DISKRIMINASI TEMU LAWAK, TEMU MANGGA, TEMU HITAM, DAN KUNYIT MENGGUNAKAN SPEKTRUM ULTRAVIOLET-TAMPAK DAN KEMOMETRIKA
RAODATUL JANNAH
DEPARTEMEN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Diskriminasi Temu Lawak, Temu Mangga, Temu Hitam, dan Kunyit Menggunakan Spektrum Ultraviolet-Tampak dan Kemometrika adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2014 Raodatul Jannah NIM G44100025
ABSTRAK RAODATUL JANNAH. Diskriminasi Temu Lawak, Temu Mangga, Temu Hitam, dan Kunyit Menggunakan Spektrum Ultraviolet-Tampak dan Kemometrika. Dibimbing oleh MOHAMAD RAFI dan RUDI HERYANTO. Temu lawak, temu mangga, temu hitam, dan kunyit termasuk ke dalam genus Curcuma yang banyak digunakan di Indonesia sebagai obat tradisional (jamu) untuk mengobati berbagai penyakit. Tujuan penelitian ini adalah mendiskriminasikan sampel keempat simplisia yang berasal dari berbagai daerah di Pulau Jawa dengan menggunakan spektrum ultraviolet-tampak yang dikombinasikan dengan kemometrika. Prapemrosesan sinyal untuk data matriks spektrum ultraviolet-tampak pada daerah 200500 nm telah dilakukan menggunakan variat normal standar sebelum diolah dengan analisis multivariat, seperti principal component analysis (PCA), linear discriminant analysis (LDA), dan soft independent modeling of class analogy (SIMCA). Sampel dapat dikelompokkan menggunakan metode PCA, namun hasil pengelompokan tersebut belum memberikan keterpisahan antarsampel, begitu pula dengan klasifikasi sampel menggunakan SIMCA yang belum memberikan hasil keterpisahan antarsampel. Keempat sampel dapat didiskriminasikan menggunakan metode LDA dan validasi silang model LDA memberikan nilai akurasi sebesar 94.2%. Kata kunci: Curcuma, diskriminasi, kemometrika, spektrum ultraviolet-tampak
ABSTRACT RAODATUL JANNAH. Discrimination of Java Turmeric, Mango Ginger, Black Turmeric, and Turmeric Using Ultraviolet-Visible Spectrum and Chemometrics. Supervised by MOHAMAD RAFI and RUDI HERYANTO. Java turmeric, mango ginger, black turmeric, and turmeric belong to Curcuma genus that are widely used by Indonesian as traditional medicines (herbal remedies) to treat various diseases. The purpose of this study was to discriminate sample of these four species from various regions in Java Island by using ultraviolet-visible spectrum combined with chemometrics. Signal preprocessing for data matrix from the ultraviolet-visible spectrum in the region of 200500 nm has been done using the standard normal variate prior to multivariate analysis, such as principal component analysis (PCA), linear discriminant analysis (LDA), and soft independent modeling of class analogy (SIMCA). The samples can be grouped using PCA, however the result does not give separation among the samples, as well as that the classification of the samples using SIMCA does not give separation among them. These four samples can be discriminated using LDA methods with accuracy level of 94.2% using cross validation method. Keywords: chemometrics, Curcuma, discrimination, ultraviolet-visible spectrum
DISKRIMINASI TEMU LAWAK, TEMU MANGGA, TEMU HITAM, DAN KUNYIT MENGGUNAKAN SPEKTRUM ULTRAVIOLET-TAMPAK DAN KEMOMETRIKA
RAODATUL JANNAH
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Kimia
DEPARTEMEN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Diskriminasi Temu Lawak, Temu Mangga, Temu Hitam, dan Kunyit Menggunakan Spektrum Ultraviolet-Tampak dan Kemometrika Nama : Raodatul Jannah NIM : G44100025
Disetujui oleh
