PENDUGAAN PARAMETER MUTU BUAH PEPAYA (Carica papaya L.) DENGAN METODE NEAR INFRARED SELAMA PENYIMPANAN DAN PEMERAMAN. Oleh : RINI SUSILOWATI F

PENDUGAAN PARAMETER MUTU BUAH PEPAYA (Carica papaya L.) DENGAN METODE NEAR INFRARED SELAMA PENYIMPANAN DAN PEMERAMAN

Oleh : RINI SUSILOWATI F14103074

2007 DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

INSTITUT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN DEPARTEMEN TEKNIK PERTANIAN PENDUGAAN PARAMETER MUTU BUAH PEPAYA (Carica papaya L.) DENGAN METODE NEAR INFRARED SELAMA PENYIMPANAN DAN PEMERAMAN

SKRIPSI Disusun sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh : RINI SUSILOWATI F14103074

Dilahirkan pada tanggal 28 Juli 1985 Di Klaten, Jawa Tengah Tanggal Lulus, Agustus 2007

Menyetujui, Bogor, Agustus 2007

Dr. Ir. Sutrisno, M.Agr Pembimbing Akademik I

Dr. Ir. Suroso, M.Agr Pembimbing Akademik II Mengetahui,

Dr. Ir. Wawan Hermawan, MS Ketua Departemen Teknik Pertanian

Rini Susilowati. F14103074. Pendugaan Parameter Mutu Buah Pepaya (Carica papaya L.) dengan Metode Near Infrared selama Penyimpanan dan Pemeraman. Dibawah bimbingan: Dr. Ir. Sutrisno, M.Agr dan Dr. Ir. Suroso, M.Agr. 2007 RINGKASAN Pepaya merupakan salah satu komoditas buah yang memiliki berbagai fungsi dan manfaat sebagai buah segar, pepaya banyak dipilih konsumen karena memiliki kandungan nutrisi yang baik dan harganya relatif terjangkau dibandingkan buah lainnya. Selain mudah dibudidayakan dan memiliki pontesi produksi yang cukup besar, buah pepaya merupakan sumber gizi yang penting terutama sebagai sumber vitamin C, A dan B kompleks. Secara umum penilaian kualitas internal buah pepaya dilakukan dengan mencicipi rasa atau dengan tes laboratorium secara destruktif. Teknologi inframerah dekat (Near Infrared) mampu menduga kualitas internal maupun ekternal seperti kadar air, kekerasan, kadar gula, kememaran dan komposisi kimia dari produk pertanian. Near infrared (NIR) secara non destruktif dapat menganalisis dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana dan tidak menggunakan bahan kimia. Tujuan penelitian ini adalah menduga total padatan terlarut dan kekerasan buah pepaya melalui data absorbansi near infrared (NIR), serta mengevaluasi ketepatan teknologi NIR untuk menduga total padatan terlarut dan kekerasan buah pepaya IPB 1 selama penyimpanan dan pemeraman. Metode penelitian yang digunakan adalah pepaya dengan kematangan semburat 10% disimpan pada suhu yaitu suhu 10o C selama 10 hari, dan suhu 15o C, selama 18 hari. Setelah perlakuan penyimpanan buah ditempatkan dalam chamber dan disuntikkan etilen konsentrasi 200 ppm serta dilakukan pemeraman pada suhu 20o C, 25o C dan suhu ruang selama 24 jam. Selama penyimpanan dan pemeraman dilakukan pengukuran pantulan infra merah dekat, total padatan terlarut dan kekerasan secara periodik. Hasil analisa data menunjukkan bahwa data absorbansi near infrared (Log1/R) mampu menduga total padatan terlarut dengan baik tetapi tidak cukup baik untuk pendugaan kekerasan buah pepaya IPB 1 selama penyimpanan dan pemeraman. Validasi model menunjukkan bahwa pendugaan total padatan terlarut metode regresi linier berganda (SMLR) layak diterapkan, tetapi pendugaan total padatan terlarut metode PCR dan PLS serta pendungaan kekerasan baik metode SMLR , PCR maupun PLS perlu ditingkatkan akurasinya. Validasi pada pendugaan total padatan terlarut menghasilkan standar error (SE), coefficient of variation (CV) dan rasio antar standar deviasi dengan standar error (SD/SE) berturut sebesar 0.25, 2.51%, dan 3.07 untuk metode SMLR; 0.42, 4.21%, dan 1.83 untuk metode PCR, serta 0.49, 4.867%, dan 1.59 untuk metode PLS. Sedangkan pada validasi pendugaan kekerasan adalah 0.35, 30.51%, dan 2.43 untuk metode SMLR; 0.87, 76.64%, dan 0.97 untuk metode PCR; serta 0.56, 49.84%, dan 1.49 untuk metode PLS. Disimpulkan bahwa total padatan terlarut pepaya selama penyimpanan dan pemeraman dapat diduga dengan teknologi NIR dan metode analisis SMLR dengan standar error, CV, dan rasio SD/SE adalah 0.25, 2.51%, dan 3.07.

i

RIWAYAT HIDUP

Penulis dilahirkan di kabupaten Klaten pada tanggal 28 Juli 1985 dari ayah Muhammad Mukhoyin dan Ibu Siti Walinah. Penulis merupakan putri keempat dari empat bersaudara. Penulis menamatkan pendidikan dasar di SD N I Tempursari pada tahun 1997, SLTP N I Klaten pada tahun 2000, SMU N 1 Karanganom pada tahun 2003 dan pada tahun 2003 penulis lulus seleksi masuk IPB malalui jalur Undangan Seleksi Masuk IPB (USMI) departemen Tenik Pertanian. Selama mengikuti perkuliahan penulis aktif pada lembaga kemahasiswaan dan kepanitiaan kegiatan mahasiswa, organisasi yang pernah diikuti antara lain Badan Eksekutif Mahasiswa FATETA periode 2004/2005 dan 2005/2006, DKM Al-Hurriyah periode 2004/2005, Koperasi Mahasiswa IPB 2003/2004, Himpunan Mahasiswa Klaten IPB (KMK IPB), penulis juga menjadi asisten mata kuliah Teknik Pengolahan Hasil Pertanian pada tahun ajaran 2006/2007. Pada tahun 2006 penulis melaksanakan pratek lapang di PT. Perkebunan Nusantara IX dengan judul “Aspek Keteknikan dalam Pengolahan Kopi di Pabrik Kopi Banaran, PTP. Nusantara IX, Semarang, Jawa Tengah”, pada tahun 2007 penulis melaksanakan penelitian dengan judul “Pendugaan Parameter Mutu Buah Pepaya (Carica Papaya L.) dengan Metode Near Infrared Selama Penyimpanan dan Pemeraman”.

ii

KATA PENGANTAR

Segala puji syukur atas segala rahmat dan karunia Allah SWT sehingga penulis dapat menyelesaikan skripsi ini yang berjudul “PENDUGAAN PARAMETER MUTU BUAH PEPAYA (Carica papaya L.) DENGAN METODE

NEAR

INFRARED

SELAMA

PENYIMPANAN

DAN

PEMERAMAN” sebagai syarat untuk memperoleh gelar Sarjana Teknologi Pertanian. Penulis mengucapkan terima kasih kepada: 1. Dr. Ir. Sutrisno, M.Agr dan Dr. Ir. Suroso, M.Agr, selaku dosen pembimbing yang telah banyak memberikan bimbingan dan masukan dalam penyusunan skripsi ini. 2. Dr. Ir. Dewa Made Subrata, M.Agr selaku dosen penguji. 3. Bapak, Ibu dan kakak-kakak tercinta atas segala kasih sayang, dukungan dan pengorbanan, serta do’a. 4. Muslim Rahman terima kasih atas dukungan, bantuan, do’a dan smangatnya. 5. Sahabat-sahabat terbaikku Iin, Ryan dan Sari, serta teman-teman TEP’40 khususnya Ali Jito terima kasih atas bantuan dan smangatnya, Ana, Sella, Elly, Dyah A, Salman, team pepaya-pisang, dan Rikola, serta Supri FKH. 6. Kepada semua pihak yang telah membantu karena keterbatasan tidak dapat dituliskan satu persatu. Tujuan dari penelitian ini adalah menerapkan teknologi near infrared (NIR) untuk mengukur total padatan terlarut dan kekerasan buah pepaya, menduga total padatan terlarut dan kekerasan buah pepaya melalui data absorbansi NIR, serta mengevaluasi ketepatan teknologi NIR untuk menduga total padatan terlarut dan kekerasan buah pepaya selama penyimpanan dan pemeraman. Penulis menyadari karya ini jauh dari sempurna, oleh karena itu kritik dan saran yang membangun sangat diharapkan. Semoga karya ini dapat bermanfaat bagi yang berkepentingan.

Bogor, Agustus 2007 Penulis

iii

DAFTAR ISI Halaman RINGKASAN ........................................................................................................ i RIWAYAT HIDUP................................................................................................ ii KATA PENGANTAR ........................................................................................... iii DAFTAR ISI .......................................................................................................... iv DAFTAR TABEL .................................................................................................. vi DAFTAR GAMBAR ............................................................................................. vii DAFTAR LAMPIRAN

................................................ ix

I. PENDAHULUAN ........................................................................................... 1 A. Latar Belakang ........................................................................................... 1 B. Tujuan Penelitian ....................................................................................... 2 II. TINJAUAN PUSTAKA .................................................................................. 3 A. Pepaya (Carica papaya L.) ........................................................................ 3 B. Teknologi Near Infrared (NIR) ................................................................. 7 1. Spektroskopi infra merah dekat ........................................................... 7 2. Penelitian aplikasi teknologi Near Infrared (NIR) .............................. 8 C. Analisis Stepwise Multiple Linier Regression, Principal Component Regression, dan Partial Least Squares ...................................................... 10 D. Penyimpanan dan Pemeraman ................................................................... 11 1. Penyimpanan ........................................................................................ 11 2. Pemeraman ........................................................................................... 12 III. METODOLOGI PENELITIAN ....................................................................... 15 A. Waktu dan Tempat ..................................................................................... 15 B. Bahan dan alat ............................................................................................ 15 C. Prosedur Penelitian .................................................................................... 15 1. Pengukuran pantulan spektrum ........................................................... 16 2. Absorbansi............................................................................................ 17 3. Pengukuran total padatan terlarut......................................................... 17 4. Pengukuran kekerasan .......................................................................... 18 5. Analisis data................................. ........................................................ 20

iv

IV. HASIL DAN PEMBAHASAN ....................................................................... 23 A. Absorbsi Near Infrared Pepaya ................................................................. 23 B. Pedugaan Total Padatan Terlarut dan Kekerasan ....................................... 25 1. Metode Stepwise Multiple Linier Regression (SMLR) ........................ 25 2. Metode Principal Component Regression (PCR) ................................ 30 3. Metode Partial Least Squares (PLS) ................................................... 36 C. Pedugaan Total Padatan Terlarut dan Kekerasan selama penyimpanan dan pemeraman .......................................................................................... 43 V. KESIMPULAN DAN SARAN ....................................................................... 47 A. Kesimpulan ................................................................................................ 47 B. Saran........................................................................................................... 47 DAFTAR PUSTAKA ............................................................................................ 48 LAMPIRAN ........................................................................................................... 51

v

DAFTAR TABEL Halaman Tabel 1.

Kriteria mutu buah pepaya Malang segar (SNI 01–4230–1996) ......... 4

Tabel 2.

Ciri-ciri pepaya Arum Segar (genotipe IPB 1) .................................... 5

Tabel 3.

Analisis komposisi buah dan daun pepaya ......................................... 6

Tabel 4.

Rekomendasi berbagai kontrol penyimpanan buah ............................ 11

Tabel 5.

Hasil analisis data total padatan terlarut dengan metode Stepwise Multiple Linier Regression (SMLR) .................................................... 27

Tabel 6.

Hasil analisis data kekerasan buah pepaya dengan metode Stepwise Multiple Linier Regression (SMLR) .................................................... 30

Tabel 7.

Variasi komponen utama nilai absorbansi NIR .................................. 31

Tabel 8.

Hasil analisis data TPT buah pepaya dengan metode Principal Component Regression (PCR) ............................................................. 33

Tabel 9.

Variasi komponen utama nilai absorbansi NIR .................................. 34

Tabel 10. Hasil analisis data kekerasan buah pepaya dengan metode Principal Component Regression (PCR) ............................................................. 36 Tabel 11. Hasil analisis data TPT buah pepaya dengan metode Partial Least Squares (PLS) ...................................................................................... 38 Tabel 12. Hasil analisis data kekerasan buah pepaya dengan metode Partial Least Squares (PLS)............................................................................. 40 Tabel 13. Perbandingan hasil kalibrasi dan validasi TPT dengan metode SMLR, PCR, dan PLS.......................................................................... 41 Tabel 14. Perbandingan hasil kalibrasi dan validasi kekerasan dengan metode SMLR, PCR, dan PLS ......................................................................... 41

vi

DAFTAR GAMBAR Halaman Gambar 1. Sistem perangkat NIR (Budiastra et al., 1995) .................................. 16 Gambar 2. Sistem NIR (Budiastra et al., 1995) ................................................... 17 Gambar 3. Hand refraktometer ............................................................................ 17 Gambar 4. Rheometer .......................................................................................... 18 Gambar 5. Diagram alir pelaksanaan penelitian .................................................. 19 Gambar 6. Grafik pantulan NIR pada beberapa sampel pepaya .......................... 23 Gambar 7. Grafik absorbsi NIR pada beberapa sampel papaya........................... 24 Gambar 8. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode SMLR ...................... 26 Gambar 9. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode SMLR ................................ 27 Gambar 10. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap kalibrasi log (1/R) dengan metode SMLR ...... 29 Gambar 11. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap validasi log (1/R) dengan metode SMLR ....... 30 Gambar 12. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode PCR .................................. 32 Gambar 13. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode PCR ................................... 33 Gambar 14. Grafik perbandingan kekerasan dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode PCR ......................... 35 Gambar 15. Grafik perbandingan kekerasan dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode PCR ........................... 36 Gambar 16. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode PLS................................... 37 Gambar 17. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode PLS .................................... 38 Gambar 18. Grafik perbandingan kekerasan dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode PLS .......................... 39

vii

Gambar 19. Grafik perbandingan kekerasan dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode PLS ........................... 40 Gambar 20. Perubahan TPT buah pepaya IPB 1 selama penyimpanan dan pemeraman ........................................................................................ 44 Gambar 21. Perubahan kekerasan buah pepaya IPB 1 selama penyimpanan dan pemeraman ........................................................................................ 45

viii

DAFTAR LAMPIRAN

Halaman Lampiran 1.

Program computer dalam bahasa C++ yang digunakan untuk menjalankan sistem NIR ................................................................ 51

Lampiran 2.

Pemilihan panjang gelombang untuk pendugaan total padatan terlarut dengan metode Stepwise Multiple Linier Regression (SMLR) .......................................................................................... 55

Lampiran 3.

Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi metode Stepwise Multiple Linier Regression (SMLR) ................. 59

Lampiran 4.

Pemilihan panjang gelombang untuk pendugaan kekerasan dengan metode Stepwise Multiple Linier Regression (SMLR) ...... 61

Lampiran 5. Data kekerasan hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi metode Stepwise Multiple Linier Regression (SMLR) .............................................. 65 Lampiran 6. Output program MINITAB Release 14.0 for windows untuk pendugaan total padatan terlarut dengan metode Principal Component Regression (PCR) ....................................................... 67 Lampiran 7.

Matriks perkalian nilai pembobot komponen utama dan absorbansi NIR ............................................................................... 71

Lampiran 8. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi Principal Component Regression (PCR) ....................................................... 72 Lampiran 9. Output program MINITAB Release 14.0 for windows untuk pendugaan kekerasan dengan metode Principal Component Regression (PCR) ........................................................................... 74 Lampiran 10. Data kekerasan hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi Principal Component Regression (PCR) ....................................................... 78 Lampiran 11. Output program MINITAB Release 14.0 for windows untuk pendugaan total padatan terlarut dengan metode Partial Least Squares (PLS) ................................................................................ 80

ix

Lampiran 12. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi Partial Least Squares (PLS) .......................................................... 82 Lampiran 13. Output program MINITAB Release 14.0 for windows untuk pendugaan kekerasan dengan metode Partial Least Squares (PLS) .............................................................................................. 84 Lampiran 14. Data kekerasan hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi Partial Least Squares (PLS) ................................................................................ 86 Lampiran 15. Data pendugaan total padatan terlarut dan kekerasan buah pepaya IPB 1 selama penyimpanan dan pemeraman .................... 87

x

I. PENDAHULUAN

A. Latar Belakang Buah pepaya merupakan salah satu buah tropis yang mempunyai nilai ekonomis cukup tinggi. Buah pepaya tergolong buah yang digemari oleh masyarakat, tidak hanya di Indonesia, buah pepaya juga sangat digemari oleh masyarakat di kepulauan Hawaii dan Amerika Serikat bahkan di berbagai negara (Arriola et al.,1980 dalam Pramudianti, 2004 ). Pepaya merupakan salah satu komoditas buah yang memiliki berbagai fungsi dan manfaat sebagai buah segar, memiliki kandungan nutrisi yang baik dan harganya relatif terjangkau dibandingkan buah lainnya. Selain mudah dibudidayakan dan berpontesi produksi yang cukup besar, buah pepaya yang merupakan sumber gizi yang penting terutama sebagai sumber vitamin C, A dan B kompleks. Menurut Villegas (1997), dalam 100 gram bagian pepaya yang dapat dimakan mengandung 86.6 g air, 0.5 g protein, 0.3 g lemak, 12.1 g karbohidrat, 0.27 g serat, 0.5 g abu, 0.204 g kalium, 0.011 g fosfor, 0.001 g besi, 0.45 g vitamin A, 0.075 g vitamin C, dan jenis gula utamanya terdiri dari 48.3 % sukrosa, 29.8 % glukosa, dan 21.9 % fruktosa. Kualitas buah yang meliputi penampilan, tekstur, flavour, nilai nutrisi dan keamanan merupakan salah satu faktor yang mempengaruhi selera konsumen. Chan (1979) dalam Purba (2006) mengemukakan bahwa kandungan gula pada pepaya mempunyai peranan penting dalam penentuan kualitas buah segar maupun olahan. Secara umum penilaian kualitas internal buah pepaya dilakukan dengan mencicipi rasa atau dengan tes laboratorium secara destruktif. Penilaian dengan cara visual sulit mengetahui kualitas internal buah sedangkan penilaian dengan mencicipi buah atau secara test laboratorium akan merusak buah. Salah satu teknologi yang dapat digunakan untuk menentukan faktor mutu produk pertanian adalah teknologi inframerah dekat (Near Infrared). Teknologi ini dapat digunakan untuk mengukur kualitas internal maupun ekternal seperti kadar air, kekerasan, kadar gula, kememaran dan komposisi

1

kimia dari produk pertanian. Near infrared (NIR) merupakan salah satu metode pengukuran non destruktif yang dapat menganalisa dengan kecepatan tinggi, tidak menimbulkan polusi, penggunaan preparat contoh yang sederhana dan tidak menggunakan bahan kimia. Pada penelitian ini akan dilakukan pendugaan total padatan terlarut dan kekerasan buah pepaya (Carica papaya L.) dengan teknologi near infrared. Pada umumnya untuk mengetahui total padatan terlarut dan kekerasan dari buah diukur secara destruktif. Keunggulan dari gelombang infra merah dekat dalam analisis khususnya analisis bahan makanan yaitu gabungan antara kecepatan, tingkat ketepatan dan kemudahan dari percobaan yang dilakukan. Teknologi NIR dapat digunakan dalam pengamatan untuk jumlah buah yang sangat besar.

B. Tujuan Penelitian Tujuan dari penelitian ini adalah : 1. Menerapkan teknologi near infrared (NIR) untuk mengukur total padatan terlarut dan kekerasan buah pepaya. 2. Menduga total padatan terlarut dan kekerasan buah pepaya melalui data absorbansi NIR. 3. Mengevaluasi ketepatan teknologi NIR untuk menduga total padatan terlarut dan kekerasan buah pepaya selama penyimpanan dan pemeraman.

2

II. TINJAUAN PUSTAKA

A. Pepaya (Carica papaya L.) Pepaya (Carica papaya L.) merupakan tanaman yang berasal dari Amerika tropis. Pusat penyebaran tanaman berada di daerah sekitar Meksiko bagian selatan dan Nicaragua. Dalam sistematika (taksonomi) tumbuhan pepaya diklasifikasikan sebagai berikut: Kingdom

: Plantae (tumbuh-tumbuhan)

Divisi

: Spermatophyta (tumbuhan berbiji)

sub-divisi

: Angiospermae (berbiji tertutup)

Klas

: Dicotyledone (biji berkeping dua)

Ordo

: Caricales

Famili

: Caricaceae

Genus

: Carica

Species

: Carica papaya L.

