34 konsentrasi etilen 100, 200, dan 0 ppm. Faktor kedua adalah suhu pemeraman 20
o
C, 25
o
C dan suhu ruang. Model linier yang digunakan adalah: ijk
ij j
i Yijk
ε αβ
β α
μ +
+ +
+ =
11 Keterangan:
Yijk = respon pengamatan pada perlakuan konsentrasi etilen ke-i, suhu pemeraman ke-j, dan ulangan ke-k
μ = nilai rata-rata umum
i α
= pengaruh perlakuan konsentrasi etilen ke-i j
β = pengaruh suhu pemeraman ke-j
ij αβ = pengaruh interaksi perlakuan konsentrasi etilen ke-i dan suhu
pemeraman ke-j ijk
ε = galat percobaan perlakuan konsentrasi etilen ke-i dan suhu pemeraman ke-j dan ulangan ke-k.
Data diolah dengan menggunakan software SAS dan dianalisis
menggunakan analisis ragam. Jika hasil yang diperoleh berbeda nyata maka akan dilanjutkan dengan menggunakan uji Duncan dengan tingkat kepercayaan sebesar
95 α = 5.
3.5. Pengukuran TPT dan Kekerasan dengan NIR 3.5.1. Pengukuran pantulan spektrum
Sebelum dilakukan pengukuran, alat NIR dinyalakan dan dibiarkan terlebih dahulu selama kurang lebih 30 menit sampai 1 jam. Pada alat diatur celah masuk
pada monochromator sebesar 500 µm, tegangan pada lampu sebesar 13 volt, gain sebesar 200, tombol PbS dan LNR diaktifkan. Lensa yang digunakan untuk
menyaring cahaya yang masuk dalam chopper yaitu lensa dengan 046 untuk panjang gelombang 900 nm sampai 1400 nm. Pantulan spektrum diperoleh dengan cara
mengukur standar putih terlebih dahulu kemudian dilanjutkan dengan pengukuran buah pepaya dengan menempatkannya pada unit integrating sphere. Cahaya dari
lampu halogen pertama dipotong pada laju sebesar 270 Hz oleh chopper dan penyaringan cahaya oleh interference sebelum masuk ke dalam monochromator dan
mengenai buah pepaya. Pantulan cahaya dari buah pepaya ditangkap oleh sensor yang kemudian dikonversi dari analog ke digital melalui proses digitasi.
35
3.5.2. Absorbansi
Data absorbansi diperoleh dengan cara mentransformasikan nilai reflektan atau pantulan kedalam bentuk log 1R.
3.5.3. Analisis data
Data-data yang diperoleh dianalisis dengan menggunakan bantuan progam MINITAB Release 14.0 for windows dan Microsoft Excel. Analisis data meliputi
kalibrasi dan validasi data absorbansi Log 1R dengan beberapa metode yaitu Stepwise Multiple Linier Regression
SMLR, Principal Component Regression PCR, dan Partial Least Squares PLS. Stepwise Multiple Linier Regression
SMLR merupakan salah satu metode pemilihan variabel bebas dalam analisis regresi berganda, yaitu dengan memasukkan variabel bebas pada model langkah
demi langkah dimulai dari variabel bebas yang berkorelasi paling kuat dengan variabel tak bebas. Kemudian setiap kali pemasukan variabel bebas yang lain,
dilakukan pengujian untuk tetap memasukkan variabel bebas atau tidak memasukkannya. Analisis SMLR dilakukan dengan menyeleksi panjang gelombang
NIR yang berkorelasi dengan total padatan terlarut atau kekerasan. Analisis regresi komponen utama Principal Component Regression merupakan suatu analisis
kombinasi antara analisis regresi dan analisis komponen utama Principal Component Analysis,
PCA. Analisis regresi komponen utama ditetapkan bila dalam pembentukan model pendugaan variabel bebas yang digunakan banyak dan terdapat
hubungan yang erat antar variabel bebasnya. PCA merupakan suatu teknik untuk mengurangi jumlah variabel dalam suatu matrik data. Prinsip PCA adalah mencari
komponen utama yang merupakan kombinasi linear dari variabel asli. Komponen- komponen utama ini dipilih sedemikian rupa sehingga komponen utama pertama
memiliki variasi terbesar dalam set data, sedangkan komponen utama kedua tegak lurus terhadap komponen utama pertama dan memiliki variasi terbesar berikutnya
Miller dan Miller, 1984. Kuadrat terkecil parsial Partial Least Squares, PLS digunakan untuk memperkirakan serangkaian variabel tidak bebas respons dari
variabel bebas prediktor yang jumlahnya sangat banyak, memiliki struktur sistematik linear atau nonlinear, dengan atau tanpa data yang hilang, dan memiliki
36 kolinearitas yang tinggi. Metode ini membentuk model dari variabel-variabel yang
ada untuk merangkai respons dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks.
Data dari seluruh sampel yang diukur akan dibagi dua bagian yaitu untuk proses kalibrasi dan untuk proses validasi.
a. Kalibrasi
Proses kalibrasi dilakukan untuk menentukan hubungan antara hubungan total padatan terlarut, kekerasan dengan data absorbansi NIR. Kalibrasi dapat
dibangun dengan menggunakan persamaan regresi berganda: Y = a + b
1
x
1
+ b
2
x
2
+ ... + b
n
x
n
12 Dimana:
Y : Total padatan terlarutkekerasan buah pepaya,
a dan b : Konstanta regresi, x : Absorbansi pada panjang gelombang tertentu metode
SMLR dan PLS, Komponen utama metode PCR b.
Validasi Validasi bertujuan untuk menguji ketepatan prediksi persamaan kalibrasi
yang telah dibangun dengan memasukkan sampel data yang berbeda kedalam persamaan kalibrasi, sehingga diperoleh data total padatan terlarut dan kekerasan
dugaan NIR. Parameter-parameter untuk menentukan kecocokan model adalah Koefisien determinasi R
2
, Standard Error SE, dan Coefficient of Variation CV, serta rasio standar deviasi dan standar error. Koefisien determinasi atau R
2
menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai R
2
berarti model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai R
2
mulai dari 0 sampai 100 Mattjik dan Made, 2006. Standard error
SE merupakan selisih antara nilai hasil dugaan dan nilai sebenarnya, semakin kecil nilai SE menunjukkan model yang semakin baik. Nilai
kecil yang baik adalah nilai yang semakin mendekati nol sehingga dipastikan model dapat memprediksi dengan baik konsentrasi dugaan. Coefficient of Variation CV
menunjukkan besarnya error sebanding dengan rata-rata hasil pengukuran data referensi. Rasio SDSE bertujuan untuk mengetahui sejauh mana variasi total
37 padatan terlarut atau kekerasan yang benar-benar disebabkan perbedaan intrinsik
sampel dibandingkan dengan yang disebabkan error pada saat pendugaan. Chang et al.,
1998 menyatakan bahwa persamaan kalibrasi dianggap layak jika rasio SDSE lebih besar dari 3, nilai rasio SDSE yang lebih tinggi menunjukan persamaan yang
lebih baik.
3.6. Optimasi Keadaan Penyimpanan Buah Pepaya