Dr Mohamad Rafi Pembimbing I
Rudi Heryanto, SSi, MSi Pembimbing II
Diketahui oleh
Prof Dr Dra Purwantiningsih Sugita, MS Ketua Departemen
Tanggal Lulus:
PRAKATA Segala Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas rahmat-Nya sehingga penulis mampu menyelesaikan karya ilmiah ini. Penelitian ini dilaksanakan sejak bulan April 2014 dengan tema kontrol kualitas tanaman genus Curcuma. Terima kasih penulis ucapkan kepada Bapak Dr Mohamad Rafi dan Bapak Rudi Heryanto, SSi, MSi selaku pembimbing yang senantiasa memberikan saran, bimbingan, bantuan, nasihat, dan kritikan yang membangun kepada penulis. Ungkapan terima kasih juga penulis ucapkan kepada Bapak Eman Suherman, Mas Eko Firmansyah, Eva Lilis Nurgilis, Baiq Amelia Riyandari, Lestari Pudjiastuti, Herdiyanto, Anisyah Is Purwati atas bantuannya. Ucapan terima kasih yang takterhingga juga penulis berikan untuk Ibuku Triyanti, Bapakku Sudiman, Kakak-kakakku Pratiwi Mardiyanti, Liana Puspita Sari, dan Akhmad Khoiril Anam yang senantiasa memberikan doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, November 2014 Raodatul Jannah
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
METODE
2
Bahan
2
Alat
4
Prosedur
4
HASIL DAN PEMBAHASAN
5
Penentuan Kondisi Optimum Preparasi Sampel
5
Proses Pendahuluan dan Klasifikasi Menggunakan PCA
6
Diskriminasi Menggunakan PCA-LDA
7
Klasifikasi Menggunakan SIMCA
9
SIMPULAN DAN SARAN
11
Simpulan
11
Saran
11
DAFTAR PUSTAKA
11
LAMPIRAN
13
RIWAYAT HIDUP
19
DAFTAR TABEL 1 Kode dan asal sampel
2
DAFTAR GAMBAR 1 Score plot hasil PCA sampel temu lawak (L), temu mangga (M), temu hitam (H), dan kunyit (K) ................................................................................ 7 2 Hasil analisis LDA sampel temu lawak ( ), temu mangga ( ), temu hitam ( ), dan kunyit ( ) ............................................................................... 8 3 Cooman plot kunyit dan temu lawak ................................................................ 9 4 Discrimination power kunyit dan temu lawak................................................ 10
DAFTAR LAMPIRAN 1 Bagan alir penelitian 2 Tabulasi data hasil analisis sampel menggunakan spektrofotometer ultraviolet-tampak 3 Penentuan kondisi optimum preparasi sampel 4 Hasil klasifikasi menggunakan SIMCA
13 14 15 17
PENDAHULUAN Genus Curcuma dari keluarga Zingiberaceae merupakan genus besar yang terdiri atas 70 spesies yang tumbuh sebagai tanaman liar maupun yang dibudidayakan (Jarikasem et al. 2005). Tanaman jenis temu-temuan ini banyak digunakan di Indonesia sebagai obat tradisional (jamu). Tanaman genus Curcuma yang lazim digunakan sebagai bahan baku pembuatan jamu adalah temu lawak (C. xanthorrhiza Roxb.), temu mangga (C. mangga Val.), temu hitam (C. aeruginosa Roxb.), dan kunyit (C. longa Linn.). Keempat tanaman tersebut sering dimanfaatkan dalam pengobatan tradisional, di antaranya mengobati diare, obat jerawat, gatal-gatal (Rukmana 2004), dan sebagai obat infeksi yang disebabkan oleh mikrob patogen (Jawetz et al. 2005). Bagian tanaman tersebut yang paling banyak digunakan sebagai bahan baku obat dan jamu adalah rimpangnya. Banyaknya pemanfaatan rimpang tanaman temu lawak, temu mangga, temu hitam, dan kunyit sebagai obat atau jamu harus diimbangi dengan pengawasan terhadap mutunya. Dalam bentuk rimpang, keempat tanaman tersebut masih dapat dibedakan, tetapi menjadi sulit dibedakan lagi bila sudah dalam bentuk serbuk. Pemalsuan bahan baku obat antara satu dan