Famili caricaceae termasuk famili kecil dari tanaman dikotiledon yang terdiri dari empat genus yaitu : carica, jarilla, jacaratia yang berasal dari daerah Amerika tropis dan cylicomorpha dari daerah Afrika ekuatorial. Genus Carica adalah genus paling penting dalam famili Caricaceae yang terdiri atas 24 spesies, dan salah satunya adalah C. Papaya L. (Kalie, 1999). Tinggi pohon pepaya dapat mencapai 8 sampai 10 meter dengan akar yang kuat, batang tidak bercabang, namun apabila pucuknya dipotong cabang akan terbentuk. Batang tanaman berbentuk bulat lurus berbuku-buku, di bagian tengahnya berongga dan tidak berkayu. Daun pepaya tersusun secara melingkar pada batang, lembar daunnya menjari dengan warna permukaan atas berwarna hijau muda. Pepaya memiliki tiga jenis bunga, yaitu bunga jantan (masculus), bunga betina (femineus), dan bunga sempurna atau hermaprodit (Rukmana, 1995). Tanaman pepaya dapat tumbuh di dataran rendah hingga ketinggian 1000 m dpl dan pada umumnya tumbuh di lokasi yang cukup tersedia air, curah hujan 1000-2000 mm per tahun dan merata sepanjang tahun. Sedangkan

3

suhu optimal pertumbuhan tanaman berkisar antara 22-26o C, suhu minimum 15o C, dan suhu maksimum 43o C (Kalie, 1999). Dalam menentukan standar mutu buah pepaya digunakan Standar Nasional Indonesia SNI 01–4230–1996. Pepaya malang segar digolongkan dalam 4 ukuran yaitu kelas A, B, C dan D berdasarkan berat tiap buah, yang masing masing digolongkan dalam 3 jenis mutu. Kelas A : Berat per buah 2,5 kg – 3,0 kg Kelas B : Berat per buah 1,8 kg – 2,4 kg Kelas C : Berat per buah 1,5 kg – 1,7 kg Kelas D : Berat per buah < 1,5 kg atau > 3 kg Kriteria dalam menentukan jenis mutu buah pepaya Malang segar dinilai dari tingkat ketuaan dimana jumlah strip berwarna jingga pada permukaan kulit buah yang berwarna hijau botol saat dipanen, kebenaran kultivar. Keseragaman ukuran berat, tingkat kerusakan, kebusukan dan kadar kotoran serta tingkat kesegaran. Pada Tabel 1 di bawah ini dapat dilihat kriteria mutu buah pepaya Malang segar. Tabel 1. Kriteria mutu buah pepaya Malang segar (SNI 01–4230–1996) No Kriteria mutu Mutu I 1 Tingkat ketuaan warna kulit 13 strip (jumlah strip warna jingga) 2 Kebenaran kulrivar 97% 3 Keseragaman ukuran berat 97% 4 Keseragaman ukuran bentuk 97% 5 Buah cacat dan busuk I 0% 6 Kadar kotor 0% 7 Serangga hidup/mati 0% 8 Tingkat kesegaran segar100% Sumber: http://warintek.ristek.go.id

Mutu II 2-3 strip

Mutu III 1 strip

95% 95% 95% 0% 0% 0% segar<25%

90% 90% 90% 0% 0% 0% segar>25%

Tingkat ketuaan buah menentukan kemanisan buah ketika matang, sedangkan kematangan buah dapat dilihat dari total padatan terlarut dan kekerasan. Selama proses pematangan, pepaya mengalami beberapa perubahan nyata seperti tekstur, warna, dan bau yang menunjukkan terjadinya perubahan-perubahan dalam susunannya. Pada umumnya tanda kematangan pertama pada buah adalah kehilangan warna hijau atau berkurangnya

4

kandungan klorofil, akan tetapi pada beberapa buah (seperti pada pir, apel dan tomat) sejumlah klorofil tersebut tetap terdapat dalam buah terutama dalam jaringan bagian-bagian dalam buah. Perubahan warna tersebut dapat terjadi baik oleh proses perombakan maupun sintetik ataupun keduanya. Sedangkan buah yang lunak disebabkan oleh perombakan protopektin yang tidak larut menjadi pektin yang larut atau hidrolisis zat pati (seperti pada waluh) atau lemak (seperti pada alpukat). Proses pematangan buah pada umumnya meningkatkan jumlah gula-gula sederhana yang memberi rasa manis, penurunan asam-asam organik dan senyawa fenolik yang mengurangi rasa sepet dan masam, dan kenaikan zat-zat atsiri yang memberi aroma khas pada buah (Matto et al., 1993 dalam Pantastico, 1986). Varietas pepaya dikenal dari bentuk, ukuran, warna, rasa, dan tekstur buahnya. Varietas pepaya yang banyak ditanam di Indonesia adalah pepaya semangka, pepaya jinggo, dan pepaya cibinong. Selain itu juga dikenal varietas pepaya mas, pepaya item, dan pepaya ijo (Kalie, 1999). Salah satu jenis pepaya yang dikembangkan saat ini adalah pepaya IPB 1 yang ciricirinya dapat dilihat pada Tabel 2 berikut: Tabel 2. Ciri-ciri pepaya IPB 1 Deskriptor Warna batang Warna petiole Bentuk sinus daun Bentuk gerigi daun Warna daging buah Warna kulit buah Tipe daun Warna bunga Bentuk Ukuran buah Panjang buah (cm) Diameter buah (cm) Bobot per buah (g) Rasa daging buah Kadar air (%) Kadar vitamin C (mg/100g) Umur petik (hari setelah anthesis) Sumber : www.rusnasbuah.co.id

Nilai Coklat keabu-abuan Hijau sedikit ungu kemerahan Agak tertutup Cembung Jingga Hijau muda 11.00 Putih Buah lonjong Kecil 14 + 1 10 + 1 654 + 146 Sangat manis (11-12 %Brix) 88 + 2 122 + 30 + 140

5

Buah pepaya secara keseluruhan mirip buah melon, berongga, bentuk buah bulat, elongata, antar dan petandria, sedangkan warna daging kuning, orange sampai merah cerah serta mempunyai aroma khas. Rasanya manis dan menyegarkan karena mengandung banyak air. Nilai gizi buah ini cukup tinggi karena mengandung banyak provotamin A dan vitamin C, serta mineral kalsium. Batang, daun, dan buah pepaya muda mengandung getah berwarna putih. Getah ini mengandung suatu enzim pemecah protein atau enzim proteolitik yang disebut papain. Sebagai enzim proteolitik, papain banyak digunakan dalam industri, diantaranya industri makanan dan minuman, farmasi, kosmetik, tekstil, dan penyamak. Analisis komposisi buah dan daun pepaya dapat dilihat pada Tabel 3 berikut:

Tabel 3. Analisis komposisi buah dan daun pepaya Unsur komposisi Buah masak Buah mentah Daun Energi (kal) 46 26 79 Air (g) 86.7 92.3 75.4 Protein (g) 0.5 2.1 8 Lemak (g) * 0.1 2 Karbohidrat (g) 12.2 4.9 11.9 Vitamin A (IU) 365 50 18.250 Vitamin B (mg) 0.04 0.02 0.15 Vitamin C (mg) 78 19 140 Kalsium (mg) 23 50 353 Besi (mg) 1.7 0.4 0.8 Fosfor (mg) 12 16 63 Sumber : Direktorat Gizi, Depkes RI (1979) dalam Kalie (1999) Keterangan : * sedikit sekali, dapat diabaikan

Tingkat kemasakan buah pepaya biasanya dinyatakan dalam bentuk buah muda, buah tua, buah mengkal, dan buah terlalu masak. Buah pepaya dipanen pada stadium mendekati matang pohon, yakni setelah buah menunjukkan garis-garis menguning. Untuk pemasaran setempat biasanya buah dipetik pada tingkat kemasakan mengkal, sedangkan untuk pemasaran jarak jauh buah dipetik pada tingkat kemasakan tua. Buah masak mengkal bila kulit buah di bagian ujung tampak mulai menguning, sedangkan daging buah

6

masih tetap keras. Buah pepaya yang masak ditandai dengan kulit dan dagingnya berwarna cerah, rasanya manis, dan aromanya sudah tercium.

B. Teknologi Near Infrared (NIR) 1. Spektroskopi infra merah dekat Dasar teori spektroskopi adalah interaksi energi radiasi dan materi. Bila senyawa organik menyerap radiasi maka elektron akan tereksitasi dari keadaan dasar ke tingkat energi yang lebih tinggi. Berbagai teknik spektroskopi banyak digunakan dalam analisis biologis, antara lain spektroskopi UV-VIS, asorpsi atom, infra merah, fluorensi, dan massa (Winarno et al., 1973). Spektrum infra merah terletak pada panjang gelombang 780 nm sampai 1000000 nm, yang dibagi dalam tiga jenis radiasi yaitu infra merah dekat (780-2500 nm), infra merah pertengahan (2500-5000 nm), dan infra merah jauh (5000-1000000 nm). Aplikasi spektroskopi infra merah sangat luas baik untuk analisis kualitatif maupun kuantatif (Nur, 1989). Spektroskopi infra merah dekat merupakan salah satu teknik spektroskopi yang menggunakan wilayah panjang gelombang infra merah pada spektrum elektromagnetik (sekitar 780 sampai 2500 nm). Hal yang utama dari kisaran infra merah dekat ini adalah dapat digunakan untuk analisis komponen dan mendeteksi kualitas (Mohsenin, 1984). Setelah dipancarkan maka radiasi ini akan diserap oleh semua bahan organik dan informasi utama yang dapat diekstrak adalah stretching dan bending ikatan kimia CH, OH, dan NH yang merupakan ikatan dasar dari semua ikatan kimia bahan organik. Informasi tersebut dapat dilihat dari pantulan infra merah dekat 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 vibrasi (Nur, 1989). Vibrasi stretching adalah pergerakan atom yang teratur sepanjang ikatan antara dua atom sehingga jarak antara atom dapat bertambah atau berkurang. Vibrasi bending adalah

7

pergerakan atom yang menyebabkan perubahan sudut ikatan antar dua ikatan atau pergerakan dari sekelompok atom terhadap atom lainnya. Menurut Osborne et al. (1993), keunggulan dari gelombang infra merah dekat dalam analisis khususnya bahan makanan yaitu gabungan antara kecepatan, tingkat ketepatan dan kemudahan dari percobaan yang dilakukan. Menurut Mohsenin (1984) metode infra merah dekat dapat mengukur besarnya parameter optik (reflektan, trasmitan, atau absorban) akibat interaksi antara panjang gelombang cahaya (photon) dengan molekul dan materi. Pada saat radiasi infra merah dekat mengenai bahan organik, sekitar 4% akan dipantulkan kembali oleh permukaan luar (regular refraction) dan proporsi radiasi lainnya sekitar 96% masuk kedalam produk yang selanjutnya mengalami penyerapan (absorption), pemantulan (body reflection), penyebaran (scattering) dan penerusan (transmitten). Penyerapan panjang gelombang tertentu oleh kandungan kimia tertentu ditunjukkan oleh terjadinya puncak-puncak gelombang pada kurva absorpsi NIR, semakin besar kandungan kimia suatu bahan pertanian maka penyerapan akan semakin besar, atau puncak gelombangnya semakin tinggi. 2. Penelitian aplikasi teknologi near infrared Penelitian aplikasi teknologi near infrared dalam pertanian telah banyak dilakukan. Diawali oleh Norris dan Hart (1965) dalam Munawar (2002) yang mengukur kadar air yang terkandung dalam biji-bijian dengan menggunakan transmittance sprectroscopy, dari penelitian tersebut diketahui bahwa kadar air dalam bahan biji-bijian dapat diukur pada panjang gelombang 1940 nm. Budiastra et al. (1995) mengklasifikasikan mangga kedalam tiga jenis rasa manis, manis asam dan asam yang diukur dengan teknologi NIR pada 200 contoh mangga dengan kisaran panjang gelombang 1400 nm – 1975 nm. Metode stepwise dari regresi berganda digunakan untuk memilih panjang gelombang optimal untuk menduga kosentrasi sukrosa dan asam malat.

8

Chang et al. (1998) menerapkan teknologi NIR untuk menduga total padatan terlarut sari buah jeruk, apel, pear, pepaya dan pisang. Dari berbagai sari buah tersebut dikembangkan algoritma umum untuk menentukan total padatan terlarut sari buah. Susanto (2000) melakukan kalibrasi pantulan infra merah dekat dengan jaringan syaraf tiruan (Artificial Neural Network) untuk menduga kosentrasi sukrosa dan asam malat pada buah mangga gedong. Dari penelitian tersebut disimpulkan bahwa sistem jaringan syaraf tiruan (JST) dapat digunakan pada tahap kalibrasi pantulan dari NIR. Metode yang digunakan

untuk

kalibrasi

dengan

JST

tersebut

adalah

metode

backpropagation. Rosita (2001) menerapkan teknologi 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 lebih akurat (5.39) dari data reflektan NIR. Munawar (2002) menerapkan teknologi NIR untuk menduga kadar gula dan kekerasan buah belimbing. Dan dari hasil penelitian disimpulkan bahwa NIR dapat menduga kadar gula dan kekerasan buah belimbing dengan baik. Data absorbansi dapat menduga kadar gula lebih baik dari data reflektan, hal ini ditunjukkan dengan koefisien korelasi yang lebih tinggi (0.9303) untuk sampel preparat, begitu pula pendugaan kekerasan data absorbansi lebih baik dengan koefisien korelasi 0.9301 untuk sampel preparat. Senduk (2002) menerapkan teknologi NIR dan menganalisis spektrum infra merah dekat tersebut menggunakan Jaringan Saraf Tiruan untuk menentukan tingkat ketuaan dan kematangan sawo. Disimpulkan bahwa spektrum infra merah dekat pada panjang gelombang 1400-2000 nm dapat digunakan untuk menentukan tingkat ketuaan dan kematangan sawo. Mala (2003) menerapkan teknologi NIR pada panjang gelombang 9001400 nm untuk menduga kadar air, karbohidrat, protein, dan lemak tepung

9

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. Komponenkomponen 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).

10

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 1. Penyimpanan Untuk mendapatkan buah segar matang yang siap dikonsumsi dalam jumlah besar cukup sulit mengingat tingkat kematangan buah yang tidak serentak, yang disebabkan tingkat ketuaan panen buah-buahan tersebut tidak sama. Untuk mendapatkan buah yang matang dalam jumlah besar dan relatif seragam serta dalam waktu yang tepat diperlukan penyimpanan dan pemacuan kematangan yang disebut dengan pemeraman atau pematangan buatan. Penyimpanan merupakan suatu cara memelihara kualitas produk setelah pemanenan dalam jangka waktu tertentu sebelum dijual dan dikonsumsi. Penyimpanan bertujuan untuk mengontrol permintaan pasar tanpa menimbulkan banyak kerusakan dan penurunan mutu. Metode penyimpanan yang umumnya dilakukan adalah dengan suhu rendah, dimana suhu diset diatas titik beku dan kelembaban nisbi yang optimum agar produk tidak mengalami kekeringan. Pada Tabel 4 dapat dilihat rekomendasi berbagai kontrol penyimpanan buah. Tabel 4. Rekomendasi berbagai kontrol penyimpanan buah Jenis buah

Temperatur (oC) Alpukat, Pisang 13 Jeruk 9-10 Jambu 8-10 Pepaya 10 Rambutan 10 Sumber : Satuhu (1995)

Kelembaban 85-90 90 85-90 85-90 85-90

Daya simpan (minggu) 2 2 2-5 3 1-2.5

11

Menurut Pantastico (1986) pepaya yang dipanen saat buahnya berwarna kuning pada ujung atau antara geligir-geligirnya, dapat disimpan selama 4-5 hari dalam ruang tanpa perlakuan. Dan menurut Fitradesi (1999) dalam Pramudianti (2004) pepaya dengan perlakuan bahan pelapis dan disimpan pada suhu 18-20o C dapat bertahan selama 19 hari setelah perlakuan. 2. Pemeraman Pemeraman secara komersial dilakukan untuk dapat memenuhi permintaan pasar yang terjadwal yaitu untuk mengatur waktu kematangan buah dalam artian mempercepat atau memperlambat proses pematangan tersebut. Beberapa faktor yang mempengaruhi mutu hasil pemeraman adalah tingkat kematangan buah, suhu dan kelembaban ruang pemeraman serta cara pemeraman. Tingkat ketuaan buah sangat berpengaruh terhadap penampilan, cita rasa, kandungan kimia dan gizi buah yang diperam. Suhu dan kelembaban ruang pemeraman sangat berpengaruh terhadap mutu buah yang diperam terutama terhadap warna dan tekstur. Pemeraman pada suhu rendah dapat menghasilkan warna lebih menarik dibandingkan pada suhu lebih tinggi. Buah yang diperam pada suhu tinggi menghasilkan warna kusam dan tidak cerah serta daging buah rusak. Semakin tinggi suhu ruang pemeraman semakin banyak kerusakan fisiologisnya. Kelembaban yang baik untuk pemeraman adalah 85-90%, sedangkan kelembaban tinggi dapat memperlambat terbentuknya warna kuning pada kulit buah dan menghambat laju respirasi serta produksi etilen dari buah tersebut (Satuhu,1995). Metode untuk mempercepat proses pemeraman, yang dalam hal ini adalah mempercepat proses respirasi, dapat dilakukan dengan jalan menaikkan suhu ruang penyimpanan pada suatu tingkat tertentu tanpa menimbulkan kerusakan buah-buahan yang bersangkutan (Tucker, 1993). Sedangkan metode lainnya adalah dengan jalan memberikan suatu bahan kimia tertentu yang memiliki efek fisiologi terhadap buah-buahan misalnya adalah etilen. Menurut Abeles (1973) dalam Puteh (2003) etilen adalah gas hidrokarbon dengan ikatan rangkap dan memiliki berat molekul

12

28.05, merupakan suatu gas tidak berwarna dengan bau manis seperti eter, mudah terbakar dengan batas ambang antara 2.75-28.60% di udara. Pemeraman buah dengan menggunakan gas dapat dilakukan secara cepat, sedang, atau lambat. Pemeraman secara cepat dapat dilakukan pada suhu 25o C selama 24 jam dengan menggunakan gas etilen atau gas asetilen. Pemeraman sedang dilakukan pada suhu 17.8o C dan pemeraman lambat dilakukan pada suhu 15-16o C. Cara ini tergolong rumit dan mahal karena memerlukan pendingin udara dan pengatur suhu serta ruangan dengan sirkulasi udara yang bagus sehingga berkesan tidak ekonomis. Akan tetapi bagi pedagang buah dalam jumlah besar seperti eksportir atau grosir cara ini sangat tepat (Satuhu, 1995). Pantastico (1986) menyatakan bahwa gas etilen adalah salah satu jenis bahan yang banyak digunakan sebagai proses pematangan, dimana jumlah dan waktu yang tepat dalam pemberiannya juga sangat khas untuk tiap jenis buah-buahan. Pada hakikatnya etilen merupakan pembangkit kematangan buah, dimana peranannya tidak dapat digantikan oleh gas lain. Menurut Winarno et al. (1981) etilen adalah suatu gas yang digolongkan sebagai hormon yang aktif dalam proses pematangan. Etilen disebut hormon karena dapat memenuhi syarat sebagai hormon, yaitu dihasilkan oleh tumbuhan, bersifat mobil dalam jaringan tanaman dan merupakan senyawa organik. Menurut Terai et al. (1972) dalam Pantastico (1986) pemberian etilen setempat pada pisang dalam keadaan hijau tetapi sudah tua mengakibatkan perkembangan kematangan secara gradual dari bagian yang diberi C2H4 ke bagian yang tidak diperlakukan, bila dilihat dari segi menghilangnya warna hijau dan meningkatnya kadar gula dalam daging buah. Von Loesecke (1950) dalam Simmonds (1966) dalam Vanani (2002) menunjukkan bahwa etilen berguna untuk menyeragamkan pematangan buah pisang yang masih hijau, dengan melakukan dua hingga tiga kali percobaan dengan interval 12 atau 24 jam pemberian 1 ppm etilen. Konsentrasi yang lebih tinggi diperbolehkan, namun tidak akan banyak berpengaruh dalam percepatan pematangan. Peneliti lain seperti Kayudin

13

(1995) dan Aini (1996), telah membuktikan bahwa konsentrasi etilen lebih dari 50 ppm atau asetilen lebih dari 2500 ppm tidak banyak berpengaruh dalam pematangan sirsak dan pisang. Menurut Salunkhe (1976) dalam Vanani (2002) konsentrasi CO2 yang tinggi (15% atau lebih) dapat menghambat daya pemicuan etilen terhadap pematangan, juga biasanya dihasilkan rasa yang tidak dikehendaki atau menyimpang pada buah arbe, pisang, jeruk manis, apel, dan komoditikomoditi lain. Dalam beberapa hal, bau dan rasa yang tidak dikehendaki ini disebabkan oleh penimbunan etanol. Soundain (1972) dalam Pantastico (1986) menyatakan bahwa kandungan CO2 yang tinggi di dalam sel akan mengarah ke perubahan-perubahan fisiologi seperti penurunan reaksireaksi sintetis, meghambat beberapa kegiatan enzimatis dan mengganggu metabolisme asam-asam organik.

