penggunaan pengolahan data MSC dan SNV pada prediksi kadar air buah kesemek memberi pengaruh nyata untuk meningkatkan kinerja PLS hasil pendugaan. Hal ini
terlihat dari nilai r dan RPD yang meningkat dan nilai SEC, SEP, CV yang semakin menurun.
Tabel 7 Data statistik hasil kalibrasi dan validasi pendugaan kadar air buah kesemek metode PLS
Pengolahan Faktor r
SEC SEP
RPD CV
Konsistensi data
PC Original
8 0.90
1.48 1.85
1.39 2.42
80.15 dg1
4 0.88
1.58 1.88
1.37 2.46
83.78 MSC
8 0.92
1.30 1.55
1.66 2.03
83.57
SNV 8
0.92 1.29
1.53 1.68
2.00 84.69
Pada Tabel 7 dapat dilihat dari nilai RPD yang tinggi, nilai r yang tinggi, nilai SEC dan SEP yang kecil dan nilai CV yang kecil maka prediksi kadar air metode
PLS terbaik diperoleh menggunakan pengolahan data SNV dan 8 faktor PLS. Nilai r dan RPD yang didapat meningkat dibandingkan dengan tanpa pengolahan yaitu
dari 0.90 menjadi 0.92 untuk r dan 1.39 menjadi 1.68 untuk RPD. Dilihat dari nilai r diatas 0.90 dan nilai RPD antara 1.51-2.00 maka menunjukkan adanya korelasi
yang kuat antara spektra NIR dengan data aktual dan model prediksi yang dikembangkan baik Andasuryani et al. 2014; Munawar 2014. Dengan metode
SNV nilai SEC dan SEP yang didapat menurun berturut turut dari 1.48 menjadi 1.29 dan dari 1.85 menjadi 1.53. Selisih antara SEC dan SEP kecil dan masih
berada pada nilai konsistensi baik antara 80-110 Tiaprasit dan Sangpithukwong 2010. Nilai CV yang didapat kecil yaitu 2.00 menunjukkan persamaan yang
dibangun sudah handal untuk prediksi kadar air buah kesemek
Mlček et al. 2006. Dilihat dari nilai r, selisih antara SECSEP, nilai RPD, nilai CV dan konsistensi
maka model prediksi yang dibangun dapat menduga kadar air buah kesemek cukup baik. Plot penyebaran hasil kalibrasi dan validasi pendugaan kadar air metode PLS
dengan pengolahan data SNV dapat dilihat pada Gambar 9.
Gambar 9 Hasil kalibrasi dan validasi pendugaan kadar air metode PLS dengan pengolahan data SNV
65 70
75 80
85
65 70
75 80
85
K a
da r
a ir
predik si
NIR
Kadar air referensi
kalibrasi validasi
r = 0.92 SEC =1.29
SEP = 1.53 RPD =1.68
Total Padatan Tidak Terlarut
Secara umum predisi total padatan tidak terlarut metode PLS cukup baik. Data statistik hasil kalibrasi dan validasi pendugaan padatan tidak terlarut buah
kesemek metode PLS dapat dilihat pada Tabel 8. Model prediksi pendugaan padatan tidak terlarut buah kesemek menggunakan pra pengolahan MSC dan SNV
lebih baik dibandingkan dengan pra pengolahan dg1 pada metode PLS karena mampu menghilangkan efek pembauran pada data spektrum. Dilihat dari nilai r
yang tinggi dan nilai SEC yang kecil model prediksi terbaik ditunjukkan oleh pra pengolahan SNV. Selain itu dapat dilihat dari nilai RPD yang tinggi, selisih antara
SEC dan SEP yang kecil dan jumlah faktor yang lebih sedikit ditunjukkan oleh pra pengolahan MSC. Maka model kalibrasi terbaik untuk pendugaan total padatan
tidak terlarut buah kesemek yaitu menggunakan pra pengolahan MSC. Hasil ini sesuai dengan hasil penelitian yang didapatkan oleh Sari 2015 pada mangga
gedong gincu.
