Analisis Sensor Spektral Tingkat Lanjut untuk Komposisi Susu yang Tepat

Susu merupakan salah satu produk yang paling banyak digunakan, sekaligus menjadi bahan baku semua produk susu. Mengingat hal ini, pengukuran komponen susu menjadi sangat penting bagi industri susu. Setiap produk susu memerlukan susu dengan perbandingan kandungan yang berbeda-beda. Selain itu, untuk menjaga kualitas produk, kandungan susu harus diukur secara berkala.

Gambar 1. Hubungan antara data referensi (analisis kimia) dan hasil prediksi dari model kami. Setiap lingkaran mewakili sampel uji dengan koordinat x sebagai nilai referensi dan koordinat y sebagai prediksi model. Garis merah mewakili model ideal dan R2 (nilai ideal 1) menunjukkan seberapa jauh model menyimpang dari model ideal.

Selain industri susu, analisis susu juga mempunyai dampak besar pada industri peternakan pemasok susu. Kandungan susu erat kaitannya dengan kesehatan hewan serta kualitas dan kandungan pakannya. Oleh karena itu, pengukuran ini dapat memberikan wawasan berharga untuk meningkatkan kualitas dan pemilihan pakan mereka, serta wawasan berharga untuk diagnosis dini dan pengobatan hewan yang sakit.

Saat ini, metode analisis susu yang paling akurat adalah metode dekomposisi kimia yang lambat, merusak dan harus dilakukan di laboratorium, bukan di lapangan. Praktisnya, pengguna biasanya mengambil sampel dari banyak kumpulan susu dan mendapatkan kesimpulan rata-rata untuk semua kumpulan. Memantau kesehatan dan kualitas pakan hewan dengan menggunakan metode ini sangatlah mahal dan sangat tidak efisien.

Alat sederhana untuk mengukur kandungan susu dengan cepat akan menjadi kemajuan yang signifikan baik dalam industri susu maupun peternakan susu. Alat ini harus portabel, terjangkau dan memungkinkan pengguna untuk menganalisis sampel target mereka secara non-destruktif dan di lapangan, dan sebaiknya dilakukan secara inline di stasiun pemerahan dalam kasus aplikasi peternakan sapi perah. Miniaturisasi spektrometer inframerah-dekat (NIR) telah mencapai titik di mana instrumen genggam dapat menyediakan sarana yang andal dan terjangkau untuk mencapai tujuan ini.

Hitung Kandungan Susu

Untuk mendemonstrasikan kemampuan sensor spektral NeoSpectra dalam menentukan persentase setiap komponen - lemak, protein, dan laktosa - dalam sampel uji susu mentah, prosedur dan spesifikasi pengujian berikut diterapkan:

Kumpulan sampel yang digunakan:

• Sampel dikumpulkan dari peternakan lokal, di mana setiap sampel yang dikumpulkan berasal dari hewan yang berbeda untuk memastikan ruang sampel memiliki varian yang baik;

• Uji kimia destruktif yang akurat dilakukan pada sampel untuk mencatat isinya secara akurat;

• Jumlah sampel yang diambil sebanyak 131;

• Setiap sampel diukur sebanyak 5 kali dengan sensor spektral NeoSpectra.

Kondisi pengukuran:

• Pengukuran dilakukan dalam refleksi menyebar;

• Rentang spektral:1300 – 2600 nm;

• Waktu pemindaian:2 detik;

• Resolusi:16nm pada λ=1.550 nm;

• Ukuran titik =3 mm2;

• Latar Belakang:99% Spectralon™ (standar refleksi dengan respons spektral hampir datar di NIR);

• Semua pengukuran dilakukan pada suhu kamar.

Evaluasi Data

Model regresi kuadrat terkecil parsial (PLS) dibuat untuk mengembangkan hubungan linier antara spektrum dan pengukuran kandungan susu, yang ditentukan menggunakan analisis kimia laboratorium. Model ini digunakan dalam prediksi persentase isi sampel susu dari spektrumnya saja.

PLS mereduksi spektrum data menjadi sejumlah kecil variabel laten (L.V.) untuk mengurangi kompleksitas data, karena setiap spektrum pada awalnya mungkin melebihi 300 variabel (panjang gelombang). Variabel laten dipilih berdasarkan korelasinya dengan tanggapan (kandungan susu dalam kasus kami); Variabel yang korelasinya tinggi dipilih, sedangkan variabel yang korelasinya lebih rendah dibuang. Setelah itu dilakukan regresi linier untuk menghubungkan prediktor (L.V. spektrum) dengan respons (kuantifikasi kandungan susu).

Teknik validasi silang digunakan untuk menghitung kinerja model PLS dengan melaporkan kesalahan prediksi (root mean square dari kesalahan semua sampel) dan koefisien determinasi (R2) antara isi prediksi dan data referensi (dilaporkan dari analisis kimia). Teknik ini membagi data menjadi set kalibrasi dan validasi. Set kalibrasi digunakan untuk melatih model PLS sedangkan set validasi digunakan untuk melaporkan performa model.

Pada iterasi berikutnya, set validasi dan kalibrasi digabungkan, sebagian data lainnya diambil sebagai set validasi, dan terakhir, pelatihan model dan validasi pada set baru diulangi. Prosedur sebelumnya diulangi berulang kali hingga setiap sampel terwakili satu kali dalam set validasi. Hasil dari validasi silang ditunjukkan pada Gambar 1.

Gambar 2. Sensor spektral NeoSpectra Micro dengan kepala optik terintegrasi dan sumber cahaya, dapat disolder BGA, dan komunikasi SPI.

Investigasi ini mengembangkan model analisis susu dengan menerapkan metode preprocessing pada spektrum, kemudian menggunakan PLS untuk membangun model regresi. Pada tahap prediksi, model yang dikembangkan digunakan untuk memprediksi isi sampel uji.

Hasilnya dengan jelas menunjukkan bahwa spektrum sampel susu mentah yang diukur dengan sensor spektral NeoSpectra memberikan data analitik yang sesuai untuk mengukur kandungan susu secara akurat dengan kesalahan kurang dari 8% dari rentang penuh untuk komponen apa pun, dibandingkan dengan kesalahan sebesar 9% menggunakan alat analisis komersial berbasis ultrasound untuk kumpulan sampel yang sama.

Di sisi lain, kesalahan absolut dari penyelidikan ini sedikit lebih baik dalam memprediksi persentase protein dan laktosa dibandingkan dengan angka yang dilaporkan dalam makalah penelitian menggunakan spektrometer laboratorium yang tersedia secara komersial. Namun, kesalahan absolut dalam memprediksi persentase lemak tidak begitu baik karena ukuran titik yang digunakan kecil. Sensor spektral NeoSpectra dapat mendukung ukuran titik yang lebih besar untuk mengatasi masalah tersebut. Hal ini memvalidasi potensi teknologi ini untuk memungkinkan pengujian yang cepat dan non-destruktif di lapangan dan tanpa memerlukan persiapan sampel menggunakan teknologi berbiaya rendah yang memungkinkan solusi terukur untuk kualifikasi susu.

Artikel ini ditulis oleh Amr Wassal, VP of Systems Engineering, dan Mohamed Hossam, Senior Embedded Software Engineer, Si-Ware Systems (La Canada, CA). Untuk informasi lebih lanjut, hubungi penulis di Alamat email ini dilindungi dari robot spam. Anda perlu mengaktifkan JavaScript untuk melihatnya. atau kunjungi di sini  .