14

III. METODOLOGI PENELITIAN

A. Waktu dan Tempat Penelitian dilakukan mulai bulan Maret sampai bulan Juni 2007, berlokasi di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (Lab. TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor.

B. Bahan dan Alat Bahan yang digunakan dalam penelitian ini adalah buah pepaya IPB dengan tingkat kematangan semburat 10%, yang diperoleh dari kebun percobaan Cimahpar dan Pasir Kuda, Bogor. Peralatan yang digunakan adalah sebuah sistem near infrared (NIR) merk Shimadzu, hand refraktometer dan rheometer model CR-300, cold storage, dan chamber.

C. Prosedur Penelitian Setelah buah pepaya dibersihkan dan disterilisasi dengan thibendazol selanjutnya dilakukan penyimpanan pada beberapa suhu yaitu 15o C selama 18 hari (data digunakan untuk pembuatan model persamaan) dan 10o C selama 10 hari (data digunakan sebagai evaluasi ketepatan teknologi NIR untuk menduga total padatan terlarut dan kekerasan buah pepaya selama penyimpanan dan pemeraman). Setelah perlakuan penyimpanan buah ditempatkan dalam stoples dan disuntikkan etilen konsentrasi 200 ppm dan dilakukan pemeraman pada suhu 20o C, 25o C dan suhu ruang selama 24 jam. Selama penyimpanan dan pemeraman dilakukan pengukuran pantulan infra merah dekat, total padatan terlarut dan kekerasan secara periodik. Sistem NIR merupakan hasil rancangan Budiastra et al. (1995) yang merupakan modifikasi dari rancangan Ikeda et al. (1992). Sistem ini terdiri dari unit optik dan unit elektronik. Unit optik terdiri dari lampu halogen 150 watt (AT-100HG), pemutus cahaya (chopper, AT-100CH), monochromator (SPG-100IR), dan integrating sphere (ISR-260), yang terdiri dari sensor dan lensa optik serta sensor PbS. Unit elektronik terdiri dari penguat (Lock in

15

Amplifier, AT-100AM), interface (PCL 812PG), dan rangkaian keluaran digital serta komputer. Gambar sistem perangkat NIR ini dapat dilihat pada Gambar 1. Sistem NIR dihubungkan dengan komputer dan dijalankan oleh perangkat lunak bahasa C++ yang terdiri dari tiga program, yaitu program untuk menjalankan motor, program pengkonversi data dari analog ke digital dan program yang menampilkan data sebagai tampilan grafik hasil pengukuran. Integrating sphere Sampel Filter

Monochromator

Sensor

Cermin Lampu Halogen

Motor

Chopper CONT

DO

AMP

Komputer

ADC

Gambar 1. Sistem perangkat NIR (Budiastra et al., 1995) Prosedur dalam penelitian ini adalah sebagai berikut: 1. Pengukuran pantulan spektrum Sebelum dilakukan pengukuran, alat (sistem 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 sampel (buah pepaya) dengan cara menempatkannya pada unit integrating sphere.

16

Cahaya dari lampu halogen pertama dipotong pada laju sebesar 270 Hz oleh pemotong (chopper) dan penyaringan cahaya oleh penyaring gangguan (interference) sebelum masuk ke dalam monochromator dan mengenai buah pepaya. Pantulan cahaya dari buah pepaya akan ditangkap oleh sensor yang kemudian dikonversi dari analog ke digital melalui proses digitasi. Pemantulan dihitung dengan menggunakan persamaan sebagai berikut: R=

Vcontoh ....................................................................................... (1) Vs tan dar

Dimana Vcontoh : tegangan pantulan contoh/sampel (volt) Vstandar : tegangan pantulan standar putih (volt)

Gambar 2. Sistem NIR (Budiastra et al., 1995) 2. Absorbansi Data absorbansi diperoleh dengan cara mentransformasikan nilai reflektan atau pantulan kedalam bentuk log (1/R). 3. Pengukuran total padatan terlarut Total padatan terlarut diukur dengan hand refraktometer (Gambar 3). Pasta buah ditempatkan pada prisma refraktometer yang sudah distabilkan, kemudian dilakukan pembacaan. Sebelum dan sesudah pembacaan prisma refraktometer

dibersihkan

dengan

aquades.

Nilai

dalam

%Brix

menunjukkan kadar total padatan terlarut.

Gambar 3. Hand refraktometer

17

4. Pengukuran kekerasan Kekerasan buah pepaya diukur dengan alat rheometer CR-300 dengan cara menempatkan sampel buah pada sampel holder, kemudian dengan menekan start jarum akan menusuk buah dan kekerasan buah terukur dalam satuan kg-force (kgf). Alat diset dengan mode 20, beban maksimum 10 kg, kedalaman penekanan 10 mm, kecepatan penurunan beban 60 mm/m diameter prob 5 mm. Gambar rheometer dapat dilihat pada Gambar 4.

Gambar 4. Rheometer

18

Pepaya IPB 1 (tingkat semburat 10%)

Pembersihan dan sortasi

Perendaman dengan thiabendazol 1 gram/5 liter selama 1 menit

Penyimpanan pada : • Suhu 10o C selama 10 hari • Suhu 15o C selama 18 hari Pemeraman : Konsentrasi etilen 200 ppm pada suhu 20 o C, 25o C dan suhu ruang selama 24 jam

Pengukuran pantulan infra merah dekat, total padatan terlarut dan kekerasan secara periodik

Penentuan persamaan kalibrasi

Prediksi validasi

Standar error kalibrasi

Standar error validasi

Gambar 5. Diagram alir pelaksanaan penelitian

19

5. Analisis data Data-data yang diperoleh akan dianalisis dengan menggunakan bantuan progam MINITAB Release 14.0 for windows dan Microsoft Excel. Analisis data meliputi kalibrasi dan validasi data absorbansi (Log 1/R) dengan beberapa metode yaitu Stepwise Multiple Linier Regression (SMLR), Principal Component Regression (PCR), dan Partial Least Squares (PLS). 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 + b1x1 + b2x2 + ... + bnxn .................................................... (2) Dimana: Y

: Total padatan terlarut/kekerasan 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. Validasi dilakukan 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 (R2), Standard Error (SE), dan Coefficient of Variation (CV), serta rasio standar deviasi dan standar error (RPD). Koefisien determinasi atau R2 menunjukkan kemampuan model menerangkan keragaman nilai peubah tak bebas. Semakin besar nilai R2 berarti model semakin mampu menerangkan perilaku peubah tak bebas. Kisaran nilai R2 mulai dari 0% sampai 100% (Mattjik et al., 2006).

20

Standard error (SE) merupakan selisih antara nilai hasil dugaan dan nilai sebenarnya. SE yang semakin kecil 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. Menurut Mattjik et al. (2006) besaran ideal nilai CV sangat tergantung pada bidang studi yang digeluti, misal untuk bidang pertanian nilai CV yang di anggap wajar adalah 20-25%, namun jika percobaan dilakukan di laboratorium nilai CV diharapkan jauh lebih kecil mengingat sebagian kondisi lingkungan dalam keadaan terkontrol. SE dan CV terkecil menunjukkan hasil yang paling baik. Ratio SD/SE atau RPD bertujuan untuk mengetahui sejauh mana variasi total padatan terlarut atau kekerasan yang benar-benar disebabkan perbedaan intrinsik sampel dibandingkan dengan yang disebabkan error pada saat pendugaan. William dan Sobering (1993) dalam Chang et al (1998) menyatakan bahwa persamaan kalibrasi dianggap layak jika nilai RPD lebih besar dari 3, nilai RPD yang lebih tinggi menunjukan persamaan yang lebih baik. Standar error (SE), coefficient of Variation (CV), dan ratio SD/SE (RPD) dihitung dengan formula berikut: R =

∑ (Y − Y )(Y − Y ) ∑ (Y − Y ) ∑ (Y − Y NIR

NIR

2

NIR

NIR

.................................................. (3) )

R 2 = (R) 2 .......................................................................................... (4) n

SE =

∑ (Y i =1

NIR

CV =

2

....................................................................... (5)

n

∑ (Y n

SD =

−Y)

i =1

NIR

n

−Y

)

2

....................................................................... (6)

SE x100% ............................................................................... (7) Y

21

RPD =

SD ....................................................................................... (8) SE

Dimana: R 2

: Koefisien korelasi

R

: Koefisien determinasi

SE

: Standar Error,

SD

: Standar Deviasi,

CV

: Coefficient of Variation,

RPD

: Rasio standar deviasi dan standar error ,

YNIR

: Total padatan terlarut/kekerasan dugaan NIR,

Y

: Total padatan terlarut/kekerasan aktual,

Y

: Rataan total padatan terlarut/kekerasan aktual,

n

: Jumlah sampel.

22

IV. HASIL DAN PEMBAHASAN

A. ABSORBSI NEAR INFRARED PEPAYA

Pengukuran menggunakan perangkat infra merah dekat menghasilkan data pantulan buah papaya. Menurut Winarno et al. (1973) setiap substansi bahan atau material biologi memiliki spektrum NIR yang spesifik. Apabila diuji dua sampel bahan yang mempunyai komposisi kimia dan komposisi fisik berbeda, maka akan terlihat perbedaan spektrum NIR yang dapat dilihat pada perbedaan puncak - puncak gelombang pada spektrum absorban. Data reflektan atau pantulan buah papaya hasil penembakan sinar infra merah dekat (near infrared) pada panjang gelombang 900 nm sampai 1400 nm pada beberapa sampel buah pepaya dapat dilihat pada Gambar 6. 0.9 0.8 Pantulan (R)

0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 900

1000

1100

1200

1300

1400

Panjang Gelombang (nm)

Gambar 6. Grafik pantulan NIR pada beberapa sampel pepaya Sinar yang dipancarkan dari sumber ke bahan organik, sekitar 4% akan dipantulkan kembali oleh permukaan luar (regular reflection) dan sisanya sekitar 96% akan masuk ke dalam produk tersebut yang selanjutnya mengalami

penyerapan

(absorbtion),

pemantulan

(body

reflection),

penyebaran (scattering) dan penerusan cahaya atau transmittance (Mohsenin, 1984). Bahan pertanian pada umumnya tidak tembus cahaya, oleh karena itu analisis NIR cenderung menggunakan reflektan dari pada transmitan. Reflektan tersebut secara tidak langsung digunakan untuk mengukur jumlah energi yang diabsorbsi oleh sampel. Dengan menggunakan transformasi Log (1/R) data pantulan infra merah dekat dapat diubah menjadi data serapan.

23

Transformasi ini dilakukan karena kandungan kimia bahan mempunyai hubungan linier dengan data absorban NIR (Mohsenin, 1984). Data serapan NIR pada beberapa sampel pepaya dapat dilihat pada Gambar 7 berikut ini:

Absorbansi (log 1/R)

0.7 0.6 1175 – 1235 nm

0.5 970 -1000 nm

0.4 0.3 0.2

1320 -1395 nm

0.1 0 900

950

1000 1050 1100 1150 1200 1250 1300 1350 1400 Panjang gelombang (nm)

Gambar 7. Grafik absorbsi NIR pada beberapa sampel pepaya Pada kurva absorbansi dan pantulan terlihat bahwa spektrum-spektrum pantulan dan absorbansi infra merah dekat tidak mengalami banyak guncangan atau noise. Oleh karena itu, pada penelitian ini penghalusan data absorbansi infra merah tidak diperlukan. Kandungan kimia bahan tertentu akan mengalami penyerapan cahaya, hal ini dapat ditunjukkan dengan adanya puncak-puncak gelombang pada kurva spectrum absorbsi. Semakin besar penyerapan cahaya maka puncak gelombang semakin tinggi. Gambar 7 menunjukkan bahwa penyerapan yang tinggi terjadi pada panjang gelombang 970-1000 nm, 1175-1235 nm dan 1320-1395 nm. Menurut Osborne et al (1993) pada panjang gelombang 9701000 nm terjadi penyerapan air, 1198 nm dan 1371 nm penyerapan glukosa, 1196 nm dan 1368 nm penyerapan sukrosa, 1202 nm dan 1360 nm penyerapan pati, sedangkan pada 1207 nm dan 1365 nm penyerapan selulosa. Secara umum senyawa tersebut merupakan komponen utama total padatan terlarut yaitu gula yang merupakan hasil pemecahan dan pembelahan polimer karbohidrat khususnya pati.

24

B. Pendugaan Total Padatan Terlarut dan Kekerasan 1. Metode Stepwise Multiple Linier Regression (SMLR)

a. Pendugaan total padatan terlarut Persamaan kalibrasi untuk pendugaan total padatan terlarut dibangun dengan membuat hubungan antara total padatan terlarut dengan absorbansi pada proses regresi linier berganda. Pada regresi linier berganda dapat dianalisa secara serentak dua variabel atau lebih yang bersifat bebas terhadap sesamanya dan juga dapat menunjukkan adanya interaksi antar variabel. Untuk menseleksi panjang gelombang yang berkorelasi dengan total padatan terlarut digunakan metode stepwise, yang merupakan metode yang akan mengeluarkan variabel-variabel yang sesuai kriteria yang telah ditentukan yaitu nilai alpha atau nilai taraf nyata 0.05. Analsis regresi linier berganda metode stepwise terhadap total padatan terlarut menghasilkan persamaan kalibrasi yang dapat dibangun dengan 17 panjang gelombang terpilih dengan koefisien korelasi tertinggi 96.21% dengan koefisien determinasi 92.56% pada model regresi step 25. Hal ini menunjukkan terdapat hubungan yang erat antara nilai total padatan terlarut hasil dugaan NIR dengan total padatan terlarut hasil pengukuran refraktometer dan 92.56% variasi total padatan terlarut dapat dijelaskan oleh 17 panjang gelombang terpilih. Pemilihan panjang gelombang untuk pendugaan total padatan terlarut dengan metode Stepwise Multiple Linier Regression (SMLR) dapat dilihat pada lampiran (Lampiran 2). Persamaan kalibrasi yang dapat dibangun adalah sebagai berikut: TPT = 15.6 + 54.7 [A1120] - 73.9 [A970] + 46.1 [A1110] + 104 [A1060] - 9.55 [A900] + 98.0 [A1000] - 96.2 [A1025] 42.5 [A1115] - 65.8 [A1150] + 33.7 [A1175] - 24.2 [A1230] + 33.5 [A1315] + 32.8 [A935] - 54.4 [A1130] 24.5 [A985] - 49.5 [A1010] + 30.2 [A1080] ........................ (9) dimana A adalah absorbansi pada panjang gelombang terpilih, A1120 berarti absorbansi pada panjang gelombang 1120 nm, A970 berarti absorbansi pada panjang gelombang 970 nm, dan seterusnya.

25

Total padatan terlarut dugaan NIR (%Brix)

14 13 12 11 10 R2 = 0.9256 9 8 8

9

10

11

12

13

14

Total padatan terlarut referensi (%Brix)

Gambar 8. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode SMLR. Osborne et al (1993) menyatakan bahwa absorbsi pada panjang gelombang 900 nm berkorelasi dengan CH3, 970 nm dengan air, 1000 nm dengan senyawa aromatic, 1060 nm dengan RNH2, 1080 nm dengan benzene. Pada absorsi panjang gelombang 935 nm, 1010 nm, 1150 nm, 985 nm, 1230 nm tidak diperoleh informasi yang tepat, namun pada panjang gelombang yang berdekatan menurut Osborne et al (1993) yaitu 938 nm, 1015 nm dan 1152 nm berkorelasi dengan CH3, 990 nm berkorelasi dengan pati, 1225 nm berkorelasi dengan CH. Sedangkan pada panjang gelombang 1110 nm, 1120 nm, 1115 nm, 1130 nm, dan 1315 nm tidak diperoleh informasi tentang penyerapan pada panjang gelombang tersebut. Tahap validasi dilakukan dengan memasukkan nilai absorbansi pada panjang gelombang terpilih kedalam persamaan yang telah dibangun pada tahap kalibrasi, sehingga diperoleh nilai total padatan terlarut dugaan NIR. Grafik perbandingan antara total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer dapat dilihat pada Gambar 9. Data total padatan terlarut hasil dugaan NIR dan hasil

26

pengukuran refraktometer pada tahap kalibrasi dan validasi dapat dilihat pada lampiran (Lampiran 3).


14 13 12 11 10 9 8 8

9

10

11

12

13

14


Gambar 9. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode SMLR. Rangkuman hasil analisis data untuk pendugaan NIR dengan metode Stepwise Multiple Linier Regression (SMLR) dapat dilihat pada Tabel 5. Evaluasi standar error saat kalibrasi menunjukkan nilai yang baik karena dihasilkan nilai yang kecil dan mendekati nol, sedangkan evaluasi standar error validasi memberikan nilai yang lebih kecil dibandingkan SE kalibrasi. Hal ini menunjukkan model hasil kalibrasi dikatakan baik. Tabel 5. Hasil analisis data total padatan terlarut dengan metode Stepwise Multiple Linier Regression (SMLR). Diskripsi Statistik Jumlah sampel (buah) Maksimum (%Birix) Minimum (%Brix) Rata-rata (%Brix) Standar Deviasi (%Brix) Standar Error (%Brix)

Tahap Kalibrasi 66 13.20 8.40 9.92 1.09 0.29

Validasi 26 11.60 8.40 10.01 0.77 0.25

27

b. Pendugaan kekerasan Analisis SMLR untuk pendugaan kekerasan buah pepaya pada tahap kalibrasi menggunakan 70 sampel dan pada panjang gelombang 900-1400 nm dengan interval 5 nm, terpilih 17 panjang gelombang sehingga diperoleh persamaan kalibrasi sebagai berikut: KGF = - 2.46 + 46.0 [A1235] - 94.3 [A1175] - 69.8 [A1260] + 71.2 [A1230] - 98.1 [A1160] + 84.4 [A1215] - 50.2 [A1340] + 26.4 [A900] - 29.1 [A925] + 32.0 [A1270] + 106 [A1040] - 78.0 [A1080] + 29.6 [A1325] - 33.4 [A945] + 38.2 [A1025] + 40.3 [A1210] - 18.8 [A1185] ................... (10) dimana A adalah absorbansi pada panjang gelombang terpilih, A1120 1235 berarti absorbansi pada panjang gelombang 1235 nm, A1260 berarti absorbansi pada panjang gelombang 1260 nm, dan seterusnya.

Menurut Winarno dan Aman (1979) biasanya buah yang telah masak akan menjadi lunak, hal ini disebabkan perubahan komposisi dinding sel yang terdiri dari selulosa, hemiselulosa, zat pektin dan lignin. Pada persamaan tersebut di atas panjang gelombang yang berkorelasi positif dengan kekerasan buah adalah 1235 nm, 1230 nm, 1215 nm, 900 nm, 1270 nm, 1040 nm, 1325 nm, 1025 nm, dan 1210 nm. Menurut Osborne et al (1993) absorbsi NIR pada panjang gelombang 1215 nm berkorelasi dengan ikatan CH2, 900 nm berkorelasi dengan CH3, sedangkan panjang gelombang yang lain tidak diperoleh informasi yang tepat, namun absorbsi NIR pada panjang gelombang 1210 nm berdekatan 1207 nm berkorelasi dengan selulosa, 1270 nm berdekatan dengan 1274 nm berkorelasi dengan pati. Pemilihan panjang gelombang untuk pendugaan kekerasan buah pepaya dengan metode Stepwise Multiple Linier Regression (SMLR) dapat dilihat pada lampiran (Lampiran 4). Gambar 10 dibawah ini menunjukkan perbandingan kekerasan buah papaya hasil pengukuran rheometer dengan hasil dugaan NIR pada tahap kalibrasi. Tahap kalibrasi ini diperoleh nilai koefisien

28

determinasi sebesar 96.47%, sehingga nilai koefisien korelasinya adalah sebesar 98.21%. Hal ini berarti terdapat hubungan yang erat antara kekerasan buah papaya hasil dugaan NIR dengan hasil pengukuran rheometer.

Kekerasan dugaan NIR (kgf)

6 5 4 3 2 R2 = 0.9647 1 0 0

1

2

3

4

5

6

Kekerasan referensi (kgf)

Gambar 10. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap kalibrasi log (1/R) dengan metode SMLR. Tahap validasi dilakukan dengan memasukkan nilai absorbansi pada panjang gelombang yang terpilih kedalam persamaan kalibrasi sehingga diperoleh kekerasan buah dugaan NIR. Data perbandingan kekerasan buah papaya hasil dugaan NIR dengan hasil pengukuran rheometer pada tahap kalibrasi dan validasi dapat dilihat pada lampiran (Lampiran 5). Standar error yang didapat pada tahap validasi adalah sebesar 0.35, dengan grafik perbandingan antara kekerasan buah pepaya hasil dugaan NIR dan hasil pengukuran rheometer seperti pada Gambar 11.

