કુદરતી રીતે મગફળીની બરછટ મીઠી

નારિયેળ ખાંડ આ સ્વાદિષ્ટ સ્વીટ પીનટ બરડ રેસીપી અત્યંત સ્વાદિષ્ટ અને ખૂબ તંદુરસ્ત બનાવે છે! આ ખાંડનું નામ હોવા છતાં, નાળિયેર ખાંડને નાળિયેરની જેમ સ્વાદ નથી અથવા ગંધ નથી, પરંતુ તેના બદલે તેમાં કોઈ રંગીન ખાંડ સ્વાદ અને દેખાવ છે. તેને ક્યારેક "નાળિયેર પામ ખાંડ" કહેવામાં આવે છે, પરંતુ સાદા "પામ ખાંડ" સાથે તે ગૂંચવતા નથી, જે એક અલગ ઉત્પાદન છે. મેપલ-સ્વાદવાળી "પેનકેક સીરપ" ને બદલે વાસ્તવિક મેપલ સીરપનો ઉપયોગ કરવાની ખાતરી કરો, જે રેસીપીમાં કાર્ય કરશે નહીં.

વાસ્તવિક મગફળીના માખણનો ઉપયોગ કરીને, આ બરડ પણ કોઈ ઉમેરવામાં માખણ અથવા ચરબી ધરાવતું નથી. એક સમાન સ્વાદિષ્ટ ઉપાય માટે અન્ય બદામ અથવા અખરોટના બટાટામાં ફેરબદલ કરવાનો પ્રયાસ કરો.

તમને જરૂર પડશે

• 1 કપ નાળિયેર ખાંડ
• ½ કપ મેપલ સીરપ
• 1/2 કપ પાણી
• 1/4 ચમચી મીઠું (મીઠું ચડાવેલું મગફળીના માખણનો ઉપયોગ કરીને ભૂલી જાઓ)
• 1/2 કપ મગફળી
• 6 ચમચી કુદરતી મગફળીના માખણ
• 1/2 ચમચી બિસ્કિટનો સોડા
• 1 ચમચી વેનીલા અર્ક

તે કેવી રીતે બનાવો

1. પૅકમેન્ટ કાગળ સાથે પકવવાની શીટ રેખા અને તે કોરે મૂકી. તૈયાર ઉપયોગ માટેના તમામ ઘટકોને બહાર મૂકો.

2. એક માધ્યમ શાક વઘારવાનું તપેલું માં, નાળિયેર ખાંડ, મેપલ સીરપ, અને પાણી ભેગા કરો. મધ્યમ ગરમી પર બોઇલ લાવો. મીઠું ઉમેરો, પછી એક કેન્ડી થર્મોમીટર દાખલ કરો. તે 250 ડિગ્રી ફેરનહીટ (121 C) સુધી પહોંચે ત્યાં સુધી બગડીને ખાવું. મગફળી ઉમેરો અને તેમને મિશ્રણમાં જગાડવો.

3. તે 290 ડિગ્રી ફેરનહીટ (143 સી) સુધી પહોંચે ત્યાં સુધી કેન્ડી રસોઈ ચાલુ રાખો.

મગફળી શેકેલા ગંધ શરૂ કરશે અને કારામેલાઇઝ્ડ સુગંધ વધુ મજબૂત બનશે.

4. જ્યારે તે આ તબક્કે પહોંચે છે, ગરમી બંધ કરો અને પીનટ બટર ઉમેરો. ગરમીથી ભેગા અને દૂર કરવા માટે ઝડપથી જગાડવો. બિસ્કિટનો સોડા અને વેનીલા ઉમેરો અને સારી રીતે જગાડવો - બરડમાં ફીણ અપ કરશે. કેન્ડી બહાર ચર્મપત્ર-રેખિત પકવવા શીટ પર ફેલાવો, લગભગ ¼ ઇંચ જાડા. આ કેન્ડી ઝડપથી કૂક્સ કારણ કે ઝડપથી ફેલાવો!

5. ફ્રિજમાં મિશ્રણને ઠંડું અને 30 મિનિટ માટે સેટ કરો. ટુકડાઓમાં તૂટી અને આનંદ!

બધા પીનટ કેન્ડી રેસિપીઝ જોવા માટે અહીં ક્લિક કરો!

પોષક માર્ગદર્શિકા (સેવા આપતા દીઠ)
કૅલરીઝ	437
કુલ ચરબી	17 ગ્રામ
સંતૃપ્ત ફેટ	3 જી
અસંતૃપ્ત ચરબી	8 જી
કોલેસ્ટરોલ	0 એમજી
સોડિયમ	338 મિલિગ્રામ
કાર્બોહાઇડ્રેટ્સ	68 ગ્રામ
ડાયેટરી ફાઇબર	2 જી
પ્રોટીન	8 જી

(અમારા વાનગીઓ પરની પોષણની માહિતીને ઘટક ડેટાબેઝનો ઉપયોગ કરીને ગણવામાં આવે છે અને તેને એક અંદાજ ગણવામાં આવે છે. વ્યક્તિગત પરિણામો બદલાઈ શકે છે.)