%0 Generic
%A Sarah Desiana Br Ginting, 1714071020
%C UNIVERSITAS LAMPUNG
%D 2021
%F eprints:61728
%I fakultas pertanian 
%T KELAYAKAN METODE UV-VIS SPEKTROSKOPI DAN  KEMOMETRIKA UNTUK KLASIFIKASI MADU  MONOFLORA DARI TIGA JENIS LEBAH  DI PROVINSI LAMPUNG
%U http://digilib.unila.ac.id/61728/
%X Madu monoflora memiliki nilai jual yang berbeda berdasarkan nektar dan jenis  lebah. Penelitian identifikasi madu monoflora Acacia mangium dari tiga jenis  lebah yang berbeda menggunakan UV-vis spektroskopi dan metode SIMCA.  Tujuan penelitian ini untuk mengidentifikasi madu monoflora dari nektar yang  sama yaitu Acacia mangium dengan tiga jenis lebah yang berbeda yaitu, Apis  dorsata, Apis mellifera, Heterotrigona itama dengan menggunakan UV-vis  spektroskopi dan kemometrika. Jumlah sampel yang digunakan sebanyak 50  sampel madu monoflora Apis dorsata Acacia mangium (ADAM), 50 sampel  madu monoflora Apis mellifera Acacia mangium (AMAM) dan, 50 sampel madu  Heterotrigona itama Acacia mangium (HIAM). Pengambilan spektra dilakukan  sebanyak dua kali pada setiap masing-masing sampel. Panjang gelombang yang  digunakan dalam pengambilan spektra pada UV-vis spektroskopi adalah 190–  1100 nm. Sampel madu dipanaskan terlebih dahulu menggunakan water bath 30  menit bersuhu 60°C, kemudian sampel diencerkan dengan 30 ml aquades  dihomogenkan selama 10 menit dengan magnetic stirrer. Selanjutnya sampel  madu diisi 2 ml ke kuvet dan diambil spektranya. Hasil klasifikasi menggunakan  PCA dan SIMCA mampu mengidentifikasi ADAM, AMAM dan HIAM pada  panjang gelombang 190 nm–1100 nm. Untuk data original total nilai PC1 dan  PC2 adalah 92% dan total PC1 dan PC2 pada Normalize + Moving Average 5  Segmen adalah 98%. Dari hasil penelitian didapatkan hasil nilai akurasi 100%,  sensitivitas sebesar 100%, spesifisitas sebesar 100%, dan error 0%. Berdasarkan  kurva ROC nilai klasifikasi secara keseluruhan sudah sangat akurat dalam  membedakan sampel ADAM, AMAM dan HIAM. Hasil ini dibuktikan dari  semakin dekatnya kurva ROC dengan garis Y (0,0).    Kata kunci: Madu Apis dorsata Acacia mangium, madu Apis mellifera Acacia  mangium, madu Heterotrigona itama Acacia mangium, UV-vis  spektroskopi, Principal Component Analysis (PCA), Soft  Independent Modelling of Class Analogy (SIMCA), Receiver  OperatinMonoflora honey has a different selling value based on the nectar and the type of  honey bee. Research on the identification of Acacia mangium monofloral honey  from three different types of bees using UV-vis spectroscopy and SIMCA methods.  The purpose of this study claims to identify monofloral honey from the same  nectar, namely Acacia mangium with three different types of honeybees, Apis  dorsata, Apis mellifera, and Heterotrigona itama using UV-vis spectroscopy and  SIMCA method.  The number of samples used was 50 samples of Apis dorsata Acacia mangium  (ADAM) monofloral honey, 50 samples of Apis mellifera Acacia mangium  (AMAM) monofloral honey, and 50 samples of Heterotrigona itama Acacia  mangium (HIAM) honey. The wavelength used for sampling in UV-vis  spectroscopy is 190–1100 nm. The honey sample was preheated using a water  bath at 60°C for 30 minutes, then the sample was diluted with 30 ml of distilled  water and stirred using a magnetic stirrer for 10 minutes. Then the honey solution  was put into a cuvette as much as 2 ml and the spectra were taken using UV-vis  spectroscopy.  The results of the classification using PCA and SIMCA were able to identify  ADAM, AMAM, and HIAM at a wavelength of 190 nm – 11000 nm. The  cumulative value of PC1 and PC2 is 92% for original spectral data and 98%.  From the results of the study, the results obtained were 100% accuracy, 100%  sensitivity, 100% specificity, and 0% error. Based on the ROC curve, the overall  classification value is very accurate in distinguishing the ADAM, AMAM, and  HIAM samples, this result is evidenced by the closer the ROC curve to the Y line  (0,0).    Keywords: Apis dorsata Acacia mangium honey, Apis mellifera Acacia mangium  honey, Heterotrigona itama Acacia mangium honey, UV-vis  spectroscopy, Principal Component Analysis (PCA), Soft Independent  Modeling of Class Analogy (SIMCA), Receiver Operating  Characteristic (ROC).g Characteristic (ROC).