29


6 5 4 3 2 1 0 0

1

2

3

4

5

6


Gambar 11. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap validasi log (1/R) dengan metode SMLR. Tabel 6 dibawah ini merupakan rangkuman dari hasil analisis data untuk pendugaan kekerasan buah papaya pada tahap kalibrasi dan validasi dengan metode Stepwise Multiple Linier Regression (SMLR). Tabel 6. Hasil analisis data kekerasan buah pepaya dengan metode Stepwise Multiple Linier Regression (SMLR). Diskripsi Statistik

Jumlah sampel (buah) Maksimum (kgf) Minimum (kgf) Rata-rata (kgf) Standar Deviasi (kgf) Standar Error (kgf)

Tahap Kalibrasi

Validasi

70 5.34 0.12 2.18 1.48 0.28

26 3.56 0.17 1.14 0.85 0.35

2. Metode Principal Component Regression (PCR)

Principal Component Analysis (PCA) adalah metode statisitik

multivariative untuk mereduksi data dengan cara menghitung skor atau komponen dari keseluruhan variabel dimana beberapa komponen utama pertama sudah mewakili total variasi data. Prinsip kerja model ini adalah mengekstrak semua data ke dalam beberapa komponen utama, namun tidak membuang informasi yang berguna.

30

a. Pendugaan total padatan terlarut Pada penelitian ini telah diekstrak data absorbsi NIR dari 100 variabel menjadi 10 variabel. Dari perhitungan komponen utama Tabel 7 memperlihatkan bahwa principal component atau komponen utama (PC) pertama mengandung 90.5% variasi data, komponen kedua mengandung 7.7% variasi data, sedangkan komponen selanjutnya mengandung variasi data yang semakin menurun hingga pada PC ke 10 hanya mengadung 0.1% variasi data atau hanya memberikan kontribusi 0.1% dari total variasi. Tabel 7. Variasi komponen utama nilai absorbansi NIR Jumlah PC

Variasi (%)

1 2 3 4 5 6 7 8 9 10

90.5 7.7 0.3 0.2 0.2 0.1 0.1 0.1 0.1 0.1

Variasi Kumulatif (%) 90.5 98.2 98.5 98.7 98.9 99.0 99.1 99.2 99.3 99.4

PC 1 sampai PC 10 ini kemudian diregresikan secara linear berganda dengan score PC sebagai variabel bebas dan total padatan terlarut sebagai variabel tak bebas sehingga didapat model regresi komponen utama (PCR) yaitu sebagai berikut: TPT = 16.1 + 2.21 [PC1] + 0.378 [PC2] - 14.9 [PC3] + 11.7 [PC4] + 1.38 [PC5] + 3.23 [PC6] - 8.21 [PC7] + 13.5 [PC8] - 3.95 [PC9] + 13.5 [PC10] ............................................................. (11) Koefisien regresi PC 1 sampai PC 10 pada masing-masing persamaan regresi yang didapat ini kemudian dikalikan dengan matriks masing-masing koefisien PC pada analisis komponen utama atau disebut nilai pembobot. Tiap-tiap matriks hasil perkalian koefisien ini kemudian dikalikan dengan matriks absorbansi data kalibrasi di panjang gelombang 900-1400 nm yang apabila dijumlahkan antara

31

PC 1 sampai PC 10 menghasilkan total padatan terlarut dugaan NIR. Hasil perhitungan komponen utama dan regresi komponen utama (PCR) menggunakan program MINITAB Release 14.0 for windows dapat dilihat pada lampiran (Lampiran 6). Principal Component Regression (PCR) memberikan nilai

koefisien determinasi sebesar 73.02% dengan nilai koefisien korelasi sebesar 85.45% dan stadar error cukup tinggi yaitu 0.57, sedangkan besar error maksimum adalah 1. Berikut ini grafik perbandingan antara total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi:


14 13 12 11 10 R2 = 0.7302 9 8 8

9

10

11

12

13

14


Gambar 12. Grafik perbandingan TPT dugaan NIR dengan TPT referensi tahap kalibrasi log (1/R) dengan metode PCR. Validasi pada metode PCR sebelum data absorbansi dimasukkan ke dalam model kalibrasi, matriks absorbansi pada panjang gelombang 900-1400 nm dikalikan dengan matriks masing-masing koefisien PC hasil analisis komponen utama sehingga apabila hasil perkalian tersebut dimasukkan dalam persamaan 9 di atas menghasilkan data TPT dugaan NIR. Matriks perkalian koefisien PC (matrik pembobot) dan data absorbansi NIR dapat dilihat pada lampiran (Lampiran 7). Data perbandingan TPT buah pepaya dugaan NIR dengan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi dapat

32

dilihat pada lampiran (Lampiran 8). Grafik 10 dibawah ini merupakan perbandingan TPT buah pepaya pada tahap validasi.


14 13 12 11 10 9 8 8

9

10

11

12

13

14


Gambar 13. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode PCR. Tahap validasi memberikan standar error yang lebih kecil dari tahap kalibrasi yaitu sebesar 0.42, akan tetapi error ini masih tinggi sehingga model kalibrasi yang diperoleh belum memuaskan. Pada Tabel 8 dibawah ini dapat dilihat rangkuman hasil analisis data pendugaan TPT buah pepaya dengan metode Principal Component Regression (PCR).

Tabel 8. Hasil analisis data TPT buah pepaya dengan metode Principal Component Regression (PCR). Diskripsi Statistik Jumlah sampel (buah) Maksimum (%Birix) Minimum (%Brix) Rata-rata (%Brix) Standar Deviasi (%Brix) Standar Error (%Brix)

Tahap Kalibrasi 66 13.20 8.40 9.92 1.09 0.57

Validasi 26 11.60 8.40 10.01 0.77 0.42

b. Pendugaan kekerasan Seperti pada pendugaan total padatan terlarut dengan metode Principal Component Regression (PCR), pada pendugaan kekerasan

33

buah pepaya juga dilakukan pengekstrakkan data absorbansi NIR dari 100 variabel menjadi 10 variabel karena 10 PC pertama cukup mewakili keseluruhan data yang ada karena diperoleh kumulatif PC sebesar 99.4% mendekati 100%. Hasil analisis komponen utama memperlihatkan bahwa konstribusi masing-masing variabel terhadap variasi data semakin menurun sesuai dengan urutan komponen utama (PC), Tabel 9 di bawah ini PC pertama memiliki variasi data 90.8% atau memberikan kontribusi 90.8% dari total variasi data, PC kedua 7.6% variasi data dan PC selanjutnya memberikan kontribusi yang semakin semakin menurun. Hasil analisis komponen utama (PC) dapat dilihat di Lampiran 9. Tabel 9. Variasi komponen utama nilai absorbansi NIR Jumlah PC

Variasi (%)

1 2 3 4 5 6 7 8 9 10

90.8 7.6 0.2 0.1 0.1 0.1 0.1 0.1 0.1 0.1

Variasi Kumulatif (%) 90.8 98.6 98.8 99.0 99.1 99.2 99.3 99.3 99.4 99.4

Setelah diperoleh 10 PC pertama, 10 PC tersebut diregresikan atau disebut dengan regresi komponen utama (PCR) sehingga diperoleh persamaan berikut ini: KGF = - 3.09 - 2.46 [PC1] + 0.595 [PC2] - 21.0 [PC3] + 7.93 [PC4] + 17.0 [PC5] + 25.7 [PC6] - 32.8 [PC7] + 22.0 [PC8] - 15.8 [PC9] + 29.8 [PC10] ................................................... (12) Masing-masing PC mengadung nilai koefisien sehingga dilakukan perkalian matriks

masing-masing koefisien PC pada analisis

komponen utama dengan nilai absorbansi (Lampiran 7) dan hasil perkalian ini dimasukkan kedalam model kalibrasi sehingga diperoleh

34

kekerasan buah pepaya dugaan NIR (Lampiran 10). Dibawah ini grafik hasil pendugaan kekerasan pada tahap kalibrasi:


6 5 4 3 2 R2 = 0.7777 1 0 0

1

2

3

4

5

6

-1 Kekerasan referensi (kgf)

Gambar 14. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap kalibrasi log (1/R) dengan metode PCR. Gambar 14 di atas terlihat bahwa ada beberapa hasil pendugaan bernilai negatif, dan nilai koefisien determinasi hanya bernilai 77.77% atau nilai koefisien korelasinya sebesar 88.18%. Hal ini berarti terdapat kecenderungan hubungan yang nyata antara kekerasan buah papaya dugaan NIR dengan hasil pengukuran rheometer, akan tetapi model PCR memberikan hasil yang kurang akurat karena memiliki error yang tinggi yaitu 0.69. Seperti pada tahap kalibrasi, sebelum data absorbansi dimasukkan kedalam model kalibrasi data tersebut dikalikan dengan matrik pembobot sehingga diperoleh nilai kekerasan buah pepaya dugaan NIR (Lampiran 10), Gambar 15 di bawah ini adalah grafik perbandingan kekerasan buah papaya dugaan NIR dengan hasil pengukuran rheometer:

35


6 5 4 3 2 1 0 0

1

2

3

4

5

6


Gambar 15. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap validasi log (1/R) dengan metode PCR. Tabel 10 memperlihatkan bahwa sntadar error baik pada kalibrasi maupun validasi nilainya tinggi, bahkan pada validasi hampir mendekati 1 yaitu 0.87. Hal ini berarti model yang diperoleh dengan metode PCR tidak memberikan hasil prediksi yang memuaskan. Tabel 10. Hasil analisis data kekerasan buah pepaya dengan metode Principal Component Regression (PCR). Diskripsi Statistik


Tahap Kalibrasi

Validasi

70 5.34 0.12 2.18 1.48 0.69

26 3.56 0.17 1.14 0.85 0.87

3. Metode Partial Least Squares (PLS)

Menurut Hervé (2003) dalam Saragih (2007) kuadrat terkecil parsial digunakan untuk memperkirakan serangkaian variabel tidak bebas dari variabel bebas yang jumlahnya sangat banyak, memiliki struktur sistematik linear atau nonlinear, dengan atau tanpa data yang hilang, dan memiliki kolinearitas yang tinggi.

36

a. Pendugaan total padatan terlarut Pengolahan data kalibrasi dengan kuadrat terkecil parsial (PLS) menghasilkan model dengan matriks koefisien sebanyak 100 buah. Keluaran perhitungan data pendugaan TPT metode PLS dengan MINITAB Release 14.0 for windows dapat dilihat pada lampiran (Lampiran 11). Matriks ini kemudian dikalikan dengan matriks absorbansi data kalibrasi di panjang gelombang 900-1400 nm untuk tahap kalibrasi atau matriks matriks absorbansi data validasi untuk tahap validasi sehingga menghasilkan TPT dugaan NIR (Lampiran 12). Gambar 16 dan Gambar 17 di bawah ini merupakan grafik perbandingan TPT dugaan NIR dengan TPT hasil pengukuran refraktometer pada tahap kalibrasi dan validasi.


14 13 12 11 10 R2 = 0.9648 9 8 8

9

10

11

12

13

14


Gambar 16. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap kalibrasi log (1/R) dengan metode PLS.

37


14 13 12 11 10 9 8 8

9

10

11

12

13

14


Gambar 17. Grafik perbandingan TPT dugaan NIR dengan TPT referensi pada tahap validasi log (1/R) dengan metode PLS. Tahap kalibrasi diperoleh nilai koefisien determinasi sebesar 96.48% atau koefisien korelasi 98.22%. Hal ini menjukkan terdapat hubingan yang nyata antara TPT dugaan NIR dengan TPT referensi. Standar error model kalibrasi adalah sebesar 0.20 dan standar error validasi sebesar 0.49. Tabel 11 dibawah ini adalah rangkuman hasil analisis data pendugaan TPT buah pepaya dengan metode Partial Least Squares (PLS). Tabel 11. Hasil analisis data TPT buah pepaya dengan metode Partial Least Squares (PLS). Diskripsi Statistik Jumlah sampel (buah) Maksimum (%Birix) Minimum (%Brix) Rata-rata (%Brix) Standar Deviasi (%Brix) Standar Error (%Brix)

Tahap Kalibrasi 66 13.20 8.40 9.91 1.09 0.20

Validasi 26 11.60 8.40 10.01 0.77 0.49

38

b. Pendugaan kekerasan Sama seperti kalibrasi pada pendugaan total padatan terlarut dengan metode kuadrat terkecil parsial (PLS) matriks koefisien hasil perhitungan dikalikan dengan matriks absorbansi sehingga diperoleh nilai kekerasan dugaan NIR. Keluaran perhitungan data pendugaan kekerasan metode PLS dengan MINITAB Release 14.0 for windows dapat dilihat pada lampiran (Lampiran 13). Pada Gambar 17 dan Tabel 12 di bawah ini dapat dilihat bahwa koefisien determinasi hasil analisis PLS cukup besar yaitu 97.67% yang berarti koefisien korelasinya adalah sebesar 98.83% dengan standar error kalibrasi 0.22 dan standar error validasi 0.56.


6 5 4 3 2 R2 = 0.9767 1 0 0

2

4

6


Gambar 18. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap kalibrasi log (1/R) dengan metode PLS.

39


6 5 4 3 2 1 0 0

1

2

3

4

5

6


Gambar 19. Grafik perbandingan kekerasan dugaan NIR dengan kekerasan referensi pada tahap validasi log (1/R) dengan metode PLS. Tabel 12. Hasil analisis data kekerasan buah pepaya dengan metode Partial Least Squares (PLS). Diskripsi Statistik


Tahap Kalibrasi

Validasi

70 5.34 0.12 2.18 1.48 0.22

26 3.56 0.17 1.14 0.85 0.56

Salah satu tahap analisis spektrum yang sangat penting adalah membentuk model kalibrasi melalui metode pengenalan pola untuk mengidentifikasi kemiripan dan pola utama data. Metode ini menghitung persamaan regresi berdasarkan spektrofotometri dan informasi nilai aktual yang diketahui, sehungga dapat digunakan untuk memprediksi konsentrasi sampel yang tidak diketahui. Hasil residu antara konsentrasi yang dibuat dan konsentrasi dugaan dari model dipakai sebagai parameter-parameter kebaikan model (Stchur et al., 2002 dalam Saragih, 2007).

Metode kalibrasi NIR yang umum digunakan adalah regresi linier berganda atau multiple linier regression (SMLR) antara data referensi dan dan

40

data absorbansi. Kesulitan penggunaan metode ini adalah spektrum NIR mengadung data dalam jumlah besar, dimana hanya beberapa bagian saja yang akan digunakan dalam persamaan sehingga terdapat kemungkinan sebagian data yang penting tidak masuk dalam persamaan. Metode kalibrasi yang lainya yang dapat mengekstrak informasi kimia dari data yang dihasilkan oleh suatu percobaan kimia adalah metode kalibrasi multivariat. Metode ini untuk mengurangi data berukuran besar yang diperoleh dari instrumen seperti spektrofotometer tanpa mengurangi informasi yang ada. Metode kalibrasi multivariat yang sering digunakan adalah regresi komponen utama (PCR) dan kuadrat terkecil parsial (PLS). Perbandingan antara metode regresi linier berganda (SMLR), regresi komponen utama (PCR) dan kuadrat terkecil parsial (PLS) pada pendugaan total padatan terlarut dan kekerasan buah prpaya disajikan pada tabel-tabel dibawah ini: Tabel 13. Perbandingan hasil kalibrasi dan validasi TPT dengan metode SMLR, PCR, dan PLS. SMLR Diskripsi statistik Kalibrasi Validasi R2(%) 92.56 R(%) 96.21 SE 0.28 0.25 CV (%) 2.88 2.51 RPD 3.84 3.07

PCR

Kalibrasi 73.02 85.45 0.56 5.69 1.94

Validasi 0.42 4.21 1.83

PLS

Kalibrasi 96.48 98.22 0.20 2.06 5.37

Validasi 0.49 4.86 1.59

Tabel 14. Perbandingan hasil kalibrasi dan validasi kekerasan dengan metode SMLR, PCR, dan PLS. SMLR Diskripsi statistik Kalibrasi Validasi R2(%) 96.47 R(%) 98.21 SE 0.28 0.35 CV (%) 12.65 30.51 RPD 5.36 2.43

PCR

Kalibrasi 77.77 88.18 0.69 31.74 2.14

Validasi 0.87 76.64 0.97

PLS

Kalibrasi 97.67 98.83 0.22 10.28 6.59

Validasi 0.56 49.84 1.49

41

Berdasarkan nilai koefisien determinasi (R2) pada analisis pendugaan total padatan terlarut dan kekerasan buah pepaya dengan metode SMLR dan PLS tergolong bagus (>90%) sedangkan pada metode PCR persamaan cukup bagus (>70%). Koefisien determinasi pada metode PLS lebih baik dari pada SMLR dan PCR baik pada pendugaan total padatan terlarut maupun pada pendugaan kekerasan. Pada tahap kalibrasi pendugaan total padatan terlarut model yang terbaik didapatkan pada PLS dengan SE sebesar 0.22 dan CV sebesar 2.06%, hal ini lebih baik dibandingkan pendugaan menggunakan SMLR dan PCR yang masing-masing menghasilkan SE dan CV sebesar 0.28 dan 2.88%, 0.56 dan 5.69%. Model pada PLS dan SMLR dikatakan akurat karena nilai CV kurang dari 3% dan dengan RPD>3 model layak diterapkan. Pada tahap kalibrasi pendugaan kekerasan buah pepaya model yang terbaik juga didapatkan pada PLS dengan SE dan CV lebih kecil dari metode PCR dan PLS, akan tetapi CV yang diperoleh menunjukkan nilai yang cukup tinggi yaitu 10.28%. Hal ini menunjukkan besar error pada model tersebut cenderung berubah dan juga menunjukkan hasil kalibrasi yang kurang baik, keadaan ini dapat diperbaiki dengan memperbesar rata-rata nilai kekerasan pada sampel yang digunakan. Sedangkan nilai RPD sebesar 6.59 menunjukkan hasil yang memuaskan. Hasil validasi model pendugaan total padatan terlarut dengan metode regresi linier berganda (SMLR) menunjukkan hasil yang paling baik, tetapi pendugaan total padatan terlarut metode PCR dan PLS serta pendungaan kekerasan baik metode SMLR, PCR maupun PLS perlu ditingkatkan akurasinya, karena nilai RPD<3 dan CV pada pendungaan kekerasan>20%. Validasi pada pendugaan total padatan terlarut menghasilkan standar error (SE), coefficient of variation (CV) dan rasio antar standar deviasi dengan standar error (SD/SE) berturut sebesar 0.25, 2.51%, dan 3.07 untuk metode SMLR; 0.42, 4.21%, dan 1.83 untuk metode PCR, serta 0.49, 4.867%, dan 1.59 untuk metode PLS. Sedangkan pada validasi pendugaan kekerasan adalah 0.35, 30.51%, dan 2.43 untuk metode SMLR; 0.87, 76.64%, dan 0.97 untuk metode PCR; serta 0.56, 49.84%, dan 1.49 untuk metode PLS.

42

Hasil dugaan NIR tahap validasi kecuali pada pendugaan TPT metode SMLR belum menunjukkan hasil yang akurat, hal ini dinyatakan dengan melihat harga dari standar error (SE) dan CV pada tahap validasi yang cukup besar serta RPD kurang dari 3. Penjelasan untuk hal ini dapat dijabarkan pada beberapa faktor yaitu ketidakakuratan karena kesalahan yang terjadi pada saat pengambilan data spetrum NIR, beberapa kemungkinan itu antara lain standar putih yang berubah warnanya saat pengambilan data, keadaan sampel yang basah sehingga penyerapan cahaya terhadap air pada permukaan sampel lebih besar, dan karena sampel yang digunakan merupakan sampel utuh, sehingga terdapat celah antara sampel dan tempat sampel yang mengakibatkan sebagian cahaya yang datang akan tersebar melalui celah. Faktor lain yang menyebabkan hasil analisis NIR kurang akurat adalah data hasil pengukuran refraktometer yang digunakan sebagai data referensi tidak bagus, disebabkan refraktometernya masih manual dan hanya memiliki ketelitian 0.2%Brix. Penelitian lebih lanjut untuk mengurangi potensi penyebaran cahaya dan masuknya cahaya luar melalui celah yang ada, diperlukan persiapan tempat sampel yang lebih baik seperti box tertutup dan berwarna gelap. Pengukuran dengan spektrum NIR dengan rentang panjang gelombang lebih dari 1400 nm diharapakan dapat dilakukan untuk menentukan kalibrasi yang optimum. Menurut Osborne et al. (1993) senyawa glukosa, sukrosa, fruktosa atau turunan karbohidrat yang merupakan kandungan utama total padatan terlarut dan komponen yang berpengruh terhadap kekerasan buah lebih banyak terdapat pada selang panjang gelombang 1400 nm – 2000 nm.

C. Pendugaan total padatan terlarut dan kekerasan selama penyimpanan dan pemeraman

Dengan model persamaan yang telah diperoleh yaitu persamaan 9 dan 10 dapat diduga total padatan terlarut dan kekerasan pepaya IPB 1 selama penyimpanan dan pemeraman. Penyimpanan dan pemeraman buah bertujuan untuk mengontrol laju pematangan buah, sehingga secara komersial digunakan untuk memenuhi permintaan pasar tanpa menimbulkan kerusakan dan penurunan mutu buah.

