataan setiap 3 titik adalah melakukan

kuadrat terkecil sesuai dari sekelompok kecil titik data berturut-turut untuk polinomial dan mengambil

titik pusat dihitung dari kurva polinomial dipasang sebagai titik data baru penghalusan. Savitzky

dan Golay (lihat A. Savitzky dan MJE Golay, Anal Chem, 1964, 36, 1627) menunjukkan bahwa himpunan

bilangan bulat (An, A-(n-1), ..., An-1, An) dapat diturunkan dan digunakan sebagai koefisien bobot untuk

melaksanakan operasi menghaluskan data. Penggunaan koefisien bobot tersebut, yang dikenal sebagai

bilangan bulat konvolusi,ternyata persis sama dengan pemasangan data ke polinomial, seperti baru saja

dijelaskan dan itu adalah komputasi lebih efektif dan jauh lebih cepat. Oleh karena itu, titik data (yk)s oleh

algoritma Savitzky-Golay diberikan oleh persamaan berikut:

83

(16)

Banyak bilangan bulat set konvolusi dapat digunakan tergantung pada lebar filter dan derajat

polinomial. Set khas dari bilangan bulat untuk "penghalusan kuadrat" ditunjukkan dalam tabel di bawah

ini:

Lebar filter (2n+1)

i

11

9

7

5

-5

-36

-4

9

-21

-3

44

14

-2

-2

69

39

3

-3

-1

84

54

6

12

0

89

59

7

17

1

84

54

6

12

2

69

39

3

-3

3

44

14

-2

4

9

-21

5

-36

Set bulat konvolusi dapat digunakan untuk memperoleh secara langsung, bukan dari sinyal yang

dihaluskan, yang pertama, kedua, dan seterusnya matematika untuk derivatif, karena Savitzky-Golay

algoritma ini sangat berguna untuk menghitung derivatif dari sinyal pengganggu yang terdiri dari deskret

dan titik-titik yang berjarak sama. Efek penghalusan algoritma Savitzky-Golay tidak begitu agresif seperti

dalam kasus penghalusan rataan setiap 3 titik dan kehilangan dan/atau distorsi informasi penting relatif

terbatas. Namun, harus ditekankan bahwa kedua algoritma perlakuan data bersifat penghilangan sebagian,

yaitu bagian dari informasi asli dihilangkan atau didistorsi. Jenis penghalusan hanya memiliki nilai

kosmetik (perlakuan data untuk mengindahkan atau mempercantik).