Prediksi Kandungan Kimia Buah Kelapa Sawit secara Non-Destruktif dengan Near-Infrared Spectroscopy dan Artificial Neural Network

Abstract

Kandungan kimia merupakan parameter kualitas kritis untuk Crude Palm Oil (CPO) yang berasal dari pengolahan buah kelapa sawit. Secara tradisional, parameter-parameter ini ditentukan melalui metode kimia di laboratorium, yang memakan waktu yang lama dan bersifat destruktif. Meskipun sudah ada upaya untuk menentukan secara non-destruktif kadar minyak, air, dan asam lemak bebas (ALB) dalam buah kelapa sawit menggunakan metode seperti Near-Infrared Spectroscopy (NIRS), namun hasilnya belum memuaskan untuk ALB. Penelitian ini bertujuan mengkaji metode NIRS untuk penentuan kandungan kimia buah kepala sawit secara non-destruktif menggunakan metode Partial Least SquaresArtificial Neural Network (PLS-ANN) dan Partial Least Squares-Regression (PLSR). Sampel buah kelapa sawit (408 sampel) dengan sepuluh tingkat kematangan, dipanen dari perkebunan di Cikabayan Farm, Bogor. Pengukuran reflektansi sampel (n=408) diperoleh menggunakan spektrometer NIR-Flex 500 pada panjang gelombang 1000-2500 nm. Selanjutnya, kadar minyak, air, dan ALB sampel (n=120) ditentukan melalui analisis kimia. Reflektansi dikonversi menjadi absorbansi dan beberapa pre-treatment dilakukan, yaitu normalisasi, turunan pertama Savitzky-Golay, kombinasi keduanya, dan standard normal variate. Data NIR yang sudah di pre-treatment, dikalibrasi dan divalidasi dengan data kimia menggunakan metode PLSR dan ANN (n=96-120). ANN menggunakan input berupa beberapa Factor Component (FC) hasil pengolahan PLS, 1 hidden layer, dan sebagai output adalah kadar minyak, kadar air dan ALB. Hasil penelitian menunjukkan bahwa metode paling efektif untuk memprediksi kadar minyak (n=96) adalah kombinasi turunan pertama Savitzky-Golay dan normalisasi dengan menggunakan PLS-ANN dengan 20 FC (R²=0.99, SEC=0.55%, CV=2.31%, RPD=28.21). Untuk kadar air (n=120), metode prediksi yang optimal melibatkan pre-treatment standard normal variate menggunakan PLS-ANN dengan 19 FC (²=0.99, SEC=1.21%, CV=1.96%, RPD=15.51). Untuk prediksi terbaik kadar ALB (n=110), diperoleh dari pre-treatment turunan pertama Savitzky-Golay dengan 22 FC (R²=0.99, SEC=0.17%, CV=4.75%, RPD=11.47). Metode prediksi untuk ketiga kandungan kimia buah kelapa sawit dengan PLS-ANN memiliki kinerja yang lebih baik dibandingkan PLSR karena kemampuan PLS-ANN dalam mengatasi permasalahan non-linearitas. Metode PLS-ANN dan NIRS yang dikembangkan mampu memprediksi kandungan kimia (kadar minyak, kadar air, dan kadar ALB) dalam buah kelapa sawit secara non-destruktif