43

1. Total padatan terlarut Selama pematangan buah, total padatan terlarut yang komponen utamanya adalah gula meningkat karena terjadi pemecahan dan pembelahan polimer karbohidrat khususnya pati menjadi gula, pada tahap selanjutnya total padatan terlarut menurun karena hidrilisis gula menjadi asam organik dan digunakan respirasi. Gambar 18 memperlihatkan bahwa selama penyimpanan dingin pada suhu 100C selama 10 hari, kandungan TPT buah pepaya IPB 1 mengalami sedikit peningkatan. Pada sampel yang diberi perlakuan pemeraman konsentrasi etilen 200 ppm dengan suhu pemeraman 25o C total padatan terlarut tertinggi dicapai pada hari pertama setelah pemeraman yaitu 11.58%Brix, sedangkan pada sampel dengan pemeraman suhu ruang nilai tertinggi total padatan terlarut dicapai pada penyimpanan hari ke-10 yaitu 9.34%Brix dan pada sampel dengan pemeraman suhu 20o C total padatan terlarut tertinggi pada saat penyimpanan hari ke-9, data pendugaan

Total padatan terlarut (%Brix)

kekerasan dapat dilihat pada lampiran (Lampiran 15). 13 12 11 10 9 8 7 6 5 4 3 2 1 0

Penyimpanan

Pemeraman

penyimpanan 10C, pemeraman 20C penyimpanan 10C, pemeraman 25C penyimpanan 10C, pemeraman suhu ruang

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Waktu (hari)

Gambar 20. Perubahan TPT buah pepaya IPB 1 selama penyimpanan dan pemeraman 2. Kekerasan Umur panen tidak berpengaruh terhadap kekerasan buah, tetapi waktu simpan mempengaruhi kekerasan buah. Semakin lama waktu simpan, maka kekerasan semakin berkurang yang berarti bahwa buah akan semakin lunak.

44

Muchtadi dan Sugiyono (1992) menyatakan bahwa proses pelunakan buah disebabkan terhidrolisisnya zat pektin menjadi komponen-komponen yang larut air sehingga total zat pektin menurun kadarnya, dan komponen yang larut air akan meningkat jumlahnya yang mengakibatkan buah menjadi lunak. Menurut Pantastico (1986), perubahan dalam tebal dinding sel dan banyaknya ruang antar sel menyebabkan lunaknya jaringan, hal ini dianggap sebagai petunjuk utama terjadinya pemasakan. Melunaknya buah disebabkan oleh perombakan protopektin yang tidak larut menjadi pektin yang larut atau hidrolisis zat pati dan lemak. Pada Gambar 21 dapat dilihat perubahan kekerasan selama penyimpanan dan pemeraman dan data pendugaan kekerasan dapat dilihat pada lampiran (Lampiran 15).

Kekerasan (kgf)

10 8 6

Penyimpanan

Pemeraman

4 2 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

penyimpanan 10C, pemeraman 20C penyimpanan 10C, pemeraman 25C penyimpanan 10C, pemeraman suhu ruang

Waktu (hari)

Gambar 21. Perubahan kekerasan buah pepaya IPB 1 selama penyimpanan dan pemeraman Gambar 21 menunjukkan perubahan kekerasan selama penyimpanan dan pemeraman cenderung membentuk pola yang sama, selama penyimpanan kekerasan buah pepaya IPB 1 berubah secara fluktuatif, sedangkan setelah pemeraman kekerasan mengalami penurunan secara drastis. Perubahan kekerasan yang fluktuatif ini disebabkan model persamaan yang digunakan untuk menduga kekerasan memiliki tingkat akurasi yang rendah (RPD>3 dan CV>20%). Model yang diperoleh kurang akurat disebabkan oleh data referensi kekerasan hasil pengukuran rheometer yang digunakan untuk membangun model tidak bagus karena pada saat pengukuran pepaya tidak pada keadaan stabil terutama pada

45

pengukuran ujung dan pankgal buah. Untuk penelitian selanjutnya perlu dikondisikan posisi pepaya yang stabil terutama pada pengukuran ujung dan pangkal buah. Sehingga dapat disimpulkan bahwa NIR dengan panjang gelombang 900-1400 nm kurang dapat menduga nilai kekerasan buah pepaya dengan cukup tepat.

46

KESIMPULAN DAN SARAN

A. Kesimpulan

1. Teknologi near infrared pada panjang gelombang 900-1400 nm dapat digunakan untuk mengukur total padatan terlarut tetapi tidak dapat digunakan untuk mengukur kekerasan buah pepaya setelah dianalisis dengan metode stepwise regresi linier berganda (SMLR), regresi komponen utama (PCR), dan kuadrat terkecil parsial (PLS). 2. Model pendugaan total padatan terlarut metode regresi linier berganda (SMLR) layak diterapkan (RPD pada tahap kalibrasi dan validasi >3), tetapi model pendugaan total padatan terlarut metode PCR dan PLS serta pendungaan kekerasan baik metode SMLR, PCR maupun PLS perlu ditingkatkan akurasinya. 3. Total padatan terlarut pepaya selama penyimpanan dan pemeraman dapat diduga dengan teknologi NIR dan metode analisis SMLR dengan standar error, CV, dan rasio SD/SE adalah 0.25, 2.51%, dan 3.07.

B. Saran

1. Pada saat pengukuran kekerasan dengan rheometer, perlu dikondisikan posisi pepaya yang stabil terutama pada pengukuran ujung dan pangkal buah. 2. Diperlukan penelitian lebih lanjut untuk meminimalisasi penyebaran cahaya dan perlu dilakukan penggunaan sampel berupa preparat sehingga diperoleh informasi kandungan kima buah pepaya secara lebih luas. 3. Perlu dilakukan penelitian lebih lanjut dengan kisaran panjang gelombang yang lebih luas dan interval panjang gelombang yang lebih kecil dari 5nm.

47

DAFTAR PUSTAKA

Budiastra, I.W., H.K. Purwadaria, dan D. Saputra. 1995. Penerapan Teknologi Near Infrared untuk Rekayasa Alat Sortasi Buah Mangga. Makalah Kongres Ilmu Pengetahuan Nasional, Serpong 13-16 September 1995. Budiastra, I.W., dan Usman A. 2003. Pengembangan Sistem Deteksi Mutu Jagung Secara Simultan Berdasarkan Sifat Pantulan pada Panjang Gelombang Cahaya Inframerah Dekat. Laporan Penelitian Hibah Bersaing ke XI. IPB. Bogor. Chang, W.H., S.Chen, and C.C Tsai. 1998. Development of Universal Algorithm for Use of NIR in Estimation of Soluble Solid in Fruit Juices. Trans ASAE 41 (6) p: 1739-1745. http://warintek.ristek.go.id/pertanian/pepaya.pdf. 27 Agustus 2007 Kalie, M.B. 1999. Bertanam Pepaya. Penebar Swadaya. Jakarta. Mala, D.M. 2003. Pendugaan Kadar Air, Karbohidrat, Protein dan Lemak Tepung Jagung (Zea mays) dengan Teknologi Near Infrared. Skripsi. Jurusan Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor. Marthaningtyas, S. 2005. Pendugaan Total Padatan Terlarut dan Kadar Asam Belimbing (Averrhoa carambola L.) dengan Teknik Near Infrared dan Jaringan Saraf Tiruan. Skripsi. Departemen Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor. Mattjik, A. S dan I Made, S. 2006. Perancangan Percobaan dengan aplikasi SAS dan MINITAB. IPB Press. Bogor. Miller, J.C, and Miller J.N. 2000. Statistics and Chemometrics for Analytical Chemistry. Ed ke-4. Harlow: Pearson Education. Mohsenin, N.M. 1984. Electromagnetic Radiation Properties of Food and Agricultural Products. Gordon and Breach Science Publisher. New York. Muchtadi T.R, dan Sugiyono. 1992. Ilmu Pengetahuan Bahan Pangan. Departemen pendidikan dan Kebudayaan Direktorat Jenderal Pendidikan Tinggi. Pusat antar Universitas. IPB. Bogor Munawar, A.A. 2002. Pendugaan Kadar Gula dan Kekerasan Buah Belimbing Manis (Averrhoa caramola) dengan Teknologi Near Infrared. Skripsi. Jurusan Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor. Nur, M.A. 1989. Teknik Spektroskopi dalam Analisis Biologis. IPB. Bogor.

48

Osborne, B.G., T. Fearn, and P.H. Hindle. 1993. Practical NIR Spectroscopy, with applications in food and beverage analysis 2nd Edition. Longman Scientific and Technical, United Kingdom. Pantastico, Er. B. 1986. Fisiologi Pasca Panen. Gadjah Mada University Press. Yogyakarta Pramudianti, J. 2004. Kajian Penyerapan Gas Etilen dalam Penyimpanan Pepaya Segar (Carica papaya L.). Skripsi. Jurusan Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor. Pusat Kajian Buah-buahan Tropika. 2006. Rusnas Buah-buahan Unggul Indonesia. www.rusnasbuah.go.id. 27 Januari 2007. Puteh, I.M. 2003. Kajian Sistem Injeksi Etilen Secara Otomatik Pada Proses Pematangan Buatan (Artificial Ripening) Buah Pisang Susu (Musa sativa, L.). Skripsi. Fakultas Teknologi Pertanian. IPB. Bogor Rosita. 2001. Prediksi Mutu Buah Duku (Lansium domesticum Corr) dengan Metode NIR. Skripsi. Jurusan Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor. Rukmana, R. 1995. Pepaya: Budidaya dan Pascapanen. Penerbit Kanisius. Jakarta Saragih, M.A. 2007. Metode Analisis Simultan Natrium Benzoat dan Kalium Sorbat Menggunakan Kombinasi Spektrofotometri dan Kalibrasi Multivariat. Skripsi. Departemen Kimia. Fakultas Matematika dan Ilmu Pengetahuan Alam. IPB. Bogor. Satuhu, S. 1995. Teknik Pemeraman Buah. Penebar Swadaya. Jakarta. Senduk, K.A.E. 2002. Penentuan Tinkat Ketuaan dan Kematangan Sawo dengan Jaringan Syaraf Tiruan dari Spektrum Infra Merah Dekat. Tesis. Program Studi Teknologi Pasca Panen. IPB. Bogor. Susanto. 2000. Kalibrasi Infra Merah Dekat dengan Jaringan Syaraf Tiruan Untuk Menduga Konsentrasi Sukrosa Dan Asam Malat Mangga Gedong. Skripsi. Jurusan teknik pertanian. IPB. Bogor. Vanani, E. 1998. Penyusunan dan Pengujian Model Kosentrasi O2 dan CO2 pada Buah-buahan Tropika dalam Kemasan Modified Atmosphere. Skripsi. Jurusan Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor. Verheij, E.W.M dan R.E. Coronel. 1997. Buah-Buahan Yang Dapat Dimakan. PT Gramedia Pustaka Utama. Jakarta Winarno, F.G, Dedi, F. dan Srikandi, F. 1973. Spektroskopi. IPB. Bogor.

49

Winarno, F.G. dan Aman, M. 2002. Fisiologi Lepas Panen Produk Hortikulutura. M. Brio Press. Bogor. Winarno, F.G. dan Wirakartakusumah, M.A. 1981. Fisiologi Lepas Panen. Sastra Hudaya. Jakarta. Yogaswara, M. 2005. Aplikasi Teknik Near Infrared dan Jaringan Saraf Tiruan untuk Pendugaan Kadar Air dan Protein Kedelai (Glycine max (L) merill). Skripsi. Departemen Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor.

50

Lampiran 1. Program computer dalam bahasa C++ yang digunakan untuk menjalankan sistem NIR #include <stdio.h> #include <dos.h> #include #include #include <math.h> #define ADR 0x300 motordrive1() /* motordrive 5nm up */ { int i,j,k; int speed=500; int angle=100; for (i=0;i
51

data = (adlow + (adhigh<<8)); yr[flag]= ((10.0/4096.0)*data -5.0); outportb (ADR+10,0x01); gotoxy(1,24); printf("%f",yr[flag]); } analogdata2(flag,ys) int flag; float ys[100]; { int i,data; int adhigh, adlow;

outportb(ADR+11,0x01); outportb(ADR+10,1); outportb(ADR+9, 0x00); outportb(ADR+12,0); do {adhigh=inportb(ADR+5); } while ((adhigh & 0x10) != 0x00); adlow =inportb (ADR+4); data = (adlow + (adhigh<<8)); ys[flag]= ((10.0/4096.0)*data -5.0); outportb (ADR+10, 0x01); }

display(yr,ys,x,y) float yr[100],ys[100]; float x[100],y[100]; { int i; float dxx,dyy,dxxx,dyyy; float maxy,miny,xmax1,ymax1,xmin1,ymin1; float gx[100],gy[100]; /* data input */ for (i=0;i<100;i++){ x[i]=900.00+i*5.0; y[i]= ys[i]/yr[i]; } maxy=0.00; miny=0.00; xmax1=1400.00; xmin1=900.00; ymax1=1.00; ymin1=0.0; /* data conversion */ dxx=(xmax1-xmin1)/(550-100); dyy=(ymax1-ymin1)/(301-51); clrscr(); setcolor(WHITE); setlinestyle(SOLID_LINE,0,NORM_WIDTH); line (100,301,550,301); /* making graph */ line (100,51,100,301); settextjustify(CENTER_TEXT,CENTER_TEXT); settextstyle(TRIPLEX_FONT,VERT_DIR,0); setusercharsize(10,9,10,9);

52

outtextxy(50,176,"R(%)"); settextstyle(TRIPLEX_FONT,HORIZ_DIR,0); setusercharsize(10,9,10,9); outtextxy(350,335,"WAVELENGTH(nm)"); settextstyle(DEFAULT_FONT,HORIZ_DIR,0); dxxx=(xmax1-xmin1)/10.; dyyy=(ymax1-ymin1)/20.; for(i=0;i<11;i++){ outtextxy(i*dxxx/dxx+100,301,"|"); switch (i) { case(0):outtextxy(100,315,"900");break; case(4):outtextxy(4*dxxx/dxx+100,315,"1100");break; case (8):outtextxy(8*dxxx/dxx+100,315,"1300");break; case (10):outtextxy(10*dxxx/dxx+100,315,"1400");break; default:continue; } } for(i=0;i<21;i++){ outtextxy(100,301-(i*dyyy/dyy),"-"); switch(i){ case (0): outtextxy(80,301,"0");break; case (4): outtextxy(80,301-(4*dyyy/dyy),"20");break; case(8): outtextxy(80,301-(8*dyyy/dyy),"40");break; case (12): outtextxy(80,301-(12*dyyy/dyy),"60");break; case (16): outtextxy(80,301-(16*dyyy/dyy),"80");break; case (20): outtextxy(80,301-(20*dyyy/dyy),"100");break; default:continue; } } for (i=0;i<100;i++){ gx[i]=(1/dxx)*(x[i]-xmin1); gy[i]=(1/dyy)*(y[i]-ymin1); if (y[i]>maxy) maxy=y[i]; else if (y[i]<miny) miny=y[i]; gotoxy(1,24); printf("%d,R=%6.4f\t",i,y[i]); } for(i=0;i<98;i++) { line (gx[i]+100,301-gy[i],gx[i+1]+100,301-gy[i+1]); } } writedata(x,y) float x[100],y[100]; { int i; FILE *fp; char file[25]; printf("\nplease input file name\t"); scanf("%s", file); if((fp=fopen(file,"wt"))==NULL) { printf("can't open file(%s)",file); /* exit(-1); */ } for (i=0;i<100;i++){ fprintf(fp,"\n%6.2f %6.4f",x[i],y[i]);

53

} fclose(fp); } main() { int ay[100][2]; int flag; float x[100],y[100]; float yr[100],ys[100]; int graphdriver=DETECT,graphmode=DETECT; initgraph(&graphdriver,&graphmode,"C:\\TC\\BGI"); for (flag=0;flag<100;flag++){ analogdata1(flag,yr); motordrive1(); delay (500); gotoxy(25,1); printf("%d",flag); } delay(1000); motordrive2(); printf("\n please put the sample on the window if OK push any key"); while (!kbhit()); printf("\n analog data is being processed"); for (flag=0;flag<100;flag++){ analogdata2(flag,ys); motordrive1(); delay (500); gotoxy(25,1); printf("%d",flag); } delay(1000); motordrive2(); display(yr,ys,x,y); writedata(x,y); }

54

Lampiran 2. Pemilihan panjang gelombang untuk pendugaan total padatan terlarut dengan metode Stepwise Multiple Linier Regression (SMLR) Stepwise Regression: TPT versus PG900, PG905, ... Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05 Response is TPT on 100 predictors, with N = 66 Step Constant

1 16.54

2 16.34

3 16.82

4 16.48

PG1170 T-Value P-Value

-21.1 -9.58 0.000

-30.7 -7.84 0.000

-10.7 -2.37 0.021

-5.3 -1.12 0.268

18.1 2.89 0.005

43.7 6.67 0.000

18.4 1.68 0.097

14.4 1.39 0.169

-53.6 -6.07 0.000

-72.6 -6.73 0.000

-81.9 -11.94 0.000

-81.6 -11.81 0.000

41.8 2.80 0.007

48.7 3.57 0.001

63.8 7.74 0.000

0.508 79.83 78.50

0.510 79.41 78.42

0.513 78.77 78.10

PG1120 T-Value P-Value PG970 T-Value P-Value PG1110 T-Value P-Value S R-Sq R-Sq(adj) Step Constant

0.709 58.91 58.27

0.671 63.72 62.57

0.536 77.24 76.14

5 16.32

6 16.23

7 16.32

8 16.43

9 16.31

10 16.13

11 15.97

12 15.94


-81.8 -12.13 0.000

-74.1 -10.32 0.000

-76.2 -10.68 0.000

-88.9 -8.43 0.000

-81.8 -7.76 0.000

-78.3 -7.57 0.000


37 2.37 0.021

40 2.68 0.010

43 2.89 0.005

39 2.65 0.010

36 2.52 0.014

35 2.44 0.018


27 2.02 0.048

60 3.24 0.002

66 3.56 0.001

79 3.95 0.000

89 4.52 0.000

73 4.41 0.000

-43 -2.48 0.016

-42 -2.44 0.018

-57 -2.94 0.005

-31 -1.44 0.156

-8.3 -1.85 0.070

-7.5 -1.67 0.099

-8.7 -2.01 0.049

-9.6 -2.21 0.031

18 1.61 0.112

39 2.84 0.006

39 2.82 0.007

-58 -2.41 0.019

-76 -3.59 0.001

0.448 85.09 83.29

0.452 84.56 82.99

PG1170 T-Value P-Value PG1120 T-Value P-Value

PG1045 T-Value P-Value PG900 T-Value P-Value PG1000 T-Value P-Value PG1025 T-Value P-Value S R-Sq R-Sq(adj) Step Constant

0.501 80.08 79.12 13 15.89

0.482 81.90 80.71 14 15.83

0.472 82.87 81.44

0.466 83.60 81.93

15 15.89

16 15.84

17 15.85

18 15.70

32

46

49

49

PG1170 T-Value P-Value PG1120

55

T-Value P-Value

2.32 0.024

3.04 0.004

3.29 0.002

3.34 0.002


-80.2 -7.87 0.000

-83.3 -8.14 0.000

-86.2 -8.67 0.000

-82.2 -8.31 0.000

-80.3 -8.21 0.000

-78.7 -8.20 0.000


25 1.67 0.099

37 2.24 0.029

38 2.35 0.022

41 2.63 0.011

47 3.17 0.002

58 3.71 0.000


68 4.11 0.000

81 4.43 0.000

80 4.53 0.000

73 4.18 0.000

75 4.25 0.000

82 4.66 0.000


-12.9 -2.81 0.007

-15.3 -3.20 0.002

-15.0 -3.24 0.002

-14.8 -3.29 0.002

-12.9 -3.07 0.003

-9.9 -2.24 0.029


41 2.96 0.004

43 3.15 0.003

51 3.76 0.000

63 4.34 0.000

65 4.49 0.000

58 4.01 0.000


-73 -3.52 0.001

-74 -3.63 0.001

-87 -4.24 0.000

-84 -4.22 0.000

-85 -4.26 0.000

-96 -4.72 0.000


17.8 1.86 0.068

18.2 1.92 0.060

18.0 1.97 0.054

11.0 1.16 0.252

-21 -1.60 0.115

-46 -2.78 0.007

-45 -2.81 0.007

-45 -2.78 0.007

-43 -2.75 0.008

-21.0 -2.00 0.050

-25.4 -2.59 0.012

-46.4 -3.17 0.003


PG1115 T-Value P-Value PG1150 T-Value P-Value PG1175 T-Value P-Value

15.6 1.89 0.064

S R-Sq R-Sq(adj)

