Prediction of Chemical Content in Robusta Coffee Beans Using Near Infrared Spectroscopy and Artificial Neural Network
DOI:
https://doi.org/10.19028/jtep.013.2.318-339Kata Kunci:
Kalibrasi, kopi, NIRS, PCA-ANN, validasiAbstrak
Metode cepat untuk prediksi kandungan kimia pada kopi robusta sangat dibutuhkan, sebagai pengganti metode kimia yang memakan waktu dan biaya yang mahal. Penelitian ini bertujuan untuk memprediksi kandungan kimia pada biji kopi robusta Pagar Alam menggunakan Near Infrared Spectroscopy (NIRS) dan kalibrasi melalui Principal Component Analysis-Artificial Neural Network (PCA-ANN). Reflektansi biji kopi diukur menggunakan Spektrometer NIR Flex N500 (1000–2500 nm), kemudian dilakukan penentuan kandungan kimianya menggunakan metode kimia. Data reflektansi diolah menggunakan spectra pre-treatment, kemudian dikalibrasi dan divalidasi dengan kandungan kimia menggunakan PCA-ANN. Model terbaik untuk kadar air diperoleh dengan pra-perlakuan No1SG1 dan 8 PC (r = 0,95; RPD = 2,95; konsistensi = 90,36%). Kadar protein dapat diprediksi menggunakan pra-perlakuan 8 PC dan No1SG1 (r = 0,92; RPD = 2,38; konsistensi = 96,78%). Prediksi lemak yang baik menggunakan pra-perlakuan No1SG1 dan 10 PC (r = 0,93; RPD = 2,19; konsistensi = 80,08%). Kadar abu dapat diprediksi menggunakan pra-perlakuan 8 PC dan SG1 (r = 0,93; RPD = 2,29; konsistensi = 83,78%). Prediksi karbohidrat terbaik diperoleh dengan pra-perlakuan No1SG1 dan 5 PC (r = 0,93; RPD = 2,73; konsistensi = 108,85%). Hasil penelitian menunjukkan bahwa spektroskopi NIR dapat digunakan untuk memprediksi secara akurat kandungan kimia biji kopi robusta Pagar Alam.
Unduhan
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Authors submitting manuscripts should understand and agree that copyright of manuscripts of the article shall be assigned/transferred to Jurnal Keteknikan Pertanian. This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA) where Authors and Readers can copy and redistribute the material in any medium or format, as well as remix, transform, and build upon the material for any purpose, but they must give appropriate credit (cite to the article or content), provide a link to the license, and indicate if changes were made. If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.


