Tabel 8 Data statistik hasil kalibrasi dan validasi padatan tidak terlarut buah kesemek metode PLS
Pengolahan Faktor r
SEC SEP RPD
CV Konsistensi
data PC
Original 8
0.83 1.39
1.49 1.58 31.21
93.74 dg1
3 0.79
1.55 1.80
1.30 37.80 86.24
MSC 7
0.83 1.42
1.48 1.59 31.04
92.28
SNV 8
0.85 1.33
1.49 1.58 31.25
89.29
Nilai r yang didapat dari pra pengolahan data MSC dan 7 faktor PLS yaitu 0.83. Nilai tersebut diatas 0.80 dapat dikatakan bahwa adanya korelasi yang baik
antara spektra NIR dengan data aktual referensi Andasuryani et al. 2014. Nilai SEC dan SEP yang didapat yaitu 1.42 dan 1.48, selisih nilai antara keduanya
kecil dan masih dalam konsistensi yang baik yaitu berada diantara 80-110 menunjukkan bahwa model persamaan dikatakan baik Tiaprasit dan
Sangpithukwong 2010. Nilai RPD yang didapatkan yaitu 1.59 diindikasikan bahwa model kalibrasi yang didapat berpotensi untuk digunakan Munawar 2014.
Nilai CV 10 menunjukkan model kalibrasi baik
Mlček et al. 2006. Tetapi CV yang didapat pada penelitian ini besar yaitu 31.04 hal ini terjadi karena standar
eror yang didapat pada penelitian ini cukup besar yaitu diatas 1. Meskipun nilai CV besar tetapi model yang telah dibangun berpotensi untuk menduga total padatan
tidak terlarut buah kesemek. Plot sebaran data hasil kalibrasi dan validasi pendugaan padatan tidak terlarut buah kesemek metode PLS dengan pengolahan
data MSC dapat dilihat pada Gambar 10.
Gambar 10 Hasil kalibrasi dan validasi pendugaan kadar air metode PLS dengan pengolahan data SNV
Kandungan Tanin
Secara umum prediksi kandungan tanin buah kesemek metode PLS belum akurat. Prediksi kandungan tanin pada buah kesemek tanpa pengolahan data
menunjukkan model yang belum baik. Maka dilakukan pengolahan data untuk meningkatkan hasil model prediksi menjadi lebih baik. Model prediksi kandungan
tanin buah kesemek yang baik dilihat dari nilai RPD yang tinggi dan selisih antara SEC dan SEP yang kecil ditunjukkan oleh pengolahan data dg1 dan SNV. Selain
itu dapat dilihat dari nilai r yang tinggi, nilai CV yang kecil dan jumlah faktor yang sedikit diperoleh dengan menggunakan pengolahan data turunan pertama Savitzky-
Golay dg1. Karena itu pra pengolahan data dg1 merupakan pengolahan data terbaik untuk pendugaan kandungan tanin buah kesemek metode PLS. Hasil ini
sama dengan yang didapatkan oleh Zhang et al. 2011 yaitu metode terbaik untuk memprediksi kandungan tanin buah kesemek Mopanshi menggunakan pra
pengolahan data dg1. Hal ini terjadi karena kandungan tanin yang terdapat dalam buah kesemek persentasenya sedikit sehingga diperlukan metode turuna pertama
Savitzky Golay dg1 untuk memprediksinya. Pengolahan dg1 berfungsi untuk menguraikan spektra NIR yang bersatu dan tumpang tindih sehingga nilai reflektan
yang dihasilkan diturunkan untuk memperjelas masing-masing puncak dan lembah pada spektra selain itu dg1 dapat mereduksi pengaruh komponen - komponen lain
selain komponen yang dianalisis serta memunculkan komponen yang diinginkan Cen dan He, 2007.
Data statistik hasil kalibrasi dan validasi pendugaan kandungan tanin buah kesemek metode PLS dapat dilihat pada Tabel 9. Nilai r yang didapat pada
penelitian ini masih rendah yaitu sebesar 0.72, nilai r tersebut sama dengan yang didapatkan oleh Zhang et al. 2011. Dari nilai r dapat dikatakan bahwa model
persamaan dapat memprediksi kandungan tanin buah kesemek secara kuantitatif karena berada antara 0.66-0.81 Mouazen et al. 2005. Nilai SEC dan SEP yaitu
0.12 dan 0.14 dari penelitian ini lebih baik dari Zhang et al. 2011 yaitu 0.15 dan 0.18. Jumlah faktor PLS yang digunakan pada dg1 lebih sedikit dibandingkan
dengan tanpa pengolahan, MSC dan SNV menunjukkan bahwa lebih efisien.
2 4
6 8
10 12
2 4
6 8
10 12
P ad
atan tid
ak ter
lar u
t p
red ik
si N IR
Padatan tidak terlarut referensi kalibrasi
validasi r = 0.83
SEC = 1.42 SEP = 1.48
RPD =1.59