0.443 85.43 83.67

0.437 86.06 84.10

0.421 87.28 85.24

0.411 88.14 85.99

0.412 87.85 85.90

0.403 88.60 86.52

Step Constant

19 15.82

20 15.86

21 15.56

22 15.70

23 15.51

24 15.64


51 3.57 0.001

52 3.74 0.000

46 3.33 0.002

56 3.81 0.000

60 4.10 0.000

59 4.07 0.000


-92 -8.43 0.000

-94 -8.75 0.000

-89 -8.21 0.000

-91 -8.51 0.000

-87 -8.08 0.000

-83 -7.67 0.000


61 4.00 0.000

59 3.92 0.000

47 2.98 0.004

54 3.37 0.001

58 3.66 0.001

56 3.60 0.001


67 3.69 0.001

76 4.09 0.000

90 4.61 0.000

95 4.92 0.000

100 5.22 0.000

113 5.42 0.000


-11.6 -2.69 0.010

-10.4 -2.41 0.019

-11.1 -2.62 0.011

-11.4 -2.77 0.008

-11.6 -2.87 0.006

-8.6 -1.91 0.062

PG1000 T-Value

54 3.80

62 4.22

59 4.16

56 3.99

74 4.36

90 4.54



56

P-Value

0.000

0.000

0.000

0.000

0.000

0.000


-67 -2.87 0.006

-74 -3.18 0.002

-97 -3.78 0.000

-89 -3.49 0.001

-90 -3.60 0.001

-89 -3.59 0.001


-49 -3.17 0.003

-49 -3.27 0.002

-45 -3.06 0.003

-44 -3.03 0.004

-51 -3.46 0.001

-55 -3.71 0.001


-37 -2.50 0.015

-45 -2.95 0.005

-60 -3.58 0.001

-55 -3.33 0.002

-53 -3.25 0.002

-59 -3.55 0.001


34 2.99 0.004

31 2.78 0.007

28 2.52 0.015

30 2.76 0.008

31 2.89 0.006

30 2.91 0.005


-22.1 -2.27 0.027

-32.1 -2.88 0.006

-21.7 -1.79 0.080

-28.6 -2.28 0.027

-24.6 -1.98 0.054

-23.7 -1.92 0.060

14.2 1.74 0.088

20.7 2.40 0.020

25.1 2.84 0.006

22.6 2.58 0.013

28.7 3.01 0.004

25 1.93 0.059

24 1.93 0.060

26 2.11 0.040

30 2.43 0.019

-30 -1.77 0.083

-36 -2.12 0.039

-40 -2.37 0.022

-25 -1.78 0.081

-26 -1.88 0.065


PG1315 T-Value P-Value PG935 T-Value P-Value PG1130 T-Value P-Value PG985 T-Value P-Value PG1010 T-Value P-Value

-31 -1.51 0.137

S R-Sq R-Sq(adj)

0.388 89.59 87.47

Step Constant

25 15.62

0.381 90.15 87.92

0.372 90.81 88.52

0.364 91.34 88.97

0.357 91.86 89.42

0.352 92.22 89.68


55 3.79 0.000


-74 -5.92 0.000


46 2.74 0.009


104 4.77 0.000


-9.5 -2.13 0.038


98 4.82 0.000

57


-96 -3.86 0.000


-43 -2.52 0.015


-66 -3.86 0.000


34 3.19 0.003


-24 -1.99 0.053


34 3.36 0.002


33 2.64 0.011


-54 -2.81 0.007


-24 -1.79 0.079


-49 -2.07 0.044


30 1.47 0.148

S R-Sq R-Sq(adj)

0.348 92.56 89.92

58

Lampiran 3. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi metode Stepwise Multiple Linier Regression (SMLR) Lampiran 3a. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi metode Stepwise Multiple Linier Regression (SMLR)

Sampel

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

TPT referensi 9.20 9.90 9.00 9.10 8.80 9.00 9.10 9.00 9.10 9.20 9.40 9.80 9.50 9.30 9.00 9.70 9.00 9.30 10.10 9.00 9.30 8.80 9.70 9.30 9.80 9.20 10.50 11.00 10.60 9.00 11.00 8.40 8.70 10.00 9.00

TPT NIR 9.29 9.3608 9.35 9.4 8.7012 9.3 9.064 9.03 9.17 9.22 9.45 9.397 9.6599 9.6386 8.7535 10.3088 9.0978 9.065 10.2855 9.178 9.1302 9.0659 10.1118 8.8823 10.4 9.1765 10.3583 11.14 10.7 8.9569 11.02 8.3767 8.8 9.9248 8.6456

Sampel 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66

TPT referensi 9.60 8.90 10.60 10.60 9.70 9.60 10.00 9.80 9.00 10.00 9.70 9.80 10.30 9.20 9.00 8.60 9.20 8.60 11.60 11.40 11.80 11.50 11.50 11.30 13.20 12.80 11.20 11.80 11.40 11.80 11.40

TPT NIR 9.67 8.7377 10.4362 10.3417 9.6888 9.7 9.9893 9.9 8.9574 9.5349 10.5 10.1 9.8928 8.9943 9.6 8.5282 8.9977 8.6 11.3008 11.4 11.3432 10.7741 11.6 11.1034 13.0737 12.545 10.86 11.61 11.18 11.9 11.6

59

Lampiran 3b. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap validasi metode Stepwise Multiple Linier Regression (SMLR).

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

TPT referensi 10.20 9.20 8.40 9.60 9.00 10.00 10.80 10.00 9.60 9.80 9.40 9.00 10.60 9.60 8.80 10.60 10.20 11.20 11.60 10.80 10.60 10.80 10.00 9.80 10.20 10.40

TPT NIR 10.19979 9.237669 8.611616 9.728423 9.525165 10.47268 11.01994 10.33802 9.789926 9.781109 9.284293 8.977748 10.70544 9.74851 8.819816 10.64764 10.27264 11.20412 11.61542 10.98961 10.64133 11.49637 9.819491 10.1815 9.869801 10.52478

60

Lampiran 4. Pemilihan panjang gelombang untuk pendugaan kekerasan dengan metode Stepwise Multiple Linier Regression (SMLR) Stepwise Regression: KGF versus PG900, PG905, ... Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05 Response is KGF on 100 predictors, with N = 70 Step 1 2 3 4 5 Constant -4.980 -3.946 -3.524 -3.543 -3.785 PG1235 T-Value P-Value

22.2 7.95 0.000


6 -3.470

119.3 7.01 0.000

174.2 7.32 0.000

119.7 4.08 0.000

115.6 4.32 0.000

109.3 4.54 0.000

-104 -5.76 0.000

-105 -6.17 0.000

-119 -7.08 0.000

-123 -8.01 0.000

-72 -3.80 0.000

-58 -3.12 0.003

-68 -3.80 0.000

-58 -3.54 0.001

-44 -2.92 0.005

78 2.91 0.005

100 3.99 0.000

105 4.68 0.000

-15.8 -3.76 0.000

-20.4 -5.17 0.000

PG1260 T-Value P-Value PG1230 T-Value P-Value PG1370 T-Value P-Value PG1160 T-Value P-Value

-66 -4.02 0.000

S R-Sq R-Sq(adj)

1.07 48.19 47.43

0.884 65.36 64.32

0.832 69.80 68.43

0.788 73.29 71.65

0.719 78.12 76.41

0.647 82.59 80.93

Step Constant

7 -3.255

8 -3.334

9 -3.458

10 -3.517

11 -3.577

12 -3.487


49 1.97 0.053


-93 -5.39 0.000

-91 -5.15 0.000

-93 -5.54 0.000

-96 -5.63 0.000

-89 -5.45 0.000

-92 -5.91 0.000


-40 -2.99 0.004

-29 -2.34 0.022

-27 -2.22 0.030

-27 -2.23 0.029

-26 -2.27 0.026

-41 -3.36 0.001


81 3.96 0.000

96 4.93 0.000

100 5.34 0.000

99 5.20 0.000

95 5.31 0.000

89 5.21 0.000


-23.4 -6.62 0.000

-24.4 -6.84 0.000

-11.4 -1.91 0.060


-77 -5.22 0.000

-81 -5.43 0.000

-85 -5.97 0.000

-83 -5.72 0.000

-100 -6.81 0.000

-107 -7.53 0.000


111 4.43 0.000

138 6.37 0.000

158 7.19 0.000

167 7.63 0.000

158 7.59 0.000

173 8.41 0.000

-32.2 -2.68 0.009

-51.0 -7.26 0.000

-38.7 -5.04 0.000

-62.6 -5.47 0.000

12.3 3.10 0.003

14.7 3.79 0.000

PG1340 T-Value P-Value PG900 T-Value P-Value PG1330 T-Value P-Value

37 2.72 0.009

S R-Sq R-Sq(adj)

0.568 86.78 85.29

0.581 85.95 84.62

0.554 87.41 85.99

0.566 86.67 85.40

0.531 88.46 87.16

0.505 89.70 88.35

Step Constant

13 -3.178

14 -2.736

15 -2.334

16 -2.269

17 -2.373

18 -2.402

61


-88 -5.81 0.000

-84 -5.68 0.000

-85 -6.01 0.000

-83 -5.83 0.000

-84 -6.11 0.000

-95 -6.97 0.000


-39 -3.26 0.002

-37 -3.18 0.002

-49 -4.08 0.000

-44 -3.75 0.000

-49 -4.24 0.000

-46 -4.22 0.000


84 4.99 0.000

77 4.68 0.000

71 4.44 0.000

72 4.44 0.000

71 4.55 0.000

76 5.10 0.000


-96 -6.50 0.000

-98 -6.88 0.000

-89 -6.34 0.000

-82 -6.06 0.000

-85 -6.50 0.000

-79 -6.28 0.000


181 8.88 0.000

180 9.20 0.000

173 9.14 0.000

165 8.91 0.000

153 8.24 0.000

143 7.95 0.000


-68.7 -5.97 0.000

-54.0 -4.26 0.000

-49.2 -4.02 0.000

-38.0 -3.72 0.000

-32.7 -3.24 0.002

-35.3 -3.67 0.001


21.3 4.34 0.000

20.0 4.21 0.000

21.3 4.67 0.000

21.4 4.62 0.000

18.2 3.90 0.000

21.9 4.74 0.000


31 2.30 0.025

33 2.56 0.013

21 1.61 0.113


-18.3 -2.11 0.039

-22.6 -2.65 0.010

-33.6 -3.66 0.001

-38.3 -4.33 0.000

-54.3 -4.98 0.000

-47.2 -4.43 0.000

-10.2 -2.39 0.020

-13.4 -3.15 0.003

-13.6 -3.16 0.003

-12.2 -2.90 0.005

-8.7 -2.08 0.042

36 2.61 0.012

44 3.34 0.001

45 3.58 0.001

46 3.86 0.000

34 2.36 0.022

71 3.70 0.000



-43 -2.75 0.008

S R-Sq R-Sq(adj)

0.492 90.41 88.97

0.473 91.26 89.78

0.452 92.18 90.69

0.458 91.83 90.44

0.441 92.54 91.13

0.418 93.41 92.03

Step Constant

19 -2.382

20 -2.677

21 -2.599

22 -2.589

23 -2.497

24 -2.561


48 2.55 0.014

53 2.88 0.006

59 3.29 0.002

63 3.64 0.001

62 3.82 0.000

54 3.40 0.001


-100 -7.59 0.000

-104 -8.03 0.000

-110 -8.76 0.000

-104 -8.25 0.000

-101 -8.68 0.000

-100 -8.98 0.000


-53.8 -4.95 0.000

-54.0 -4.89 0.000

-63.0 -5.69 0.000

-68.4 -6.23 0.000

-67.6 -6.63 0.000

-70.8 -7.19 0.000


64 4.30 0.000

68 4.55 0.000

62 4.29 0.000

65 4.64 0.000

64 4.91 0.000

65 5.23 0.000

-72 -5.85 0.000

-71 -5.66 0.000

-75 -6.23 0.000

-78 -6.65 0.000

-87 -7.73 0.000

-94 -8.44 0.000

118

113

123

115

106

80

PG1370 T-Value P-Value PG1160 T-Value P-Value PG1215

62

T-Value P-Value

5.97 0.000

5.71 0.000

6.38 0.000

6.11 0.000

5.94 0.000

4.03 0.000


-38.1 -4.12 0.000

-46.4 -5.90 0.000

-59.4 -6.61 0.000

-62.5 -7.09 0.000

-60.7 -7.41 0.000

-56.0 -6.94 0.000


22.2 5.02 0.000

23.1 5.18 0.000

24.6 5.75 0.000

24.3 5.87 0.000

23.4 6.07 0.000

24.5 6.58 0.000


-44.5 -4.35 0.000

-40.6 -4.02 0.000

-37.3 -3.85 0.000

-29.7 -2.97 0.004

-31.0 -3.34 0.002

-28.6 -3.20 0.002


-6.7 -1.64 0.107


41.8 3.60 0.001

36.4 3.23 0.002

26.4 2.31 0.025

27.5 2.49 0.016

31.7 3.06 0.003

31.6 3.19 0.002


77 4.13 0.000

87 4.87 0.000

88 5.19 0.000

94 5.65 0.000

93 6.03 0.000

104 6.74 0.000


-52 -3.37 0.001

-61 -4.10 0.000

-63 -4.48 0.000

-59 -4.26 0.000

-73 -5.37 0.000

-78 -5.91 0.000

30 2.61 0.011

34 2.98 0.004

35 3.28 0.002

33 3.21 0.002

-19.0 -2.20 0.032

-28.1 -3.29 0.002

-32.1 -3.85 0.000

36 3.13 0.003

35 3.16 0.003



35 2.46 0.017

S R-Sq R-Sq(adj)

0.399 94.10 92.73

Step Constant

25 -2.464


46 2.94 0.005


-94 -8.45 0.000


-69.8 -7.32 0.000


71 5.76 0.000

0.405 93.81 92.51

0.386 94.49 93.21

0.373 94.93 93.64

0.347 95.71 94.52

0.332 96.15 94.99


-98 -8.97 0.000


84 4.36 0.000


-50.2 -6.08 0.000

PG900 T-Value

26.4 7.13

63

P-Value

0.000


-29.1 -3.37 0.001


32.0 3.34 0.002


106 7.09 0.000


-78 -6.14 0.000


29.6 2.99 0.004


-33.4 -4.13 0.000


38 3.52 0.001


40 2.88 0.006


-18.8 -2.17 0.035

S R-Sq R-Sq(adj)

0.321 96.47 95.31

64

Lampiran 5. Data kekerasan hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi metode Stepwise Multiple Linier Regression (SMLR) Lampiran 5a. Data kekerasan dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi metode Stepwise Multiple Linier Regression (SMLR)

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

KGF referensi 3.62 5.34 2.23 4.31 3.19 4.57 2.66 2.46 2.25 3.91 4.63 3.43 5.16 3.66 4.52 3.79 3.72 3.03 4.17 3.7 4.1 2.82 2.77 3.1 2.9 2.7 2.8 2.65 3.68 2.45 2.3 2.23 2.39 2.06 2.45

KGF NIR 3.70328 5.50331 2.44 4.0889 3.2648 4.78399 3.38167 2.93491 1.78905 3.81662 3.96259 3.20306 4.91923 3.46978 4.38209 3.79048 3.89667 3.4862 4.12393 3.49571 3.77869 2.86066 2.41455 2.79593 2.81104 2.6053 2.85712 2.45045 3.78714 2.54969 2.39169 2.5298 2.32023 2.52214 2.32606

Sampel 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

KGF referensi 2.09 2.4 2.05 1.74 2.73 2.49 2.29 2.15 2.01 3.03 2.26 2.3 2.78 0.7 0.27 0.47 0.13 0.12 0.2 0.15 0.29 0.2 0.23 0.28 0.65 0.21 0.39 0.3 0.33 0.19 0.74 0.23 0.29 0.2 0.24

KGF NIR 2.20889 2.14264 1.89094 1.73007 2.82722 2.23196 1.92188 2.7842 1.65725 2.90958 2.51467 2.29004 2.55513 0.66271 0.40644 0.35348 0.2294 0.15451 0.14868 0.15059 0.51602 0.24197 0.00924 0.78782 0.3733 0.7405 0.51325 0.41036 0.90749 0.26621 0.64877 0.23093 0.17416 0.54967 0.09261

65

Lampiran 5b. Data kekerasan dugaan NIR dan hasil pengukuran rheometer pada tahap validasi metode Stepwise Multiple Linier Regression (SMLR)

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Keterangan: KGF referensi KGF NIR

KGF referensi 0.71 0.88 2.5 3.56 1.76 0.68 1.52 1.18 2.35 0.4 0.53 1.31 1.86 1.1 1.65 1.58 0.17 0.17 1.66 0.46 0.27 0.25 0.29 0.5 0.63 1.7

KGF NIR 0.899538 1.306315 2.562984 3.467875 1.298769 1.067354 1.582441 1.092181 2.333203 1.010668 0.717777 1.500046 2.105207 1.506766 2.008336 1.997818 0.282842 0.311299 1.845503 0.563979 0.381578 1.07821 0.879753 0.60977 0.157608 2.164572

= Kekerasan hasil pengukuran rheometer = Kekerasan dugaan NIR

66

Lampiran 6. Output program MINITAB Release 14.0 for windows untuk pendugaan total padatan terlarut dengan metode Principal Component Regression (PCR) Principal Component Analysis: PG900, PG905, PG910, PG915, PG920, PG925, PG930, Eigenanalysis of the Covariance Matrix Eigenvalue Proportion Cumulative

0.15428 0.908 0.908

0.01289 0.076 0.984

0.00041 0.002 0.987

Eigenvalue Proportion Cumulative

0.00014 0.001 0.993

0.00013 0.001 0.993

0.00011 0.001 0.994

sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

pc1 -2.91138 -2.9617 -3.13542 -3.08179 -3.07469 -3.26597 -2.94082 -3.15227 -3.25033 -3.35655 -2.99109 -3.14635 -2.84048 -3.01469 -3.49901 -2.51582 -2.99656 -3.01946 -3.21838 -3.06204 -3.21987 -2.95096 -2.90603 -3.08417 -2.78527 -2.8289 -2.62634 -3.19561 -2.83236 -2.86096 -3.33246 -3.16393 -3.34082 -2.87519 -2.88488 -2.9698

pc2 -0.00962 0.030352 0.053691 0.006551 0.290918 0.34387 0.11895 0.195737 0.152651 0.150353 0.046508 0.054691 0.173636 0.245747 0.194074 0.026506 0.162681 0.22918 0.189394 0.286395 0.165894 0.169144 0.138492 0.215879 0.184275 0.192746 0.223749 0.194444 0.139896 0.188942 0.487806 0.444425 0.229319 0.214776 0.100586 0.058347

pc3 0.052313 0.037268 0.043515 0.046146 0.034376 0.070211 0.052577 0.037149 0.04891 0.040797 0.032083 0.04482 0.049398 0.042197 0.05131 0.021635 0.043089 0.043199 -0.01048 0.050713 0.036817 0.037836 0.053519 0.040594 0.037719 0.050326 0.045377 0.036833 0.080074 0.064357 -0.07708 0.050783 0.059493 0.056706 0.050933 0.045738

0.00028 0.002 0.988

0.00023 0.001 0.990

pc4 0.046924 0.051888 0.060032 0.056061 0.050596 0.091278 0.069515 0.049097 0.039079 0.061707 0.055524 0.059316 0.051028 0.054505 0.071262 0.030025 0.05905 0.060317 0.06544 0.063743 0.06129 0.051948 0.07089 0.061546 0.05998 0.057482 0.036895 0.069104 0.143784 0.059393 0.07912 0.039274 0.06677 0.060883 0.096342 0.067746

0.00020 0.001 0.991

pc5 -0.0255 -0.03264 -0.02343 -0.03682 -0.05974 -0.07351 -0.00518 -0.03098 -0.03659 -0.01363 -0.00415 -0.01285 -0.01877 -0.01615 -0.01892 -0.02757 -0.02295 -0.02191 -0.00369 -0.01652 -0.01351 -0.01721 -0.02638 -0.0092 -0.01791 -0.02072 -0.00017 0.004395 0.004683 -0.0035 -0.02698 -0.00492 0.019337 -0.01818 -0.04251 -0.02284

0.00017 0.001 0.992

pc6 0.008462 0.00695 0.007195 -0.00314 0.00815 -0.04145 -0.01644 0.009624 0.024584 0.00246 0.00693 -0.00066 0.01783 0.010791 0.0109 -0.0028 0.008894 0.015469 0.007284 0.009965 0.015847 0.004333 0.011016 0.009492 0.005764 0.00528 -0.01648 0.009995 -0.01898 0.018095 -0.01267 0.021799 0.022275 0.019983 -0.00115 0.009286

