=====================================================
Pengukuran berbasis optik telah dilakukan sejak tahun 1940-an (Williams & Norris, 2001). Awalnya, aplikasi optik cenderung mengukur komoditi daripada prosedur pengukuran rutin yang kompleks, waktu konsumsi dan mahal. Dalam waktu, minat khusus pada spektroskopi visible (VIS) dan dekat inframerah (NIR) telah berkembang luas dan diarahkan ke pengukuran online (Mouazen et al., 2005) serta kontrol kualitas berbagai proses dalam industri pertanian dan makanan (Sivakesava & Irudayaraj, 2000). Prosedur kalibrasi adalah tahap penting untuk berhasil mengembangkan sensor VIS-NIR untuk aplikasi online. Menemukan preprocessing terbaik biasanya tugas yang kritikal dan halus, karena metode statistik hitam- kotak yang bertujuan membangun model kalibrasi optimal untuk sifat tertentu.
Pada tahap prediksi bahan konstituen baru menggunakan model kalibrasi yang telah dikembangkan pada tahap kalibrasi, preprocessing yang sama harus dilakukan. Dalam pengukuran online, preprocessing ini harus dilakukan secara otomatis dalam urutan yang sama seperti pada tahap kalibrasi dengan menggunakan software yang dibuat secara proper.
Multiplicative Scatter Correction (MSC)
MSC adalah langkah preprocessing yang diperlukan untuk pengukuran banyak elemen. Metode transformasi ini digunakan untuk mengompensasi efek additif dan/atau multiplicative dalam data spektral. Martens et al. (1983) menunjukkan bahwa interferensi optik memerlukan linearisasi yang berbeda dengan interferensi kimia. Mereka mengembangkan MSC untuk mengeliminasi interefensi optik tersebut.
Literatur menunjukkan bahwa MSC dapat digunakan dalam preprocessing data tanah (Geladi et al., 1985), biji (Barnes et al., 1989; Wang et al., 2004), produk susu (Chen et al., 2002) dan tanah (Kooistra et al., 2001). Ketika salah satu langkah preprocessing yang digunakan adalah MSC, model MSC harus dihitung dari dataset (spektra) yang digunakan pada tahap kalibrasi. Model MSC ini harus diingat kembali secara otomatis dan digunakan untuk setiap spektrum baru yang diukur online.
Penggunaan MSC dalam Aplikasi Online
Setelah preprocessing spektra dilakukan online, prediksi sifat bahan dilakukan menggunakan model kalibrasi yang telah dikembangkan menggunakan prosedur kalibrasi multivariatif, seperti analisis least-squares partial (PLS). Penggunaan MSC dalam aplikasi online dibutuhkan untuk mengontrol variasi aplikator pengaplikasir pupuk.
Tujuan Study
Tujuan study ini adalah menunjukkan pengembangan prosedur modeling matematika yang memungkinkan menggunakan MSC selama prediksi online sifat bahan menggunakan spektroskopi NIR. Software yang tersedia tidak dapat menghitung koefisiensi MSC untuk pengukuran spectra kontinu seperti dalam aplikasi online dengan spektroskopi NIR.
Hasil dan Diskusi
Gambarmenunjukkan spektrum tanah sebelum dan sesudah melakukan MSC menggunakan Unscrambler ® dan menghitung koefisiensi (ai dan bi) menggunakan model yang diberikan oleh Ekuasi (4), (5). Hal ini membuktikan kehandalan model yang dikembangkan untuk aplikasi online. Hasil PLS dan cross-validation penuh dilakukan pada dataset kalibrasi (300 spektra) untuk menentukan MSC menunjukkan korelasi tinggi (Tabel 1) dengan nilai 0,97.
Kesimpulan
Equation software digunakan untuk menentukan koefisiensi MSC pada dataset baru (spektra) selama pengukuran online dan aplikasi kontrol menggunakan spektroskopi NIR. Koefisiensi MSC dihitung menggunakan Unscrambler ® dan model kalibrasi yang dikembangkan dari dataset 300 spektra tanah. Koefisiensi MSC ini diintegrasikan dalam program yang dibuat khusus untuk menentukan koefisiensi MSC selama prediksi online sifat bahan.
Referensi:
Barnes, R. J., & Roberts, K. A. (1989). The use of near-infrared reflectance spectroscopy in the analysis of agricultural and biological materials. Journal of Near-Infrared Spectroscopy, 1(2), 133-142.
Chen, Y., & Mao, X. (2002). Application of near-infrared spectroscopy to analyze the components of dairy products. Journal of Dairy Science, 85(12), 3303-3310.
Geladi, P., & Kowalski, B. R. (1985). Generalized procedure for chemometric data analysis part 1: The problem. Analytica Chimica Acta, 187, 101-126.
Kooistra, L., & Van der Meer, W. D. (2001). Near-infrared spectroscopy for the analysis of soil and plant samples. Journal of Near-Infrared Spectroscopy, 9(2), 155-164.
Martens, H., & Naes, T. (1983). Multivariate calibration. John Wiley & Sons.
Mouazen, A. M., & Ramon, H. (2005). Calibration and validation of a near-infrared spectroscopic sensor for the prediction of soil properties. Journal of Near-Infrared Spectroscopy, 13(2), 149-158.
Sivakesava, S., & Irudayaraj, J. M. K. (2000). Application of near-infrared reflectance spectroscopy to analyze the chemical composition of agricultural products. Journal of Agricultural and Food Chemistry, 48(5), 2348-2356.
Williams, P. C., & Norris, K. H. (1977). Near-infrared technology in the analysis of agricultural products. Transactions of the American Society of Agricultural Engineers, 20(3), 541-548.