선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 소비량이 급감하고 있는 쌀의 소비를 촉진하도록 밀가루를 쌀가루로 대체하고, 영양성을 높이기 위하여 버터와 달걀을 견과류와 콩가루, 전분으로 대체한 쌀 쿠키를 제조하고자 한다. 견과류가 첨가된 쌀 쿠키의 식감을 높이기 위하여 쌀가루, 전분, 콩가루의 최적 배합비를 구하고자 반응 표면 분석법(Response Surface Methodology)에 의해 16가지 조건으로 쌀 쿠키를 제조한 후, 쌀 쿠키의 품질 특성 및 관능 특성을 분석하여 최적의 제조 조건을 설정하고자 하였다.
- 본 연구에서는 견과류를 첨가한 쌀 쿠키의 품질 특성 및 관능적 최적화를 목적으로 반응 표면 분석을 통해 쿠키의 품질 특성을 분석하였고, 관능적인 최적 배합 레시피를 산출하였다. 중심 합성 계획법(CCD)에 따라 쌀가루(X1), 전분(X2), 콩가루(X3)의 양을 독립변수로 하여 실험을 계획하고, data를 분석한 후 최적화 하였다.
제안 방법
- 관능검사는 숙명여자대학교 식품영양학과 및 전통식생활 전공 대학원생 중 훈련된 16명을 패널로 선정하여, 이들에게 실험의 목적과 취지를 설명한 뒤 실험에 응하도록 하였다. 16명의 각 관능요원 당 16가지의 시료 중 6가지의 시료를 평가하도록 하였으며, 시료의 평가는 제조 후 1시간 동안 방냉한 것을 이용하였고, 시료 번호는 난수표를 이용하여 3자리 숫자로 표시하였다. 일정한 크기(직경 5 cm, 높이 1 cm)의 쿠키를 7점 척도법으로 평가하여 선호도가 높을수록 높은 점수를 주도록 하였다.
- 각 성분들의 반응을 보기 위해서는 perturbation plot과 response surface 3D plot을 이용하였다. Canonical 모형의 수치 최적화(numerical optimization)와 모형적 최적화(graphical optimization)를 통해 최적화를 위한 쌀가루, 전분, 콩가루의 양을 선정하였고, 그때의 지점을 지점 예측(point prediction)을 통해 최적점으로 선정하였다. 수치 최적화는 canonical model을 기준으로 하는 모델의 계수에 각각의 반응중 관능평가의 최고점을 목표 범위(goal area)로 설정하였다.
- 따라서 본 연구에서는 소비량이 급감하고 있는 쌀의 소비를 촉진하도록 밀가루를 쌀가루로 대체하고, 영양성을 높이기 위하여 버터와 달걀을 견과류와 콩가루, 전분으로 대체한 쌀 쿠키를 제조하고자 한다. 견과류가 첨가된 쌀 쿠키의 식감을 높이기 위하여 쌀가루, 전분, 콩가루의 최적 배합비를 구하고자 반응 표면 분석법(Response Surface Methodology)에 의해 16가지 조건으로 쌀 쿠키를 제조한 후, 쌀 쿠키의 품질 특성 및 관능 특성을 분석하여 최적의 제조 조건을 설정하고자 하였다.
- 쿠키 제조 시 버터와 달걀을 대체하여 견과류와 카놀라유, 콩가루를 사용하였으며, 설탕을 대체하여 단풍나무 수액을 사용하였다. 계량된 견과류는 믹서기로 크림화를 시켜 계량된 카놀라유와 단풍나무 수액과 함께 잘 혼합한 후 계량된 쌀가루, 전분, 쿠키를 체에 내려서 반죽을 제조하였다. 이를 밀봉하여 4℃의 냉장실(FRB4350-NT, DAEWOO Co.
- 관능검사 시간은 오전 10시에서 11시 사이에 이루어졌으며, 모든 시료는 동시에 제공하여 폴리에틸렌 1회용 접시에 담아 제공하였고, 한 개의 시료를 먹고난 다음 물로 헹군 뒤 평가하도록 하였다. 관능 항목은 전반적인 기호도(overall acceptability), 향(flavor), 맛(taste), 바삭함(crunch), 색(color)의 관능 특성을 평가하도록 하였다.