67

37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-2.92285 -3.1087 -3.12342 -3.16209 -2.98806 -3.06327 -3.31439 -3.47399 -3.03895 -2.4782 -2.64387 -2.70377 -3.15317 -2.86519 -3.4258 -3.26468 -3.05776 -2.71593 -2.24986 -2.59623 -2.58779 -2.45947 -2.24508 -1.74926 -1.79165 -2.74155 -2.22796 -2.78218 -2.20232 -2.22969 pc7 0.011054 0.003 -0.00464 0.002027 0.036348 0.011762 0.004895 0.001042 -0.00503 -0.0017 0.012564 0.002175 0.013054 0.002423 0.003186 0.008886 -0.00226 -0.00044 -0.01398 0.002321

0.153009 0.060198 0.039818 -0.00159 0.020759 0.032929 -0.03027 0.265655 0.125938 0.157527 0.164299 0.157261 0.057513 0.368023 0.333373 0.198005 0.244884 0.151915 0.220913 0.35073 0.265296 0.360485 0.247937 0.214286 0.14978 0.125882 0.084613 0.240468 0.137917 0.194331 pc8 -0.01141 -0.00504 -0.01056 -0.00574 -0.00147 -0.00653 -0.00978 -0.03214 0.001573 -0.00723 -0.01318 -0.01047 -0.00387 -0.00357 -0.01174 -0.00557 -0.0072 -0.01516 -0.00833 -0.00846

0.037716 0.038548 0.048978 0.004136 0.006846 0.012217 0.024764 0.046381 0.028707 0.031011 0.043455 0.038942 0.037835 0.060356 0.063199 0.041819 0.061757 0.040817 0.037426 0.046018 0.047466 0.041678 0.048305 0.031077 0.025643 0.03629 0.037346 0.026376 0.031578 0.032266 pc9 -0.01397 -0.00761 -0.00699 -0.01319 -0.03495 -0.0147 -0.00736 -0.01304 -0.01558 -0.0124 -0.00634 -0.00899 -0.00136 -0.00668 -0.00732 -0.01109 -0.00344 -0.01239 -0.01453 -0.01092

0.015189 0.059436 0.060998 0.111369 0.087956 0.082598 0.082678 0.076314 0.051701 0.069796 0.071626 0.074095 0.067412 0.079426 0.067383 0.034816 0.071212 0.064831 0.072182 0.082009 0.083774 0.07574 0.06508 0.043568 0.063873 0.071834 0.066986 0.068218 0.090426 0.066658 pc10 -0.00086 0.009289 0.006624 0.001122 0.000408 0.015167 -0.01612 0.011631 0.012402 0.02257 0.010182 -0.00313 0.012539 0.015465 0.015641 0.005317 0.010131 0.014227 0.005694 0.012581

-0.0222 -0.03568 -0.02852 -0.02152 -0.02397 -0.02071 -0.03672 -0.00771 -0.01814 -0.03349 -0.02636 -0.03724 -0.03329 -0.03278 -0.04386 -0.0559 -0.03783 -0.04653 -0.02539 -0.02583 -0.03449 -0.02717 -0.01031 -0.00907 -0.03339 -0.04727 -0.02854 -0.01643 -0.01552 -0.03076

-0.02576 -0.01182 0.019803 0.015931 0.023504 0.019992 0.034051 0.004003 0.00326 0.014222 0.012835 0.004201 0.005595 0.016955 0.014656 0.028365 0.008848 0.006514 0.023635 0.025684 0.021465 0.026117 0.015951 -0.00789 0.00132 0.027511 0.008865 0.014588 -0.00089 0.0261

TPT 9.241 9.6769 9.2668 9.1908 9.2827 8.8958 9.2744 8.9997 9.0405 9.1298 9.5955 9.0261 9.8147 9.7374 8.5917 10.5187 9.6755 9.6536 10.155 9.5389

68

21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66

0.00318 0.001948 0.000107 -0.00032 -0.00108 -0.00404 0.001739 0.011581 0.000441 0.041252 0.004766 0.01768 -0.01987 0.061487 0.00752 -0.00331 -0.00539 -0.00453 -0.01817 0.024623 0.005566 0.00515 0.003284 -0.00239 -0.00814 0.005679 -0.01151 0.007871 -0.00729 -0.00538 -0.0133 -0.00684 -0.01193 -0.00616 -0.00726 0.00304 -0.00434 -0.01017 -0.01073 0.007704 -0.00835 0.004267 0.007003 0.004166 0.000439 0.001934

-0.01173 -0.01156 -0.01462 -0.00893 -0.01505 -0.01166 -0.03126 -0.02789 0.002063 -0.0018 0.006276 -0.00536 -0.01353 0.006378 -0.0367 -0.00627 -0.01459 -0.00071 0.057132 -0.03095 -0.0094 -0.01578 -0.00493 -0.00046 -0.01273 -0.01296 -0.01266 -0.00633 -0.0098 -0.00967 -0.01674 -0.03398 -0.00781 -0.00941 -0.00713 -0.01166 -0.00968 -0.00649 -0.01587 0.007103 -0.01226 -0.00356 -0.01378 -0.0108 -0.00293 -0.01792

-0.0129 -0.00401 0.008022 -0.01286 -0.00412 -0.00211 0.018511 -0.02722 -0.00794 -0.00275 0.008351 -0.01516 -0.00695 0.027529 -0.00638 0.003494 0.02449 0.003399 -0.00387 -0.0011 -0.00356 0.001565 0.012581 -0.0146 -0.00668 0.001753 -0.00729 -0.00543 0.006898 0.011671 0.002112 -0.00275 0.009817 0.000733 0.005993 0.004072 -0.0014 -0.00398 -0.00214 -0.01183 -0.02364 -0.01623 -0.00317 -0.01138 -0.01353 -0.01332

0.008169 0.005143 0.011165 0.011889 0.008624 0.003932 0.013345 0.040577 0.004074 0.008533 -0.00493 -0.00919 -0.02148 0.000285 -0.00527 0.007147 0.028699 -0.00673 0.013351 0.010895 0.010958 0.003757 0.020784 0.022764 0.017815 0.005354 0.005833 0.021814 0.00359 0.019299 0.003134 -0.00291 0.000258 0.005058 0.011486 0.014102 0.012209 0.014638 -0.00705 0.009939 0.005758 -0.00093 0.009401 0.008501 0.0134 0.010391

9.2427 9.6083 9.701 9.6106 10.1055 9.7883 9.7707 9.6102 10.4613 9.4202 10.8834 8.7778 8.5327 9.2298 9.4853 9.7128 9.3545 9.2287 10.3575 9.9265 10.4843 9.9722 9.578 9.1233 9.7743 10.9016 10.5662 10.6191 9.318 10.094 8.4229 8.3437 9.3005 10.2713 11.656 10.8286 10.8722 11.3431 11.1193 12.5598 12.6176 10.4014 11.3419 10.4716 12.0623 11.5432

69

Regression Analysis: TPT versus pc1, pc2, ... The regression equation is TPT = 16.1 + 2.21 pc1 + 0.378 pc2 - 14.9 pc3 + 11.7 pc4 + 1.38 pc5 + 3.23 pc6 - 8.21 pc7 + 13.5 pc8 - 3.95 pc9 + 13.5 pc10

Predictor Constant pc1 pc2 pc3 pc4 pc5 pc6 pc7 pc8 pc9 pc10

Coef 16.1260 2.2130 0.3777 -14.919 11.749 1.376 3.229 -8.210 13.538 -3.951 13.480

SE Coef 0.7076 0.2073 0.7092 3.710 4.096 4.900 5.626 5.966 6.318 7.131 7.778

S = 0.619274 R-Sq = 73.0% Analysis of Variance Source DF SS Regression 10 57.0918 Residual Error 55 21.0925 Total 65 78.1844

T 22.79 10.68 0.53 -4.02 2.87 0.28 0.57 -1.38 2.14 -0.55 1.73

P 0.000 0.000 0.596 0.000 0.006 0.780 0.568 0.174 0.037 0.582 0.089

R-Sq(adj) = 68.1% MS 5.7092 0.3835

F 14.89

P 0.000

70

Lampiran 7. Matriks perkalian nilai pembobot komponen utama dan absorbansi NIR PC12 L PC1n ⎤ ⎡W11 W12 L W1t ⎤ ⎡ X 11 X 12 L X 1n ⎤ PC 22 L PC 2 n ⎥⎥ ⎢⎢W21 W22 L W2t ⎥⎥ ⎢⎢ X 21 X 22 L X 2 n ⎥⎥ = M M M ⎥ ⎢ M M M M ⎥ ⎢ M M M M ⎥ ⎥ ⎥ ⎢ ⎥ ⎢ PC m 2 L PC mn ⎦ ⎣Wm1 Wm 2 L Wmt ⎦ ⎣ Xt1 X t 2 L X tN ⎦ Matriks komponen utama = Matriks pembobot x Matrik absorbansi NIR

⎡ PC11 ⎢ PC ⎢ 21 ⎢ M ⎢ ⎣ PC m1

Dimana : PCmn = Komponen utama ke-n (10) pada sampel ke-m (m = 66 pada pendugaan TPT dan m = 70 pada pendugaan kekerasan) Wmt

= Pembobot ke-t (10) pada panjang gelombang ke-m (100)

Xtn

= Sampel data absorbansi NIR ke-t (t = 66 pada pendugaan TPT dan t = 70 pada pendugaan kekerasan)

71

Lampiran 8. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi Principal Component Regression (PCR). Lampiran 8a. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi metode Principal Component Regression (PCR).

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

TPT referensi 9.20 9.90 9.00 9.10 8.80 9.00 9.10 9.00 9.10 9.20 9.40 9.80 9.50 9.30 9.00 9.70 9.00 9.30 10.10 9.00 9.30 8.80 9.70 9.30 9.80 9.20 10.50 11.00 10.60 9.00 11.00 8.40 8.70 10.00 9.00

TPT NIR 9.241 9.6769 9.2668 9.1908 9.2827 8.8958 9.2744 8.9997 9.0405 9.1298 9.5955 9.0261 9.8147 9.7374 8.5917 10.5187 9.6755 9.6536 10.155 9.5389 9.2427 9.6083 9.701 9.6106 10.1055 9.7883 9.7707 9.6102 10.4613 9.4202 10.8834 8.7778 8.5327 9.2298 9.4853

Sampel 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66

TPT referensi 9.60 8.90 10.60 10.60 9.70 9.60 10.00 9.80 9.00 10.00 9.70 9.80 10.30 9.20 9.00 8.60 9.20 8.60 11.60 11.40 11.80 11.50 11.50 11.30 13.20 12.80 11.20 11.80 11.40 11.80 11.40

TPT NIR 9.7128 9.3545 9.2287 10.3575 9.9265 10.4843 9.9722 9.578 9.1233 9.7743 10.9016 10.5662 10.6191 9.318 10.094 8.4229 8.3437 9.3005 10.2713 11.656 10.8286 10.8722 11.3431 11.1193 12.5598 12.6176 10.4014 11.3419 10.4716 12.0623 11.5432

72

Lampiran 8b. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap validasi Principal Component Regression (PCR).

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

TPT referensi 10.20 9.20 8.40 9.60 9.00 10.00 10.80 10.00 9.60 9.80 9.40 9.00 10.60 9.60 8.80 10.60 10.20 11.20 11.60 10.80 10.60 10.80 10.00 9.80 10.20 10.40

TPT NIR 10.25872 9.506693 8.752647 9.97392 9.764959 9.791599 10.60334 10.00929 10.00593 10.47888 9.915319 9.424339 10.53491 9.758172 9.647526 10.46174 10.0826 11.06735 11.32317 10.23724 11.18579 10.76571 10.18187 10.50451 10.87747 10.4005

73

Lampiran 9. Output program MINITAB Release 14.0 for windows untuk pendugaan kekerasan dengan metode Principal Component Regression (PCR) Principal Component Analysis: PG900, PG905, PG910, PG915, PG920, PG925, PG930, Eigenanalysis of the Covariance Matrix Eigenvalue Proportion Cumulative

0.15428 0.908 0.908

0.01289 0.076 0.984

0.00041 0.002 0.987

Eigenvalue Proportion Cumulative

0.00014 0.001 0.993

0.00013 0.001 0.993

0.00011 0.001 0.994

sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

PC1 -2.91116 -3.06809 -3.25818 -3.24671 -2.81207 -3.35291 -3.00915 -3.49446 -2.85837 -2.92313 -2.92079 -3.0003 -3.19118 -2.82903 -2.94761 -3.0381 -3.15443 -3.33566 -2.90648 -2.87035 -2.9117 -2.9681 -2.87762 -3.04351 -2.91926 -3.10686 -3.27063 -3.2464 -3.12203 -3.16133 -2.9008 -3.0578 -3.06954 -2.87907 -3.09597

PC2 0.052846 0.35431 0.412314 0.220694 0.273895 0.219206 0.307482 0.265759 0.15657 0.33228 0.301135 0.289682 0.259678 0.199144 0.282293 0.198208 0.508986 0.297973 0.38204 0.273948 0.25336 0.119994 0.054141 0.152058 0.213546 0.12378 0.21133 0.15692 0.105139 0.05922 0.035761 0.001487 0.012876 -0.02367 0.061598

PC3 0.062177 0.077655 0.114356 0.059527 0.033261 0.073315 0.072043 0.088699 0.074168 0.075135 0.067013 0.104969 0.080212 0.140457 0.051763 0.086122 0.071752 0.081472 0.06535 0.092836 0.059522 0.079963 0.080508 0.058922 0.029429 0.070472 0.094341 0.050023 0.068397 0.125004 0.08698 0.093173 0.088536 0.088547 0.085489

0.00028 0.002 0.988

0.00023 0.001 0.990

PC4 0.018185 -0.02165 0.03061 -0.00058 -0.00343 0.011111 0.003724 0.011083 0.000652 0.003433 -1.5E-05 -0.05298 0.004082 0.080245 0.000568 -0.00686 -0.01146 0.024023 -0.00964 0.008308 0.00848 0.019832 0.019365 0.013974 0.012529 0.023169 0.014151 0.027795 0.030337 -0.01456 -0.01461 -0.0104 -0.00992 -0.01542 -0.01078

0.00020 0.001 0.991

PC5 -0.04123 -0.05198 -0.07894 -0.04355 -0.04108 -0.01718 -0.01482 -0.01875 -0.02125 -0.01043 -0.00672 -0.01672 0.002389 -0.00383 -0.00998 -0.0059 0.003617 0.010882 -0.04536 -0.0197 -0.00588 -0.0268 -0.03379 -0.01616 -0.02674 -0.04144 -0.01439 -0.01373 -0.03564 -0.00787 -0.00658 -0.01522 -0.01694 -0.01319 -0.02319

0.00017 0.001 0.992

PC6 0.0258 0.013589 -0.01498 -0.00179 -0.00087 -0.00833 -0.00497 -0.00276 -0.01492 -0.00389 -0.00766 -0.0282 -0.00247 -0.00434 -0.00376 0.057374 0.001463 -0.00069 0.01233 0.050417 -0.00435 -0.0005 0.001512 0.001583 -0.0066 -0.01327 0.013364 -0.03906 -0.01281 -0.00017 -0.00325 -0.02441 -0.00704 -0.00107 -0.01292

74

36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

-2.98697 -3.01136 -3.06192 -3.09579 -2.73004 -2.59544 -2.60769 -3.03585 -2.47451 -2.88387 -2.70003 -2.7501 -3.15133 -3.20805 -3.26013 -2.71228 -2.24498 -2.5887 -2.58192 -2.4517 -2.23974 -1.74467 -1.78821 -2.73844 -3.02314 -2.32085 -2.29224 -2.17114 -1.98005 -2.24682 -1.87832 -2.39867 -2.38777 -2.19357 -2.60386 PC7 0.011341 -0.02613 -0.03202 0.017498 0.026277 -0.00295 0.002141 0.001934 0.007845 -0.00253 -0.0003 0.000622 -0.00923 -0.00429 -0.00219

0.078434 0.030618 0.092776 -0.01831 0.267978 0.163491 0.167726 0.18739 0.206987 0.262943 0.212431 0.130715 0.122104 0.299659 0.264506 0.20734 0.265779 0.4023 0.317467 0.409326 0.293693 0.250898 0.186123 0.181694 0.391277 0.115187 0.241523 0.216526 0.161099 0.154906 0.122971 0.111783 0.224258 0.127746 0.355418 PC8 0.030199 0.01932 0.021274 0.018579 0.057114 0.026411 0.014786 0.021621 0.025026 0.026909 0.016406 0.009338 0.049284 0.037702 0.039587

0.100728 0.086909 0.09545 0.085304 0.095336 0.069764 0.075267 0.064122 0.089224 0.061694 0.089121 0.082072 0.080102 0.094463 0.063437 0.082169 0.091522 0.107727 0.104244 0.097411 0.081838 0.051181 0.074143 0.092371 0.097997 0.116669 0.103302 0.081363 0.062483 0.06239 0.052295 0.098526 0.113996 0.094298 0.107252 PC9 -0.00251 -0.00273 0.020339 -0.01197 0.03004 0.001234 0.002034 0.002198 0.006921 0.002677 -0.00059 0.026243 6.89E-05 0.008266 -0.00314

-0.01316 -0.00267 -0.00854 -0.0236 0.006163 0.001448 0.007702 0.003792 -0.00427 0.005242 0.007571 0.005444 0.012957 0.012896 -0.02199 0.005312 -0.00247 -0.00772 0.001048 -0.00723 0.010357 0.01609 0.001035 -0.00526 0.003873 0.010331 0.008955 -0.00412 0.000616 0.00754 0.011399 0.008153 0.000632 -0.00329 -0.01029 PC10 0.009033 0.027797 -0.00121 0.01462 0.028287 0.013087 0.011328 0.008582 0.013597 0.008113 0.013385 0.031554 -0.00547 0.024248 0.016408

-0.01321 -0.01591 -0.01228 -0.04187 -0.01849 -0.01829 -0.0215 -0.01861 -0.02771 -0.01421 -0.03365 -0.03392 -0.03491 -0.02727 -0.05187 -0.04459 -0.01704 -0.01401 -0.0264 -0.01533 -0.00904 -0.0117 -0.02998 -0.04442 -0.03053 -0.03591 -0.03998 -0.02286 -0.01707 -0.02169 -0.01881 -0.0294 -0.03536 -0.02243 -0.02024

-0.01298 -0.00546 -0.00579 -0.00174 -0.00145 -0.00394 -0.00813 -0.01164 -0.00102 -0.01893 -0.0092 -0.00459 -0.00994 -0.02224 0.002434 -0.01048 -0.01172 -0.00558 -0.00897 -0.01848 -0.00124 0.0015 -0.01905 -0.00103 -0.01731 0.003918 -0.0026 -0.01153 -0.00125 -0.00499 -0.00278 -0.00458 0.00762 0.000629 -0.01595

KGF 3.49708 4.47683 2.43372 3.43774 3.29879 4.37057 3.18545 4.12366 2.31883 3.33799 3.32812 1.53102 4.45576 3.05062 4.45516

75

16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67

-0.00535 -0.00028 0.039075 0.009018 -0.00789 0.003104 0.01219 0.016484 0.008007 -0.01118 -0.00388 0.045267 -0.00862 0.01678 -0.02104 -0.0083 0.002076 0.006902 -0.00211 0.014804 -0.00327 0.004927 0.00031 0.022331 0.002417 0.005457 0.001293 0.000969 0.003551 -0.00336 -0.00785 0.003745 0.008953 0.019852 0.023327 0.009345 0.018755 0.012945 0.015276 0.016664 0.02426 -0.00999 -0.0022 0.011643 0.01673 0.008835 0.014973 0.006523 -0.00794 0.004745 0.002395 0.008518

0.011389 -0.00103 0.026309 0.041153 -0.01693 0.013245 0.011182 0.017227 0.007838 -0.00818 0.008568 0.016983 -0.00507 -0.00904 0.032004 0.02883 0.021752 0.019268 0.015345 0.013674 0.018319 0.015012 0.020328 0.011522 0.025304 0.016809 0.019307 0.020099 0.014373 0.019453 0.018869 0.022019 0.012648 0.013273 0.021977 0.014776 0.0069 0.010046 0.01596 0.014785 0.019048 0.016992 0.031411 0.021476 0.009939 0.018651 0.020222 0.013704 0.021146 0.015689 0.017197 0.01428

0.034802 -0.02339 0.001795 -0.02238 -0.00706 0.013073 0.008735 0.00416 0.012583 0.037927 -0.00829 0.011876 0.003055 -0.0259 0.008398 -0.01486 0.001839 0.006718 0.00076 -0.0008 -0.00072 0.003129 0.005103 0.001924 -0.0028 0.01115 0.003819 0.016759 0.005308 0.00586 0.002469 0.002584 0.009036 0.020364 0.010197 0.010411 0.002836 0.008765 0.00495 -0.00087 0.009468 -0.00413 -0.00601 -0.01834 0.005547 0.005057 0.004985 0.0092 0.006931 0.005209 0.00457 0.011337

0.027305 -0.01574 0.003899 0.003004 0.004944 0.025223 0.007434 -0.0043 0.004955 3.96E-05 -0.01103 0.001804 0.003241 0.062319 0.004915 0.013218 0.004377 0.003167 0.004241 0.009515 0.016149 0.004558 0.007639 0.006573 0.011325 0.006724 0.007814 0.007694 0.005079 0.017129 0.011529 0.00768 0.00543 0.005717 -0.0059 0.002787 0.010242 0.009109 0.010163 0.012933 0.00294 0.009225 0.004447 0.014401 0.010996 0.009615 0.008244 0.012574 0.013691 0.007956 0.003655 0.007686

4.69615 3.35519 3.31612 3.42914 3.35079 3.55687 2.21394 1.58465 2.9784 2.65813 2.39486 2.0563 3.13429 4.02983 3.2427 3.45777 2.01088 2.23919 2.25905 2.05809 2.52151 2.32604 2.64357 1.45656 2.33236 1.73489 1.87878 2.92481 0.97597 3.12766 2.02783 1.91975 2.30092 1.54255 2.13322 0.9233 -0.15111 0.73421 0.65664 0.51675 0.32785 1.28309 -0.14242 1.79231 1.4889 0.12911 -0.03953 0.26448 1.26726 1.12086 0.53766 0.33238

76

68 69 70

0.013995 0.006995 0.00972

0.014651 0.010846 0.009021

0.00476 0.01051 0.003265

0.007347 0.001862 0.012871

0.12216 -0.09682 0.64284

Regression Analysis: KGF versus C131, C132, ... The regression equation is KGF = - 3.09 - 2.46 PC1 + 0.595 PC2 - 21.0 PC3 + 7.93 PC4 + 17.0 PC5 + 25.7 PC6 - 32.8 PC7 + 22.0 PC8 - 15.8 PC9 + 29.8 PC10 Predictor Constant PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10

Coef -3.0851 -2.4571 0.5950 -21.035 7.925 17.042 25.724 -32.831 21.989 -15.818 29.790

SE Coef T 0.8019 -3.85 0.2314 -10.62 0.8004 0.74 4.496 -4.68 5.457 1.45 6.051 2.82 6.504 3.95 7.044 -4.66 7.745 2.84 8.028 -1.97 8.639 3.45

P 0.000 0.000 0.460 0.000 0.152 0.007 0.000 0.000 0.006 0.054 0.001

S = 0.755008 R-Sq = 77.8% R-Sq(adj) = 74.0% PRESS = 54.4328 R-Sq(pred) = 64.02% Analysis of Variance Source DF SS MS F P Regression 10 117.669 11.767 20.64 0.000 Residual Error 59 33.632 0.570 Total 69 151.301

77

Lampiran 10. Data kekerasan hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi metode Principal Component Regression (PCR). Lampiran 10a. Data kekerasan dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi metode Principal Component Regression (PCR).

