10 jagung. Dari penelitian tersebut disimpulkan bahwa data reflektan mampu
menganalisa kadar protein lebih baik dari data absorbansi. Sedangkan data absorbansi mampu menganalisa kadar karbohidrat, kadar lemak, dan kadar
air lebih baik dari data reflektan.
C. Analisis Stepwise Multiple Linier Regression, Principal Component
Regression, dan Partial Least Squares
Analisis data NIR dapat dimanfaatkan tanpa mempelajari hubungannya dengan sifat bahan yang diukur. Kegiatan mempelajari hubungan tersebut
pada umumnya dilakukan dengan beberapa metode yaitu Stepwise Multiple Linier Regression, Principal Component Regression, dan Partial Least
Squares. 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 sertiap 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 Miller, 1984.
11 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 kolinearitas yang tinggi. Metode ini membentuk model dari variabel-variabel yang ada
untuk merangkai respons dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks Lindblom, 2004 dalam Saragih, 2007.
D. Penyimpanan dan Pemeraman