- 일정한 크기(직경 5 cm, 높이 1 cm)의 쿠키를 7점 척도법으로 평가하여 선호도가 높을수록 높은 점수를 주도록 하였다. 관능검사 시간은 오전 10시에서 11시 사이에 이루어졌으며, 모든 시료는 동시에 제공하여 폴리에틸렌 1회용 접시에 담아 제공하였고, 한 개의 시료를 먹고난 다음 물로 헹군 뒤 평가하도록 하였다. 관능 항목은 전반적인 기호도(overall acceptability), 향(flavor), 맛(taste), 바삭함(crunch), 색(color)의 관능 특성을 평가하도록 하였다.
- 독립변수로는 쌀가루(X1), 전분(X2), 콩가루(X3)의 함량을 3개의 요인으로 설정하여 세 가지 변수를 —2, —1, 0, 1, 2의 5단계로 부호화 하였다.
- 쿠키의 직경은 쿠키 6개를 가로로 정렬해 그 길이를 측정한 후, 각각의 쿠키를 90도로 회전시켜 다시 측정해 얻은 수치를 각각 6으로 나누어 평균값을 계산하였다. 두께는 6개의 쿠키를 세로로 쌓아 올려 높이를 측정한 후 해체해 쌓아 올린 순서를 바꾸어, 다시 쌓아올려 높이를 측정해 얻은 수치를 각각 6으로 나누어 평균값을 얻었다.
- 견과류 첨가 쌀 쿠키의 최적 재료 배합비를 위해 쌀가루와 전분, 콩가루의 배합 조건은 canonical 모형의 수치 최적화(numerical optimization)와 모형적 최적화(graphical optimization)를 통해 선정하였다. 수치 최적(numerical point)을 예측하기 위해 관능평가 항목 중 유의적이었던 색, 맛, 바삭함, 전반적인 기호도에 대해 독립변수인 쌀가루, 전분, 콩가루의 범위 내에서 최대로 설정하고, 모델화로 결정된 반응식을 이용하여 만족하는 점 중에서 최고의 desirability를 나타낸 최적점을 선택하여 지점 예측(point prediction)을 도출하였다. 이를 통한 각 독립변수의 예측된 최적값은 쌀가루 78.
- Canonical 모형의 수치 최적화(numerical optimization)와 모형적 최적화(graphical optimization)를 통해 최적화를 위한 쌀가루, 전분, 콩가루의 양을 선정하였고, 그때의 지점을 지점 예측(point prediction)을 통해 최적점으로 선정하였다. 수치 최적화는 canonical model을 기준으로 하는 모델의 계수에 각각의 반응중 관능평가의 최고점을 목표 범위(goal area)로 설정하였다. 수치 최적화를 통해 제시된 최적점(solution) 중 다음의 식에 기준하여 적합도(desirability)를 구하고, 가장 높은 적합도를 나타내는 최적점을 채택하였다.
- 수치 최적화는 canonical model을 기준으로 하는 모델의 계수에 각각의 반응중 관능평가의 최고점을 목표 범위(goal area)로 설정하였다. 수치 최적화를 통해 제시된 최적점(solution) 중 다음의 식에 기준하여 적합도(desirability)를 구하고, 가장 높은 적합도를 나타내는 최적점을 채택하였다.
- 종속 변수로는 색도(L, a, b), 경도, 퍼짐성, 관능적 특성의 색, 향, 맛, 바삭함, 전반적인 기호도로 설정하였다. 쌀가루, 전분, 콩가루의 배합 비율을 설정하기 위해 예비 실험 및 예비 관능 평가를 실시하여 쿠키 배합 비율의 한계 구간을 결정시켜 표준화시켰다(Table 1).
