Deteksi Adulterasi Kopi Arabika Menggunakan Analisis Non-Destruktif Portabel Spektroskopi dan Destruktif terhadap Karakteristik Kimia

Abstract

Perbedaan nilai komersial antara kopi arabika dan robusta di pasar membuka peluang terjadinya kecurangan seperti adulterasi kopi, yaitu tindakan mencampurkan kopi berkualitas tinggi dengan bahan lain tanpa deklarasi yang jelas. Peningkatan kasus adulterasi terus terjadi setiap tahunnya (Cestari, 2021). Praktik adulterasi kopi dapat menyebabkan penurunan brand image dari kopi khususnya kopi arabika. Penelitian mengenai deteksi adulterasi kopi perlu dikembangkan untuk meminimalisir adanya kasus adulterasi kopi. Penelitian ini berfokus pada pengembangan metode deteksi adulterasi kopi menggunakan machine learning (ML) yang mampu mengklasifikasikan antara kopi arabika murni dengan kopi adulterasi serta penguatan hasil analisis menggunakan parameter kimia (kadar kafein, pH, dan TPT). Tujuan penelitian ini yaitu untuk mengetahui respon spektral dari kopi arabika murni dan kopi arabika adulterasi menggunakan alat portabel spektroskopi, mengetahui algoritma machine learning terbaik yang mampu membedakan kopi arabika murni dengan adulterasi melalui klasifikasi biner dan multikelas, mengetahui pengaruh persentase dan jenis kopi robusta pada karakteristik kimia (kadar kafein, pH, dan TPT) kopi arabika adulterasi, serta membandingkan hasil analisis non-destruktif terhadap data hasil analisis kimia. Penelitian ini dirancang menggunakan Rancangan Acak Lengkap (RAL) dua faktor. Faktor pertama yaitu persentase kopi robusta yang dicampurkan dan yang kedua adalah jenis kopi robusta yang digunakan. Setiap sampel yang dihasilkan dari kombinasi tersebut dianalisis menggunakan metode non-destruktif dan destruktif (kadar kafein, pH, dan TPT). Penelitian ini juga menggunakan sampel kontrol yang merupakan bubuk kopi 100% arabika gayo. Sampel kontrol digunakan untuk membandingkan perbedaan antara kopi arabika murni (kontrol) dengan kopi arabika adulterasi (sampel selain kontrol) berdasarkan analisis yang digunakan. Data hasil analisis non-destruktif diolah menggunakan ML untuk mendeteksi adanya adulterasi pada sampel dengan proses klasifikasi sedangkan data destruktif diolah menggunakan Two-way ANOVA dan uji lanjut jika terdapat perbedaan nyata.