Electronic Theses and Dissertation

Minyak nilam merupakan salah satu komoditas unggulan minyak atsiri Indonesia yang
memiliki nilai ekonomi tinggi dan banyak dimanfaatkan dalam industri parfum. Tingginya
permintaan di pasar internasional berpotensi meningkatkan praktik pemalsuan, salah satunya
melalui pencampuran dengan minyak tanah untuk menambah volume produk. Praktik tersebut
dapat menurunkan mutu, kemurnian, serta karakteristik kimia minyak nilam. Oleh karena itu,
diperlukan metode analisis yang cepat, akurat, dan non-destruktif untuk mendeteksi
pencampuran, salah satunya menggunakan teknologi near infrared reflectance spectroscopy
(NIRS). Penelitian ini bertujuan untuk mengevaluasi kemampuan teknologi NIRS dalam
mendeteksi kadar pencampuran minyak tanah di dalam minyak nilam, membandingkan metode
pretreatment spektrum untuk memperoleh model prediksi terbaik, serta mengidentifikasi
panjang gelombang Optimum spektrum inframerah yang paling signifikan dalam mendeteksi
pencampuran tersebut.
Minyak nilam murni diperoleh dari Atsiri Research Center dan dikarakterisasi
menggunakan Gas Chromatography–Mass Spectrometry (GC-MS) untuk memastikan keaslian
dan kemurniannya. Total sampel berjumlah 32, terdiri atas minyak nilam murni, minyak tanah,
dan minyak campuran, yang kemudian dibagi menjadi 23 data kalibrasi dan 9 data validasi.
Akuisisi spektrum dilakukan menggunakan instrumen Bruker MPA II pada rentang panjang
gelombang 1000–2500 nm. Model prediksi dibangun menggunakan metode Principal
Component Regression (PCR) dengan penerapan pretreatment derivative-1 dan mean
normalization.
Hasil penelitian menunjukkan bahwa teknologi Near Infrared Reflectance Spectroscopy
(NIRS) yang dikombinasikan dengan metode Principal Component Regression (PCR) mampu
memprediksi kadar pencampuran minyak tanah dalam minyak nilam dengan performa yang
baik. Hal ini ditunjukkan oleh nilai Residual Predictive Deviation (RPD) pada model raw tahap
kalibrasi sebesar 8,52. Pada tahap validasi, diperoleh nilai Range Error Ratio (RER) sebesar
10,98 yang mengindikasikan bahwa model memiliki kestabilan serta kemampuan prediksi yang
baik terhadap data uji. Penerapan pretreatment secara umum meningkatkan performa model,
yang ditunjukkan oleh nilai RPD pada tahap kalibrasi yang berada di atas 3 serta peningkatan
nilai RER pada tahap validasi hingga ≥ 12, yang termasuk dalam kategori prediktabilitas tinggi.
Berdasarkan perbandingan kedua metode pretreatment, mean normalization dinyatakan sebagai
metode terbaik dengan nilai R² sebesar 0,9414621, RMSEP sebesar 0,0264418, dan RER sebesar
13,24, sehingga menghasilkan model yang paling andal untuk analisis kuantitatif. Selain itu,
panjang gelombang optimum untuk mendeteksi dan menduga kadar pencampuran minyak tanah
dalam minyak nilam berada pada rentang 1404–1424 nm.

Patchouli oil is one of Indonesia's leading essential oil commodities, boasting high economic value and widely used in the perfume industry. High demand in the international market has the potential to increase counterfeiting practices, one of which is mixing it with kerosene to increase product volume. This practice can reduce the quality, purity, and chemical characteristics of patchouli oil. Therefore, a fast, accurate, and non-destructive analytical method is needed to detect adulteration, one of which is near infrared reflectance spectroscopy (NIRS). This study aims to evaluate the ability of NIRS technology to detect the level of kerosene adulteration in patchouli oil, compare spectral pretreatment methods to obtain the best prediction model, and identify the optimal infrared spectrum wavelength most significant in detecting such adulteration. Pure patchouli oil was obtained from the Atsiri Research Center and characterized using Gas Chromatography–Mass Spectrometry (GC-MS) to ensure its authenticity and purity. A total of 32 samples were collected, consisting of pure patchouli oil, kerosene, and blended oils. These were divided into 23 calibration data sets and 9 validation data sets. Spectrum acquisition was performed using a Bruker MPA II instrument in the wavelength range of 1000–2500 nm. A prediction model was built using the Principal Component Regression (PCR) method with derivative-1 pretreatment and mean normalization. The results showed that Near Infrared Reflectance Spectroscopy (NIRS) technology combined with the Principal Component Regression (PCR) method was able to predict the kerosene admixture levels in patchouli oil with good performance. This was demonstrated by the Residual Predictive Deviation (RPD) value of 8.52 for the raw model during the calibration stage. During the validation stage, a Range Error Ratio (RER) of 10.98 was obtained, indicating that the model had good stability and predictive ability against the test data. The application of pretreatment generally improved model performance, as indicated by an RPD value above 3 in the calibration stage and an increase in the RER value to ≥ 12 in the validation stage, which is considered high predictability. Based on a comparison of the two pretreatment methods, mean normalization was found to be the best method with an R² value of 0.9414621, an RMSEP of 0.0264418, and an RER of 13.24, resulting in the most reliable model for quantitative analysis. Furthermore, the optimum wavelength for detecting and estimating the kerosene content in patchouli oil was in the range of 1404–1424 nm.