- 16명의 각 관능요원 당 16가지의 시료 중 6가지의 시료를 평가하도록 하였으며, 시료의 평가는 제조 후 1시간 동안 방냉한 것을 이용하였고, 시료 번호는 난수표를 이용하여 3자리 숫자로 표시하였다. 일정한 크기(직경 5 cm, 높이 1 cm)의 쿠키를 7점 척도법으로 평가하여 선호도가 높을수록 높은 점수를 주도록 하였다. 관능검사 시간은 오전 10시에서 11시 사이에 이루어졌으며, 모든 시료는 동시에 제공하여 폴리에틸렌 1회용 접시에 담아 제공하였고, 한 개의 시료를 먹고난 다음 물로 헹군 뒤 평가하도록 하였다.
- 독립변수로는 쌀가루(X1), 전분(X2), 콩가루(X3)의 함량을 3개의 요인으로 설정하여 세 가지 변수를 —2, —1, 0, 1, 2의 5단계로 부호화 하였다. 종속 변수로는 색도(L, a, b), 경도, 퍼짐성, 관능적 특성의 색, 향, 맛, 바삭함, 전반적인 기호도로 설정하였다. 쌀가루, 전분, 콩가루의 배합 비율을 설정하기 위해 예비 실험 및 예비 관능 평가를 실시하여 쿠키 배합 비율의 한계 구간을 결정시켜 표준화시켰다(Table 1).
- 본 연구에서는 견과류를 첨가한 쌀 쿠키의 품질 특성 및 관능적 최적화를 목적으로 반응 표면 분석을 통해 쿠키의 품질 특성을 분석하였고, 관능적인 최적 배합 레시피를 산출하였다. 중심 합성 계획법(CCD)에 따라 쌀가루(X1), 전분(X2), 콩가루(X3)의 양을 독립변수로 하여 실험을 계획하고, data를 분석한 후 최적화 하였다. 물리적 특성인 적색도와 관능검사의 향을 제외한 모든 항목에서 p-value가 5% 이내에서 유의성을 보여 모델의 적합성이 인정되었다.
- 쿠키의 퍼짐성(spreadability) 측정은 쿠키의 직경(mm)과 높이(mm)를 각각 측정한 후 AACC Method 10-50D(2000)의 방법을 이용하였다. 쿠키의 직경은 쿠키 6개를 가로로 정렬해 그 길이를 측정한 후, 각각의 쿠키를 90도로 회전시켜 다시 측정해 얻은 수치를 각각 6으로 나누어 평균값을 계산하였다. 두께는 6개의 쿠키를 세로로 쌓아 올려 높이를 측정한 후 해체해 쌓아 올린 순서를 바꾸어, 다시 쌓아올려 높이를 측정해 얻은 수치를 각각 6으로 나누어 평균값을 얻었다.
대상 데이터
- 관능검사는 숙명여자대학교 식품영양학과 및 전통식생활 전공 대학원생 중 훈련된 16명을 패널로 선정하여, 이들에게 실험의 목적과 취지를 설명한 뒤 실험에 응하도록 하였다. 16명의 각 관능요원 당 16가지의 시료 중 6가지의 시료를 평가하도록 하였으며, 시료의 평가는 제조 후 1시간 동안 방냉한 것을 이용하였고, 시료 번호는 난수표를 이용하여 3자리 숫자로 표시하였다.
- 본 실험에 사용한 쌀가루는 (주)순쌀나라(Korea), 콩가루는 (주)초록마을(Korea), 감자전분은 (주)새롬식품(Korea)에서 구입하여 사용하였으며, 쌀 쿠키 제조에 사용된 재료는 단풍나무 수액(LB. MAPLE TREAT INC, Canada)과 카놀라유는 (주)사조해표(Korea), 잣(Korea)과 캐슈넛(Vietnam)은 이마트에서 구입하여 사용하였다.
- Hardness는 그래프 중 최고 피크점을 기준으로 하였으며, 각 실험군 별로 15회 반복하여 측정한 값의 평균값과 표준편차로 나타내었다. 시료는 직경 50 mm, 높이 8 mm로 하였으며, probe는 3 mm cylinder probe를 사용하였다. 분석 조건은 pre-test speed 3.