lainnya kerap terjadi, antara lain disebabkan oleh adanya perbedaan harga. Menurut Rafi et al. (2011), komponen kimia aktif dalam tanaman obat merupakan sumber khasiat tanaman obat tersebut. Kendali mutu diperlukan agar khasiat, keamanan, dan mutu tanaman obat tetap terjaga. Kendali mutu tanaman genus Curcuma dilakukan dengan cara diskriminasi, yaitu proses membedakan satu sampel dengan sampel lainnya dengan menemukan kesamaan antarsampel. Zhang et al. (2013) telah mendiskriminasikan beberapa jenis tanaman genus Curcuma lainnya, yaitu C. wenyujin, C. kwangsiensis, C. phaeocaulis, dan C. longa asal Tiongkok menggunakan kromatografi gas dan spektrometri massa. Ni et al. (2011) juga telah melakukan klasifikasi C. kwangsiensis, C. phaeocaulis, dan C. wenyujin menggunakan kromatografi gas, spektrometri massa, dan kromatografi cair kinerja tinggi. Teknik-teknik tersebut memiliki beberapa kelebihan, yaitu analisis yang cepat, resolusi yang tinggi, detektor yang sensitif, akurasi yang tinggi, dan sampel yang diperlukan sedikit. Namun, preparasi yang rumit dan lama serta biaya analisis yang relatif mahal menjadikan teknik tersebut bukan pilihan yang atraktif. Oleh karena itu, diperlukan teknik alternatif lainnya dalam kendali mutu tanaman obat genus Curcuma asal Indonesia. Salah satu teknik alternatif yang dapat digunakan dalam kendali mutu tanaman obat adalah spektrofotometri (ultraviolet-tampak). Teknik spektrofotometri ultraviolet-tampak sering digunakan untuk tujuan analisis karena memiliki sifat sensitif dan kuantitatif. Kelebihan lainnya dari teknik ini adalah cepat, murah, dan mudah dalam preparasi maupun pengujian sampel, sehingga lebih efisien bila digunakan dalam proses kendali mutu (Sanchez et al. 2008). Kendali mutu menggunakan spektrofotometer ultraviolet-tampak telah banyak diterapkan untuk autentikasi, identifikasi, dan diskriminasi tanaman yang berkerabat dekat maupun produk pangan. Morillo et al. (2012) telah melakukan diferensiasi terhadap varietas teh, Gad et al. (2012) mengembangkan metode autentikasi untuk beberapa tanaman genus Thymus, Sanchez et al. (2008)
2 melakukan kendali mutu terhadap Crocus sativus L., dan Garcia et al. (2007) melakukan diskriminasi senyawa kimia pada minuman tequila. Spektrum serapan ultraviolet-tampak dari ekstrak tumbuhan yang kompleks ini memerlukan suatu metode kemometrika berupa analisis multivariat untuk mendapatkan informasi yang diinginkan seperti diskriminasi tumbuhan yang berkerabat dekat. Metode diskriminasi yang lazim digunakan untuk mengklasifikasikan sampel dalam kemometrika, yaitu principal component analysis (PCA), linear discriminant analysis (LDA), dan soft independent modeling of class analogy (SIMCA). Spektrum ultraviolet-tampak yang dikombinasikan dengan kemometrika akan memudahkan dalam mendiskriminasikan atau mengklasifikasikan sampel tanaman yang memiliki kemiripan atau berkerabat dekat. Penelitian ini bertujuan mendiskriminasikan C. xanthorrhiza Roxb, C. mangga Val., C. aeruginosa Roxb., dan C. longa Linn. yang berasal dari berbagai daerah di Pulau Jawa dengan menggunakan spektrum ultraviolet-tampak yang dikombinasikan dengan kemometrika.
METODE Penelitian ini terdiri atas beberapa tahapan, yaitu penentuan kondisi optimum preparasi sampel, ekstraksi sampel berdasarkan kondisi optimum yang telah diperoleh, analisis seluruh sampel menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm, dan pengolahan data menggunakan metode kemometrika.