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

KGF referensi 3.62 5.34 2.23 4.31 3.19 4.57 2.66 2.46 2.25 3.91 4.63 3.43 5.16 3.66 4.52 3.79 3.72 3.03 4.17 3.7 4.1 2.82 2.77 3.1 2.9 2.7 2.8 2.65 3.68 2.45 2.3 2.23 2.39 2.06 2.45

KGF NIR 3.49708 4.47683 2.43372 3.43774 3.29879 4.37057 3.18545 4.12366 2.31883 3.33799 3.32812 1.53102 4.45576 3.05062 4.45516 4.69615 3.35519 3.31612 3.42914 3.35079 3.55687 2.21394 1.58465 2.9784 2.65813 2.39486 2.0563 3.13429 4.02983 3.2427 3.45777 2.01088 2.23919 2.25905 2.05809

Sampel 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

KGF referensi 2.09 2.4 2.05 1.74 2.73 2.49 2.29 2.15 2.01 3.03 2.26 2.3 2.78 0.7 0.27 0.47 0.13 0.12 0.2 0.15 0.29 0.2 0.23 0.28 0.65 0.21 0.39 0.3 0.33 0.19 0.74 0.23 0.29 0.2 0.24

KGF NIR 2.52151 2.32604 2.64357 1.45656 2.33236 1.73489 1.87878 2.92481 0.97597 3.12766 2.02783 1.91975 2.30092 1.54255 2.13322 0.9233 0.15111 0.73421 0.65664 0.51675 0.32785 1.28309 0.14242 1.79231 1.4889 0.12911 0.03953 0.26448 1.26726 1.12086 0.53766 0.33238 0.12216 0.09682 0.64284

78

Lampiran 10b. Data kekerasan dugaan NIR dan hasil pengukuran rheometer pada tahap validasi metode Principal Component Regression (PCR).

Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26


KGF referensi 0.71 0.88 2.5 3.56 1.76 0.68 1.52 1.18 2.35 0.4 0.53 1.31 1.86 1.1 1.65 1.58 0.17 0.17 1.66 0.46 0.27 0.25 0.29 0.5 0.63 1.7

KGF NIR 1.106408 1.670898 2.200997 1.921706 1.885462 1.849334 1.919523 2.035195 1.715214 0.545954 1.422617 2.571273 2.36485 3.221577 1.839468 2.159821 0.705468 0.291382 3.112261 0.637355 0.139116 1.194774 1.411449 1.585493 1.168491 1.506824


79

Lampiran 11. Output program MINITAB Release 14.0 for windows untuk pendugaan total padatan terlarut dengan metode Partial Least Squares (PLS). PLS Regression: TPT versus PG900, PG905, PG910, PG915, PG920, PG925, PG930, ... Number of components set to: 10 Analysis of Variance for TPT Source DF SS MS F Regression 10 75.4305 7.54305 150.65 Residual Error 55 2.7539 0.05007 Total 65 78.1844 Model Selection and Validation for TPT Components X Variance Error SS R-Sq 1 0.861192 37.1488 0.524856 2 0.975516 32.6271 0.582691 3 0.982276 21.8846 0.720090 4 0.983604 12.6978 0.837592 5 0.985260 9.8596 0.873893 6 0.986907 7.7198 0.901262 7 0.987979 5.7710 0.926187 8 0.988671 4.5676 0.941580 9 0.989233 3.5343 0.954796 10 0.989698 2.7539 0.964777

P 0.000

Regression Coefficients TPT TPT standardized Constant 15.7535 0.00000 PG900 0.9105 0.02009 PG905 -44.9267 -0.82691 PG910 24.2872 0.47500 PG915 -15.6315 -0.27624 PG920 19.4621 0.34950 PG925 -15.0773 -0.28290 PG930 25.0278 0.44888 PG935 24.5962 0.45149 PG940 -12.5059 -0.24015 PG945 -14.1926 -0.27274 PG950 26.2599 0.54916 PG955 -26.9653 -0.57991 PG960 -18.3295 -0.41708 PG965 4.9843 0.11613 PG970 -62.7098 -1.52805 PG975 0.4489 0.01138 PG980 12.8527 0.33733 PG985 -16.4261 -0.43377 PG990 5.4163 0.14039 PG995 3.3108 0.08556 PG1000 29.7128 0.74831 PG1005 -14.9907 -0.38701 PG1010 -42.6658 -1.03799 PG1015 0.2510 0.00598 PG1020 26.0252 0.62049 PG1025 -25.5068 -0.61158 PG1030 37.6630 0.89749 PG1035 -40.5281 -0.97113 PG1040 -8.8578 -0.20099 PG1045 -6.4090 -0.14108 PG1050 6.3814 0.14063 PG1055 14.4450 0.30803 PG1060 59.3625 1.24964 PG1065 32.0114 0.67008 PG1070 36.1714 0.76049 PG1075 -12.4052 -0.25375

80

PG1080 PG1085 PG1090 PG1095 PG1100 PG1105 PG1110 PG1115 PG1120 PG1125 PG1130 PG1135 PG1140 PG1145 PG1150 PG1155 PG1160 PG1165 PG1170 PG1175 PG1180 PG1185 PG1190 PG1195 PG1200 PG1205 PG1210 PG1215 PG1220 PG1225 PG1230 PG1235 PG1240 PG1245 PG1250 PG1255 PG1260 PG1265 PG1270 PG1275 PG1280 PG1285 PG1290 PG1295 PG1300 PG1305 PG1310 PG1315 PG1320 PG1325 PG1330 PG1335 PG1340 PG1345 PG1350 PG1355 PG1360 PG1365 PG1370 PG1375 PG1380 PG1385 PG1390 PG1395

17.7917 -28.7590 -20.8427 19.2206 21.6020 -19.8903 53.5180 -24.5966 7.6308 -9.5560 4.4307 -9.4082 -25.0260 12.8367 -20.8059 -6.2890 19.4758 0.5803 6.8372 10.6707 6.7567 0.0621 -16.0249 5.2788 -0.1944 11.4582 1.4521 -4.8105 -1.5582 -5.4385 -13.1778 -11.7172 -10.0179 2.8091 8.3458 11.8685 1.5760 8.7984 -0.7221 -18.2127 -7.3987 -0.3821 -8.2213 -3.8806 4.2513 -1.6444 -4.9190 -5.0222 -4.1306 3.0051 -6.2145 9.5738 0.7837 -6.9210 0.1045 0.6090 14.7476 -1.8603 7.2124 0.5876 6.4431 0.3096 -2.0620 -2.8728

0.36704 -0.59661 -0.42531 0.39445 0.45074 -0.42332 1.09169 -0.53346 0.17297 -0.20723 0.09969 -0.22690 -0.63190 0.34234 -0.59823 -0.19649 0.66015 0.02080 0.24824 0.40111 0.25706 0.00241 -0.62061 0.20547 -0.00767 0.45772 0.05787 -0.19359 -0.06324 -0.21442 -0.52550 -0.46224 -0.39625 0.11245 0.33146 0.46102 0.05994 0.33312 -0.02750 -0.70681 -0.28287 -0.01488 -0.31827 -0.15162 0.17128 -0.06662 -0.20293 -0.21198 -0.17843 0.13289 -0.27887 0.45402 0.03858 -0.35421 0.00567 0.03397 0.83899 -0.10984 0.42409 0.03599 0.40622 0.02025 -0.13787 -0.20319

81

Lampiran 12. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi Partial Least Squares (PLS). Lampiran 12a. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi metode Partial Least Squares (PLS). Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

TPT referensi 9.20 9.90 9.00 9.10 8.80 9.00 9.10 9.00 9.10 9.20 9.40 9.80 9.50 9.30 9.00 9.70 9.00 9.30 10.10 9.00 9.30 8.80 9.70 9.30 9.80 9.20 10.50 11.00 10.60 9.00 11.00 8.40 8.70 10.00 9.00

TPT NIR 9.1555 9.8423 9.288 9.0732 8.8611 8.9548 9.2172 8.8639 9.1097 9.2249 9.1509 9.6589 9.6252 9.8525 8.7369 9.9587 8.8457 9.0939 10.2091 9.084 9.0445 9.1243 10.0858 9.2054 10.0439 9.0244 10.6719 11.0565 10.6337 8.8215 10.919 8.374 8.8269 10.0114 8.9835

Sampel 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66

TPT referensi 9.60 8.90 10.60 10.60 9.70 9.60 10.00 9.80 9.00 10.00 9.70 9.80 10.30 9.20 9.00 8.60 9.20 8.60 11.60 11.40 11.80 11.50 11.50 11.30 13.20 12.80 11.20 11.80 11.40 11.80 11.40

TPT NIR 9.3896 8.8621 10.625 10.5722 9.4829 9.7853 10.212 9.7846 8.9132 9.6483 10.0202 10.0017 10.2024 9.0314 9.3131 8.5674 9.261 8.7755 11.348 11.4184 11.661 11.1342 11.4557 10.8799 12.9454 12.5358 11.0628 11.7306 11.5391 12.3123 11.596

82

Lampiran 12b. Data total padatan terlarut hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap validasi Partial Least Squares (PLS). Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

TPT referensi 10.20 9.20 8.40 9.60 9.00 10.00 10.80 10.00 9.60 9.80 9.40 9.00 10.60 9.60 8.80 10.60 10.20 11.20 11.60 10.80 10.60 10.80 10.00 9.80 10.20 10.40

TPT NIR 10.25872 9.506693 8.752647 9.97392 9.764959 9.791599 10.60334 10.00929 10.00593 10.47888 9.915319 9.424339 10.53491 9.758172 9.647526 10.46174 10.0826 11.06735 11.32317 10.23724 11.18579 10.76571 10.18187 10.50451 10.87747 10.4005

83

Lampiran 13. Output program MINITAB Release 14.0 for windows untuk pendugaan kekerasan dengan metode Partial Least Squares (PLS). PLS Regression: KGF versus PG900, PG905, PG910, PG915, PG920, PG925, PG930, ... Number of components set to: 10 Analysis of Variance for KGF Source Regression Residual Error Total

DF 10 59 69

SS 147.771 3.531 151.301

MS 14.7771 0.0598

F 246.94

P 0.000

Model Selection and Validation for KGF Components X Variance Error SS R-Sq 1 0.861529 88.8477 0.412775 2 0.978548 84.2589 0.443104 3 0.981192 33.2384 0.780316 4 0.983566 23.6034 0.843997 5 0.985216 17.4308 0.884794 6 0.986914 13.6414 0.909840 7 0.988087 10.0429 0.933623 8 0.988800 6.5175 0.956924 9 0.989462 4.5523 0.969912 10 0.990226 3.5305 0.976666 Regression Coefficients KGF KGF standardized Constant -2.2655 0.00000 PG900 15.1427 0.26114 PG905 15.6114 0.22530 PG910 -14.9550 -0.22766 PG915 -0.9222 -0.01243 PG920 -35.6306 -0.47625 PG925 -11.1809 -0.15478 PG930 15.4798 0.21774 PG935 -23.6988 -0.33310 PG940 0.2284 0.00327 PG945 -41.5360 -0.62000 PG950 -8.6827 -0.13924 PG955 26.2921 0.43261 PG960 2.3950 0.04118 PG965 4.6026 0.08397 PG970 -15.5040 -0.29090 PG975 20.4433 0.40965 PG980 2.5432 0.05203 PG985 1.3160 0.02744 PG990 -11.1728 -0.22845 PG995 -16.6085 -0.34585 PG1000 -8.3250 -0.17000 PG1005 -11.3216 -0.23449 PG1010 18.2876 0.35275 PG1015 43.8946 0.83448 PG1020 2.2838 0.04368 PG1025 -1.4257 -0.02632 PG1030 31.1856 0.56707 PG1035 26.6192 0.49038 PG1040 69.4464 1.17791 PG1045 9.7669 0.16086 PG1050 4.4616 0.07293 PG1055 -2.3042 -0.03615 PG1060 -17.0970 -0.26352 PG1065 38.4406 0.59923 PG1070 -30.1048 -0.45760

84

PG1075 PG1080 PG1085 PG1090 PG1095 PG1100 PG1105 PG1110 PG1115 PG1120 PG1125 PG1130 PG1135 PG1140 PG1145 PG1150 PG1155 PG1160 PG1165 PG1170 PG1175 PG1180 PG1185 PG1190 PG1195 PG1200 PG1205 PG1210 PG1215 PG1220 PG1225 PG1230 PG1235 PG1240 PG1245 PG1250 PG1255 PG1260 PG1265 PG1270 PG1275 PG1280 PG1285 PG1290 PG1295 PG1300 PG1305 PG1310 PG1315 PG1320 PG1325 PG1330 PG1335 PG1340 PG1345 PG1350 PG1355 PG1360 PG1365 PG1370 PG1375 PG1380 PG1385 PG1390 PG1395

-29.0575 4.8037 -25.5006 22.4020 9.3117 -31.7669 -1.8368 -5.9876 -8.8249 4.5319 20.6254 -47.4211 25.3834 -9.3383 -5.2626 2.3448 -9.0813 -62.2458 -25.2458 -30.6957 -44.2987 -3.7983 -17.1996 1.6345 7.5459 14.1204 -2.0221 32.5972 35.8632 10.3003 11.9495 32.7600 19.9319 18.8009 -15.5543 -4.8829 -5.4230 -22.8100 5.0057 11.0646 20.7925 0.8804 -5.4168 3.6206 -7.6381 -4.8838 15.3352 12.8758 5.5706 12.2578 10.7376 -9.9810 0.3916 3.3912 -2.3435 -6.8711 3.2122 -10.1683 -14.2218 5.9905 -7.4029 -6.3984 3.4037 -8.6046 5.6908

-0.42603 0.07208 -0.37612 0.33166 0.14129 -0.48335 -0.02835 -0.09377 -0.13979 0.07257 0.32695 -0.79260 0.44957 -0.17461 -0.10540 0.05101 -0.21627 -1.60649 -0.69292 -0.86131 -1.30302 -0.11288 -0.51933 0.04940 0.22914 0.43598 -0.06322 1.02645 1.13962 0.32660 0.37746 1.02792 0.62361 0.57957 -0.48905 -0.15012 -0.16596 -0.67648 0.14931 0.33171 0.62373 0.02613 -0.16616 0.11096 -0.23418 -0.15281 0.48587 0.41977 0.18336 0.41481 0.37412 -0.35908 0.01468 0.13361 -0.09562 -0.29371 0.14266 -0.46177 -0.66828 0.28761 -0.36069 -0.31918 0.17409 -0.46392 0.32045

85

Lampiran 14. Data kekerasan hasil dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi dan validasi metode Partial Least Squares (PLS). Lampiran 14a. Data kekerasan dugaan NIR dan hasil pengukuran refraktometer pada tahap kalibrasi metode Partial Least Squares (PLS). Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

KGF referensi 3.62 5.34 2.23 4.31 3.19 4.57 2.66 2.46 2.25 3.91 4.63 3.43 5.16 3.66 4.52 3.79 3.72 3.03 4.17 3.7 4.1 2.82 2.77 3.1 2.9 2.7 2.8 2.65 3.68 2.45 2.3 2.23 2.39 2.06 2.45

KGF NIR 3.68616 5.21024 2.21018 4.3539 2.92202 4.90526 3.31586 2.66161 2.03039 4.1547 4.00077 3.39006 5.03291 3.62722 4.46865 3.56835 3.79057 2.82205 4.20453 3.64386 3.86943 2.70982 2.7677 2.96139 2.93653 2.88236 2.549 2.69469 3.77765 2.55162 2.12433 2.00566 2.39414 2.23727 2.32493

Sampel 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

KGF referensi 2.09 2.4 2.05 1.74 2.73 2.49 2.29 2.15 2.01 3.03 2.26 2.3 2.78 0.7 0.27 0.47 0.13 0.12 0.2 0.15 0.29 0.2 0.23 0.28 0.65 0.21 0.39 0.3 0.33 0.19 0.74 0.23 0.29 0.2 0.24

KGF NIR 2.53032 2.37341 1.83121 1.7593 2.6629 2.26125 2.32058 2.61879 1.93509 2.88608 2.14662 2.39046 2.88723 1.16551 0.25578 0.11452 0.03105 0.10751 0.26313 0.45623 0.55452 0.21654 0.0512 0.27984 0.57639 0.27908 0.2589 0.23282 0.81473 0.56626 0.6398 0.17458 0.30469 0.52529 0.02824

86

Lampiran 14b. Data kekerasan dugaan NIR dan hasil pengukuran rheometer pada tahap validasi metode Partial Least Squares (PLS). Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26


KGF referensi 0.71 0.88 2.5 3.56 1.76 0.68 1.52 1.18 2.35 0.4 0.53 1.31 1.86 1.1 1.65 1.58 0.17 0.17 1.66 0.46 0.27 0.25 0.29 0.5 0.63 1.7

KGF NIR 0.766119 1.529814 2.156452 2.901957 1.899377 1.217555 1.731043 1.602084 2.508812 0.576405 0.886952 1.922733 3.028037 1.76132 2.62374 1.603466 0.920521 0.288983 3.123088 1.070165 0.566153 0.54068 0.684052 0.850629 0.722622 1.486391


87

Lampiran 15. Data pendugaan total padatan terlarut dan kekerasan buah pepaya IPB 1 selama penyimpanan dan pemeraman Lampiran 15a. Data pendugaan total padatan terlarut buah pepaya IPB 1 selama penyimpanan dan pemeraman

Waktu (Hari) 0 3 6 9 10 11 12 13 14

20 C

25 C

8.42 9.06 8.98 9.48 8.87 8.07 8.85 8.11 7.50

9.92 9.61 9.70 9.89 10.22 11.58 8.89 7.52 8.04

Suhu ruang 8.82 8.67 9.11 8.96 9.38 8.93 9.01 8.32 8.22

Lampiran 15b. Data pendugaan kekerasan penyimpanan dan pemeraman

Waktu (Hari) 0 3 6 9 10 11 12 13 14

20 C

25 C

1.32 3.85 2.66 3.81 4.22 0.60 0.35 0.99 0.75

0.22 4.07 1.60 2.84 3.20 1.12 0.38 0.69 0.09

buah pepaya IPB 1 selama

Suhu ruang 1.66 4.07 2.47 5.11 4.46 0.43 0.49 0.74 0.22

88

PENDUGAAN PARAMETER MUTU BUAH PEPAYA (Carica papaya L.) DENGAN METODE NEAR INFRARED SELAMA PENYIMPANAN DAN PEMERAMAN. Oleh : RINI SUSILOWATI F

Recommend Documents