- Table 1과 같은 재료와 분량으로 쿠키를 제조하였다. 쿠키 제조 시 버터와 달걀을 대체하여 견과류와 카놀라유, 콩가루를 사용하였으며, 설탕을 대체하여 단풍나무 수액을 사용하였다. 계량된 견과류는 믹서기로 크림화를 시켜 계량된 카놀라유와 단풍나무 수액과 함께 잘 혼합한 후 계량된 쌀가루, 전분, 쿠키를 체에 내려서 반죽을 제조하였다.
데이터처리
- , UK)로 측정하여 경도(hardness) 값을 나타내었다. Hardness는 그래프 중 최고 피크점을 기준으로 하였으며, 각 실험군 별로 15회 반복하여 측정한 값의 평균값과 표준편차로 나타내었다. 시료는 직경 50 mm, 높이 8 mm로 하였으며, probe는 3 mm cylinder probe를 사용하였다.
- 쿠키의 품질 특성 및 성분들 간의 상호작용과 경향을 알아보기 위하여 design expert 9 프로그램의 ANOVA test 및 회귀분석을 이용하였으며, model의 적합성 여부는 F-test로 유의성을 검증하였다. 각 성분들의 반응을 보기 위해서는 perturbation plot과 response surface 3D plot을 이용하였다.
이론/모형
- 쿠키의 품질 특성 및 성분들 간의 상호작용과 경향을 알아보기 위하여 design expert 9 프로그램의 ANOVA test 및 회귀분석을 이용하였으며, model의 적합성 여부는 F-test로 유의성을 검증하였다. 각 성분들의 반응을 보기 위해서는 perturbation plot과 response surface 3D plot을 이용하였다. Canonical 모형의 수치 최적화(numerical optimization)와 모형적 최적화(graphical optimization)를 통해 최적화를 위한 쌀가루, 전분, 콩가루의 양을 선정하였고, 그때의 지점을 지점 예측(point prediction)을 통해 최적점으로 선정하였다.
- 견과류 첨가 쌀 쿠키의 최적 재료 배합비를 위해 쌀가루와 전분, 콩가루의 배합 조건은 canonical 모형의 수치 최적화(numerical optimization)와 모형적 최적화(graphical optimization)를 통해 선정하였다. 수치 최적(numerical point)을 예측하기 위해 관능평가 항목 중 유의적이었던 색, 맛, 바삭함, 전반적인 기호도에 대해 독립변수인 쌀가루, 전분, 콩가루의 범위 내에서 최대로 설정하고, 모델화로 결정된 반응식을 이용하여 만족하는 점 중에서 최고의 desirability를 나타낸 최적점을 선택하여 지점 예측(point prediction)을 도출하였다.
- 견과류를 첨가한 쌀 쿠키의 모든 실험 설계는 반응 표면 실험 계획법(Response surface methodology)의 중심 합성 계획법(CCD)에 따라 Design Expert 9(Stat-Easy Co., USA) 프로그램을 사용하였다. 독립변수로는 쌀가루(X1), 전분(X2), 콩가루(X3)의 함량을 3개의 요인으로 설정하여 세 가지 변수를 —2, —1, 0, 1, 2의 5단계로 부호화 하였다.
- 쌀가루와 전분의 첨가량이 증가하면 황색도는 감소하고, 콩가루의 첨가량이 증가하면 황색도는 높아졌으며, 쌀가루와 콩가루의 함량이 증가할수록 쿠키의 경도는 증가하였다. 관능검사 결과, 색에서는 Linear 모델이 선정되었으며, 나머지 모든 항목에서는 quadratic 모델로 결정되었다. 쌀가루, 전분, 콩가루가 증가함에 따라 전반적인 기호도가 증가하다가 감소하는 경향이지만, 급격한 감소는 보이지 않아 분말 첨가는 바람직함을 나타내었다.
- 쿠키의 퍼짐성(spreadability) 측정은 쿠키의 직경(mm)과 높이(mm)를 각각 측정한 후 AACC Method 10-50D(2000)의 방법을 이용하였다. 쿠키의 직경은 쿠키 6개를 가로로 정렬해 그 길이를 측정한 후, 각각의 쿠키를 90도로 회전시켜 다시 측정해 얻은 수치를 각각 6으로 나누어 평균값을 계산하였다.