Bahan Bahan-bahan yang digunakan dalam penelitian ini adalah metanol, 70 sampel yang terdiri atas 15 sampel temu hitam, 19 sampel temu lawak, 24 sampel kunyit, dan 12 sampel temu mangga yang dikumpulkan dari 3 provinsi di Pulau Jawa, Indonesia (Tabel 1). Seluruh sampel telah berbentuk serbuk. Tabel 1 Kode dan asal sampel Kode Sampel a H1 H2 H3 H4 H5 H6
Sumber (Wilayah, Kabupaten, Provinsi) Tirtomoyo, Wonogiri, Jawa Tengah Wonogiri (1), Wonogiri, Jawa Tengah Wonogiri (2), Wonogiri, Jawa Tengah Songgolangit, Ponorogo, Jawa Tengah Balidono, Purworejo, Jawa Tengah Minulyo, Pacitan, Jawa
Kode Sampel a K2 K3 K4 K5 K6 K7
Sumber (Wilayah, Kabupaten, Provinsi) Wonogiri (1), Wonogiri, Jawa Tengah Wonogiri (2), Wonogiri, Jawa Tengah Songgolangit, Ponorogo, Jawa Tengah Balidono, Purworejo, Jawa Tengah Minulyo, Pacitan, Jawa Timur Tegalombo, Pacitan, Jawa
3
H7 H8 H9 H10 H11 H12 H13 H14 H15 L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 L11 L12 L13 L14 L15
Timur Tegalombo, Pacitan, Jawa Timur Tawangmangu, Karanganyar, Jawa Tengah Karangpandan, Karanganyar, Jawa Tengah Kutoarjo, Purworejo, Jawa Tengah Kuniran, Ngawi, Jawa Timur Leuwiliang, Bogor, Jawa Barat Tegalwaru, Bogor, Jawa Barat Pulung (1), Ponorogo, Jawa Timur Baturetno, Wonogiri, Jawa Tengah Tirtomoyo, Wonogiri, Jawa Tengah Wonogiri (1), Wonogiri, Jawa Tengah Wonogiri (2), Wonogiri, Jawa Tengah Songgolangit, Ponorogo, Jawa Tengah Balidono, Purworejo, Jawa Tengah Minulyo, Pacitan, Jawa Timur Tegalombo, Pacitan, Jawa Timur Tawangmangu, Karanganyar, Jawa Tengah Karangpandan, Karanganyar, Jawa Tengah Kutoarjo, Purworejo, Jawa Tengah Kuniran, Ngawi, Jawa Timur Leuwiliang, Bogor, Jawa Barat Tegalwaru, Bogor, Jawa Barat Pulung (1), Ponorogo, Jawa Timur Gondang, Sragen, Jawa
K8 K9 K10 K11 K12 K13 K14 K15 K16 K17 K18 K19 K20 K21 K22 K23 K24 M1 M2 M3 M4 M5 M6 M7
Timur Tawangmangu, Karanganyar, Jawa Tengah Karangpandan, Karanganyar, Jawa Tengah Kutoarjo, Purworejo, Jawa Tengah Kuniran, Ngawi, Jawa Timur Leuwiliang, Bogor, Jawa Barat Tegalwaru, Bogor, Jawa Barat Pulung (1), Ponorogo, Jawa Timur Baturetno, Wonogiri, Jawa Tengah Gondang, Sragen, Jawa Tengah Ciampea, Bogor, Jawa Barat Ciemas, Sukabumi, Jawa Barat Tanjung Kerta, Sumedang, Jawa Barat Nagrak, Sukabumi, Jawa Barat Ngadirojo, Wonogiri, Jawa Tengah Cimalaka, Sumedang, Jawa Barat Arjosari, Pacitan, Jawa Timur Pulung (2), Ponorogo, Jawa Timur Tirtomoyo, Wonogiri, Jawa Tengah Wonogiri (1), Wonogiri, Jawa Tengah Wonogiri (2), Wonogiri, Jawa Tengah Songgolangit, Ponorogo, Jawa Tengah Balidono, Purworejo, Jawa Tengah Minulyo, Pacitan, Jawa Timur Tegalombo, Pacitan, Jawa
4 Tengah Ciampea, Bogor, Jawa Barat
Timur Tawangmangu, Pacitan, L16 M8 Jawa Timur Ciemas, Sukabumi, Jawa Karangpandan, L17 M9 Barat Karanganyar, Jawa Tengah Tanjung Kerta, Sumedang, Kutoarjo, Purworejo, Jawa L18 M10 Jawa Barat Tengah Nagrak, Sukabumi, Jawa Kuniran, Ngawi, Jawa L19 M11 Barat Timur Tirtomoyo, Wonogiri, Jawa Leuwiliang, Bogor, Jawa K1 M12 Tengah Barat a H: Temu Hitam, L: Temu Lawak, K: Kunyit, M: Temu Mangga.
Alat Alat-alat yang digunakan dalam penelitian ini adalah spektrofotometer ultraviolet-tampak 1700 PC, Ultrasonic cleaning bath, dan peranti lunak The Unscrambler X versi 10.2 (CAMO, Norwegia).
