| dc.description.abstract | Penentuan tingkat kematangan dan mutu kimia buah kelapa sawit penting dalam pengelolaan bahan baku karena berkaitan dengan keputusan panen, penerimaan tandan buah segar, rendemen, dan mutu minyak sawit. Penilaian kematangan di lapangan masih mengandalkan warna buah dan jumlah berondolan yang dipengaruhi pengalaman pengamat serta kondisi lingkungan, sehingga berpotensi menghasilkan keputusan tidak konsisten. Penentuan kandungan minyak, kadar air, dan asam lemak bebas (ALB) melalui analisis laboratorium memerlukan preparasi sampel, waktu, biaya, instrumen khusus, dan umumnya bersifat destruktif. Penelitian ini bertujuan mengembangkan metode klasifikasi kematangan dan prediksi mutu kimia buah kelapa sawit secara nondestruktif menggunakan spektrometer near infrared (NIR) portabel dan sensor multichannel ultraviolet–visible–near infrared (UV–Vis–NIR) yang dipadukan dengan analisis multivariat dan machine learning.
Penelitian dilaksanakan dalam tiga tahap menggunakan instrumen dengan karakteristik spektral berbeda. Tahap pertama menggunakan spektrometer long-wave near infrared (LW-NIR) NeoSpectra pada rentang 1350–2500 nm untuk prediksi kandungan minyak, kadar air, dan ALB melalui eksplorasi spektrum, seleksi panjang gelombang berbasis principal component analysis (PCA), serta pemodelan partial least squares regression (PLSR) dan multiple linear regression (MLR). Tahap kedua menggunakan spektrometer short-wave near infrared (SW-NIR) SCiO pada rentang 740–1070 nm dengan beberapa metode pre-processing, PLSR, dan regresi vektor dukungan (SVR). Tahap ketiga mengembangkan sistem deteksi portabel berbasis sensor multichannel AS7265x ultraviolet–visible–near infrared (UV–Vis–NIR) yang terintegrasi dengan ESP8266 untuk akuisisi spektrum secara real-time, klasifikasi kematangan, dan prediksi mutu kimia.
Pada tahap LW-NIR, sebanyak 372 sampel digunakan untuk memperoleh spektrum dan data referensi kadar air, kandungan minyak, dan ALB. Kombinasi multiplicative scatter correction (MSC) dan PLSR menghasilkan kinerja terbaik, dengan R² dan RPD sebesar 0,94 dan 4,38 untuk kadar air serta 0,94 dan 4,49 untuk kandungan minyak. Prediksi ALB menghasilkan R² 0,70 dan RPD 1,87. Hasil ini menunjukkan bahwa LW-NIR mampu menyediakan informasi kuat untuk menduga kadar air dan kandungan minyak. Seleksi panjang gelombang menunjukkan bahwa informasi spektral dapat disederhanakan tanpa menghilangkan informasi penting bagi prediksi, sehingga berpotensi mendukung pengembangan metode efisien pada instrumen portabel.
Pada tahap SW-NIR, sebanyak 408 sampel diukur pada rentang 740–1070 nm dan diproses menggunakan Savitzky–Golay smoothing, detrending, normalization, standard normal variate (SNV), serta kombinasinya. Prediksi kadar air menggunakan normalisasi menghasilkan R² 0,99 dan RPD 6,72, sedangkan prediksi kandungan minyak menggunakan SNV menghasilkan R² 0,92 dan RPD 3,12. Prediksi ALB menggunakan PLSR menghasilkan R² 0,51–0,52 dan RPD 1,42 sehingga masih terbatas. Hasil tersebut menunjukkan bahwa rentang spektral lebih sempit tetap mampu menghasilkan prediksi sangat baik untuk parameter tertentu. Perbedaan kinerja antarparameter menunjukkan bahwa pemilihan pre-processing dan algoritma perlu disesuaikan dengan karakteristik respons spektral dan kompleksitas hubungan antara spektrum dan parameter mutu kimia.
Tahap ketiga menghasilkan sistem deteksi portabel berbasis sensor multichannel AS7265x ultraviolet–visible–near infrared (UV–Vis–NIR) yang terintegrasi dengan ESP8266 dan perangkat lunak akuisisi data. Sistem menggunakan 24 kanal spektral dan 270 sampel pada berbagai tingkat kematangan dengan rentang pengukuran 410–710 nm. MSC memberikan kinerja cross-validation terbaik, sedangkan kombinasi MSC dan SVM menghasilkan akurasi klasifikasi kematangan sebesar 80,00%. Untuk prediksi mutu kimia, kombinasi first derivative dan random forest (RF) menghasilkan model terbaik. Kadar air menghasilkan R² 0,94, RPD 3,31, dan RMSE 6,64; kandungan minyak menghasilkan R² 0,93, RPD 3,02, dan RMSE 4,51; sedangkan ALB menghasilkan R² 0,93, RPD 3,01, dan RMSE 0,42.
Temuan lintas instrumen menunjukkan bahwa ketiga instrumen memiliki keunggulan berbeda. LW-NIR NeoSpectra unggul pada rentang spektral lebih luas serta prediksi kadar air dan kandungan minyak. SW-NIR SCiO menunjukkan kinerja prediksi tertinggi untuk kadar air dan baik untuk kandungan minyak meskipun menggunakan rentang spektral lebih sempit. AS7265x menghasilkan prediksi konsisten untuk kadar air, kandungan minyak, dan ALB serta mampu mengintegrasikan klasifikasi kematangan dengan prediksi mutu kimia. Pemilihan instrumen karena itu perlu mempertimbangkan tujuan pengukuran, parameter yang dianalisis, karakteristik respons spektral, kebutuhan portabilitas, dan strategi pemodelan.
Secara keseluruhan, penelitian ini berhasil mengembangkan metode klasifikasi kematangan dan prediksi mutu kimia buah kelapa sawit secara nondestruktif menggunakan spektroskopi NIR portabel dan sensor multichannel UV–Vis–NIR. Kebaruan penelitian terletak pada evaluasi tiga instrumen dengan karakteristik spektral berbeda serta penyesuaian pre-processing dan algoritma terhadap parameter yang diprediksi. Hasil penelitian memberikan dasar ilmiah bagi pengembangan sistem evaluasi mutu yang cepat, objektif, portabel, dan berpotensi diterapkan secara on-site untuk mendukung keputusan panen, sortasi, penerimaan bahan baku, dan pengendalian mutu.
Penerapan lebih luas memerlukan pengujian pada varietas, umur tanaman, lokasi kebun, kondisi lingkungan, dan tingkat kematangan yang lebih beragam. Kajian stabilitas panjang gelombang, kalibrasi lintas instrumen, optimasi klasifikasi, dan peningkatan sensitivitas terhadap ALB diperlukan untuk memperkuat robustness dan generalisasi metode. Integrasi sistem dengan pengelolaan mutu tandan buah segar pada tingkat kebun dan industri menjadi arah pengembangan selanjutnya menuju penerapan teknologi sensor dan machine learning dalam pertanian presisi. | |