성능/효과
- 16가지 배합 비율로 제조한 견과류 첨가 쌀 쿠키의 관능적 특성을 7점 척도로 평가한 결과, 색은 3.00∼5.00, 향은 3.67∼5.50, 맛은 2.67∼6.67, 바삭함은 3.00∼6.50, 전반적인 기호도는 2.50∼6.67 사이의 범위를 나타내었다(Table 3).
- 001)로 유의적인 결과를 나타내었다(Table 4). Perturbation plot과 반응 표면 곡선을 살펴본 결과, 쌀가루, 전분의 첨가량이 증가할수록 명도가 높아졌으며, 콩가루는 큰 영향을 주지 않았다(Fig. 1). 적색도는 2FI 모델이 선택되었으며, p-value가 0.
- 명도는 각 요인들이 독립적으로 작용하는 linear 모델이 선택되었으며, 쌀가루 95 g, 전분 30 g, 콩가루 10 g일 때 가장 높게 나타났고, p-value가 0.0007(p<0.001)로 유의적인 결과를 나타내었다(Table 4).
- 중심 합성 계획법(CCD)에 따라 쌀가루(X1), 전분(X2), 콩가루(X3)의 양을 독립변수로 하여 실험을 계획하고, data를 분석한 후 최적화 하였다. 물리적 특성인 적색도와 관능검사의 향을 제외한 모든 항목에서 p-value가 5% 이내에서 유의성을 보여 모델의 적합성이 인정되었다. 실험 결과를 모델링하여 유의성을 검증한 결과, 색도(L, b)와 경도는 Linear 모델이 선정되었으며, 적색도는 2FI, 퍼짐성은 quadratic 모델로 결정되었다.
- 89 g으로 산출되었다. 본 연구를 통해 견과류 첨가 쌀 쿠키는 기능 및 품질, 기호도 측면에서 충분한 경쟁력이 있을 것으로 생각되며, 건강에 관심 있는 소비자 및 채식주의자를 위한 건강 쿠키의 개발 가능성을 확인할 수 있었다.
- 05)로 유의적이었다(Table 4). 색의 관능적 특성에 가장 큰 영향을 주는 요인은 쌀가루와 전분이었으며, 콩가루는 민감하게 작용하지 않는 결과를 나타내었다(Fig. 2). 쌀가루와 전분의 첨가량이 증가하면 색의 기호도가 감소하였다.
- 물리적 특성인 적색도와 관능검사의 향을 제외한 모든 항목에서 p-value가 5% 이내에서 유의성을 보여 모델의 적합성이 인정되었다. 실험 결과를 모델링하여 유의성을 검증한 결과, 색도(L, b)와 경도는 Linear 모델이 선정되었으며, 적색도는 2FI, 퍼짐성은 quadratic 모델로 결정되었다. 쌀가루와 전분의 첨가량이 증가하면 황색도는 감소하고, 콩가루의 첨가량이 증가하면 황색도는 높아졌으며, 쌀가루와 콩가루의 함량이 증가할수록 쿠키의 경도는 증가하였다.
- 1). 쌀가루 50 g, 전분 20 g, 콩가루 15 g에서 경도가 가장 낮았고, 쌀가루 80 g, 전분 20 g, 콩가루 25 g에서 가장 높았다. 경도에 영향을 주는 직접적인 요인으로는 air cell의 발달 정도, 수분 함량 및 비중이 있는데, 이러한 값이 클수록 경도는 낮아지는 것으로 보고된 바 있다(Chabot JF 1979).
- 0392(p<0.05)이었고, 쌀가루, 전분, 콩가루가 증가함에 따라 전반적인 기호도가 증가하다가 감소하는 경향이지만, 급격한 감소는 보이지 않아 분말 첨가는 바람직함을 나타내었다.
- 05)으로 유의적이었다(Table 3). 쌀가루, 전분, 콩가루의 함량이 증가할수록 쿠키의 퍼짐성이 증가하다가 감소하는 것을 볼 수 있었다(Fig. 1). 쌀가루의 함량이 많을수록 퍼짐성이 낮아지는 경향을 보이는 것은 쌀가루가 반죽의 점성을 높여 주었기 때문으로 보인다(Kwon et al 2011).