Prosedur Penentuan Kondisi Optimum Preparasi Sampel Sampel (temu lawak, temu mangga, temu hitam, dan kunyit) ditimbang sebanyak 0.0100 g dan ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi dalam waktu tertentu (10, 20, 30, 40, 50 menit) pada suhu ruang. Campuran disaring dalam labu takar 10 mL kemudian dibilas dan ditera dengan metanol. Larutan tersebut diencerkan menggunakan metanol dalam labu takar 10 mL hingga berbagai konsentrasi. Selanjutnya larutan diukur serapannya menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm dengan menggunakan metanol sebagai blangko. Kondisi optimum preparasi sampel ditentukan dari 2 parameter, yaitu konsentrasi sampel dan waktu sonikasi (Lampiran 1). Sampel yang digunakan untuk penentuan kondisi optimum preparasi sampel berasal dari daerah Tirtomoyo, Wonogiri, Jawa Tengah. Analisis Sampel Menggunakan Spektrofotometer Ultraviolet-Tampak Sebanyak 0.0100 g sampel ditimbang dan ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi pada suhu ruang berdasarkan waktu optimum yang telah didapatkan. Campuran disaring dalam labu takar 10 mL kemudian dibilas dan ditera dengan metanol. Larutan tersebut diencerkan menggunakan metanol dalam labu takar 10 mL hingga konsentrasi optimum yang telah didapatkan sebelumnya. Larutan tersebut diukur serapannya menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm dengan menggunakan metanol sebagai blangko. Spektrum yang dihasilkan
5 memuat data berupa panjang gelombang dan absorbans yang dikonversi ke dalam MS. Excel. Analisis Kemometrika Data matriks yang diperoleh terdiri atas 1202 kolom (panjang gelombang) sebagai variabel dan 70 baris (sampel) seperti yang ditunjukkan pada Lampiran 2. Daerah pada panjang gelombang 200500 nm dipilih sebagai daerah yang digunakan untuk klasifikasi sampel. Sebelum dilakukan analisis multivariat, matriks data yang dipilih kemudian dilakukan proses pendahuluan berupa transformasi variat normal standar (VNS). Selanjutnya dilakukan analisis kemometrika berupa PCA untuk pengelompokan sampel dengan mereduksi jumlah variabel. Metode LDA dan SIMCA juga digunakan untuk mengklasifikasikan sampel. Peranti lunak yang digunakan adalah The Unscrambler X versi 10.2 (CAMO, Norwegia).
HASIL DAN PEMBAHASAN Penentuan Kondisi Optimum Preparasi Sampel Penentuan kondisi optimum preparasi sampel dilakukan sebagai tahap awal dalam penelitian ini. Parameter yang dicakup, yaitu konsentrasi dan waktu sonikasi sampel. Sampel diekstraksi menggunakan pelarut metanol agar dapat mengikat komponen kimia yang bersifat polar dalam sampel temu lawak, temu mangga, temu hitam, dan kunyit. Ekstraksi sampel dilakukan dengan cara sonikasi, kelebihan ekstraksi dengan cara ini adalah keterulangan ekstraksi yang baik, waktu ekstraksi lebih singkat, lebih efisien, dan dapat digunakan untuk ukuran sampel yang beragam (Susilowati 2006). Penentuan kondisi optimum ditentukan dengan mengukur serapan sampel temu lawak, temu mangga, temu hitam, dan kunyit (hasil ekstraksi) menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm. Konsentrasi sampel dibuat sedemikian rupa sehingga didapatkan konsentrasi optimum keempat sampel sebesar 0.015% (b/v). Konsentrasi tersebut dipilih karena memberikan nilai absorbans kurang dari 2 dengan tujuan meminimalkan kesalahan. Pengukuran absorbans yang baik untuk meminimalkan kesalahan, yaitu pada nilai absorbans 0.12. Berdasarkan hukum Lambert-Beer, jumlah radiasi cahaya yang diserap berbanding lurus dengan konsentrasi dan tebal kuvet (Pavia et al. 2009). Konsentrasi optimum yang didapat kemudian digunakan untuk menentukan waktu sonikasi. Waktu sonikasi yang digunakan adalah 10, 20, 30, 40, dan 50 menit. Kondisi optimum dilihat berdasarkan respon terbaik atau serapan terbesar dari larutan setiap sampel. Berdasarkan hasil yang telah didapat, serapan terbesar untuk sampel temu mangga ditunjukkan pada waktu sonikasi selama 50 menit (Lampiran 3). Namun, serapan terbesar untuk sampel temu lawak, temu hitam, dan kunyit dihasilkan pada waktu sonikasi selama 40 menit, sehingga digunakan waktu sonikasi selama 40 menit sebagai waktu sonikasi optimum untuk preparasi seluruh sampel.
6 Proses Pendahuluan dan Klasifikasi Menggunakan PCA Sampel dianalisis menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm. Cahaya yang diserap suatu senyawa pada daerah ultraviolet-tampak bergantung pada struktur senyawa tersebut. Spektrum ultraviolet-tampak senyawa-senyawa organik berkaitan dengan transisi elektronik dari tingkat energi yang lebih rendah ke tingkat energi yang lebih tinggi. Informasi yang didapat cenderung untuk senyawa secara keseluruhan. Keempat sampel menunjukkan spektrum absorbsi dengan pola yang sama pada daerah panjang gelombang 210350 nm. Kesamaan pada serapan tersebut diperkirakan karena adanya serapan dari senyawa flavonoid. Menurut Tsimogiannis et al. (2007), gugus aromatik yang ada pada senyawa flavonoid terserap pada panjang gelombang 250290 nm, diduga adanya transisi elektron 𝜋 → 𝜋 ∗ pada C=C terkonjugasi dari gugus aromatik. Spektrum absorbsi sampel memuat data berupa panjang gelombang dan absorbans yang digunakan dalam analisis kemometrika. Data yang diperoleh dari hasil pengukuran serapan sampel menggunakan spektrofotometer ultraviolet-tampak terdiri atas 1202 kolom (panjang gelombang) sebagai variabel dan 70 baris (sampel). Banyaknya jumlah variabel dan analisis spektrum yang rumit memerlukan metode kemometrika berupa analisis multivariat. Matriks data yang digunakan untuk analisis multivariat dipilih berdasarkan daerah yang lebih berpengaruh atau daerah yang memberikan respons yang baik pada keempat jenis sampel yang digunakan. Sehingga dipilih daerah pada panjang gelombang 200500 nm untuk klasifikasi sampel. Sebelum dilakukan analisis, matriks data diberikan proses pendahuluan berupa VNS. Teknik ini merupakan proses transformasi baris yang digunakan untuk tiap spektrum individual (Jorgensen 2000). Setiap nilai dalam baris data ditransformasikan dengan rumus: 𝑛𝑖𝑙𝑎𝑖 𝑎𝑤𝑎𝑙 −𝑟𝑒𝑟𝑎𝑡𝑎 (𝑏𝑎𝑟𝑖𝑠 𝑎𝑤𝑎𝑙 ) Nilai baru = 𝑆𝐷 (𝑏𝑎 𝑟𝑖𝑠 𝑎𝑤𝑎𝑙 ) VNS didapatkan dari nilai setiap titik absorbans dikurangi rerata baris dan hasilnya dibagi dengan standar deviasinya. Proses pendahuluan ini dilakukan untuk perbaikan informasi data yang akan menghilangkan efek pencar dari data spektrum. VNS akan menstandardisasi setiap spektrum hanya dengan menggunakan data dari spektrum tersebut. Setelah dilakukan tahap pendahuluan kemudian dilakukan analisis multivariat. Sampel diklasifikasikan menggunakan PCA. Teknik PCA banyak digunakan untuk mengenali pola dari suatu set data sehingga data dapat dikelompokkan berdasarkan persamaan polanya (Brereton 2003). PCA digunakan untuk mereduksi dimensi variabel dengan tetap mempertahankan informasi data. Metode statistik multivariat takterawasi ini mencari komponen utama yang merupakan kombinasi linear dari peubah asli (Miller dan Miller 2000). Komponen utama (PC) adalah variabel baru yang merupakan kombinasi linear dari variabelvariabel dalam set data dan memiliki sifat varians yang semakin mengecil. Komponen-komponen utama dipilih sedemikian rupa sehingga PC1 memiliki varians terbesar dalam set data, sedangkan komponen utama kedua tegak lurus terhadap komponen utama pertama dan memiliki varians terbesar berikutnya (Brereton 2003). Keragaman cenderung terkumpul pada beberapa komponen utama pertama dan semakin sedikit yang terkumpul pada komponen utama
7 terakhir, sehingga komponen-komponen utama pada urutan terakhir dapat diabaikan tanpa kehilangan informasi. Melalui cara tersebut PCA dapat digunakan untuk mereduksi variabel-variabel.