- 실험 결과를 모델링하여 유의성을 검증한 결과, 색도(L, b)와 경도는 Linear 모델이 선정되었으며, 적색도는 2FI, 퍼짐성은 quadratic 모델로 결정되었다. 쌀가루와 전분의 첨가량이 증가하면 황색도는 감소하고, 콩가루의 첨가량이 증가하면 황색도는 높아졌으며, 쌀가루와 콩가루의 함량이 증가할수록 쿠키의 경도는 증가하였다. 관능검사 결과, 색에서는 Linear 모델이 선정되었으며, 나머지 모든 항목에서는 quadratic 모델로 결정되었다.
- 05)로 유의적이었다. 쌀가루와 콩가루의 함량이 증가할수록 쿠키의 경도는 증가하는 것을 볼 수 있었다(Fig. 1). 쌀가루 50 g, 전분 20 g, 콩가루 15 g에서 경도가 가장 낮았고, 쌀가루 80 g, 전분 20 g, 콩가루 25 g에서 가장 높았다.
- 콩가루의 첨가량이 증가할수록 적색도와 황색도가 높아졌으며, 쌀가루와 전분의 첨가량이 증가하면 명도는 높아지고, 적색도와 황색도는 감소했다. 이러한 결과는 콩가루의 적색도와 황색도가 높아, 그 자체의 색에 따라 첨가물의 양이 증가할수록 쿠키의 적색도와 황색도를 증가시키는 것으로 판단된다. 쿠키의 색도는 당에 의한 비효소적 메일라드 반응과 카라멜화 반응에 의해 많은 영향을 받을 뿐 아니라, 첨가된 부재료에 따라서도 차이를 보일 수 있다고 알려져 있다(Park et al 2005).
- 쌀가루, 전분, 콩가루가 증가함에 따라 전반적인 기호도가 증가하다가 감소하는 경향이지만, 급격한 감소는 보이지 않아 분말 첨가는 바람직함을 나타내었다. 이상의 실험 결과를 바탕으로, 견과류 첨가 쌀 쿠키의 관능적 최적 배합비율은 쌀가루 78.92 g, 전분 19.98 g, 콩가루 15.89 g으로 산출되었다. 본 연구를 통해 견과류 첨가 쌀 쿠키는 기능 및 품질, 기호도 측면에서 충분한 경쟁력이 있을 것으로 생각되며, 건강에 관심 있는 소비자 및 채식주의자를 위한 건강 쿠키의 개발 가능성을 확인할 수 있었다.
- 67 사이의 범위를 나타내었다(Table 3). 전반적인 기호도에서 기호도가 가장 높은 배합비는 쌀가루 80 g, 전분 20 g, 콩가루 15 g으로 나타났다. 쿠키의 색에 대한 기호도는 각 요인들이 독립적으로 작용하는 Linear 모델이 선택되었으며, p-value는 0.
- 05)로 유의적으로 나타났으며, 쌀가루와 전분의 첨가량이 증가하면 황색도는 감소하고, 콩가루의 첨가량이 증가하면 황색도는 높아졌다. 콩가루의 첨가량이 증가할수록 적색도와 황색도가 높아졌으며, 쌀가루와 전분의 첨가량이 증가하면 명도는 높아지고, 적색도와 황색도는 감소했다. 이러한 결과는 콩가루의 적색도와 황색도가 높아, 그 자체의 색에 따라 첨가물의 양이 증가할수록 쿠키의 적색도와 황색도를 증가시키는 것으로 판단된다.
- 쿠키의 전반적인 기호도는 quadratic 모델이 설정되었고, p-value는 0.0392(p<0.05)이었고, 쌀가루, 전분, 콩가루가 증가함에 따라 전반적인 기호도가 증가하다가 감소하는 경향이지만, 급격한 감소는 보이지 않아 분말 첨가는 바람직함을 나타내었다.
- 황색도는 linear 모델이 선택되었고, p-value가 0.0104(p<0.05)로 유의적으로 나타났으며, 쌀가루와 전분의 첨가량이 증가하면 황색도는 감소하고, 콩가루의 첨가량이 증가하면 황색도는 높아졌다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.