Gambar 1 Score plot hasil PCA sampel temu lawak (L), temu mangga (M), temu hitam (H), dan kunyit (K) Pengelompokan keempat sampel berdasarkan asal daerah dengan menggunakan PCA ditunjukkan dengan plot nilai score dari dua PC pertama dalam bentuk dua dimensinya (Gambar 1). PC1 dan PC2 biasanya paling berguna dalam klasifikasi sampel menggunakan PCA karena kedua PC ini memiliki paling banyak keragaman data. Jumlah varians kedua PC ini adalah 74%, yang artinya dua PC mewakili 74% dari seluruh data.
Diskriminasi Menggunakan PCA-LDA Analisis menggunakan PCA belum memberikan keterpisahan antarsampel. Hal ini menandakan bahwa keempat sampel memiliki beberapa kemiripan satu sama lainnya seperti mengandung beberapa senyawa kimia yang sama. Spektrum keempat sampel (Lampiran 3) menunjukkan pola serapan yang sama pada daerah panjang gelombang 210350 nm. Kesamaan serapan keempat sampel tersebut diduga karena adanya komponen kimia yang sama pada keempat sampel tersebut seperti senyawa flavonoid. Oleh karena itu, digunakan metode analisis multivariat terawasi seperti LDA dengan VNS sebagai proses pendahuluan. LDA mengklasifikasikan berdasarkan analisis matriks penyebaran yang tujuannya adalah menemukan proyeksi optimal sehingga dapat memproyeksikan data input pada ruang dengan dimensi yang lebih kecil dan semua pola dapat dipisahkan semaksimal mungkin. LDA mencoba memaksimalkan penyebaran data-data diantara kelas-kelas yang berbeda dan meminimalkan penyebaran data pada kelas yang sama (Berrueta et al. 2007). Metode LDA yang digunakan merupakan penggabungan antara PCA dengan LDA yang diharapkan akan menghasilkan
8 reduksi dimensi yang optimal. Pemilihan jumlah komponen didasarkan pada eigenvalue tiap komponen. Komponen utama hasil PCA yang memiliki eigenvalue lebih besar dari 1 digunakan dalam LDA berdasarkan kriteria yang ditetapkan oleh Kaiser. Setiap variabel yang diamati berkontribusi satu unit varians terhadap total varians. Jika eigenvalue lebih besar dari 1, maka setiap komponen utama menjelaskan sejumlah besar varians dari 1 variabel yang diamati (Morillo et al. 2012). Terdapat 4 komponen utama dari hasil PCA yang kemudian digunakan dalam LDA. Komponen utama hasil PCA yang digunakan dalam analisis LDA divalidasi menggunakan metode validasi silang yang digunakan untuk mengetahui seberapa baik kemampuan prediksi dari model. Metode validasi silang merupakan metode yang digunakan untuk mengevaluasi model-model regresi dengan menggunakan suatu ukuran kemampuan prediksi dan memilih satu model yang terbaik. Ukuran kemampuan prediksi dalam metode validasi silang dicari dengan cara membagi data menjadi dua bagian, bagian pertama digunakan untuk membuat model regresi (data training) dan bagian kedua digunakan untuk memvalidasi model (data testing) agar diketahui seberapa baik kemampuan prediksi dari model tersebut (Berrueta et al. 2007). Validasi silang yang digunakan adalah leave-one-out, satu sampel dikeluarkan dari model dan sisanya digunakan untuk membuat model lalu sampel yang satu diujikan pada model yang baru. Teknik validasi model dengan cara ini telah sering digunakan, metode ini dapat menghindari adanya overfitting yang merupakan kondisi terdapat banyak galat acak, kondisi tersebut dapat menurunkan kemampuan prediksi model. Gambar 2 menunjukkan hasil LDA sampel temu lawak, temu mangga, temu hitam, dan kunyit. Hasil diskriminasi mengunakan metode LDA menghasilkan nilai akurasi sebesar 94.2%. Diskriminasi sampel dengan menggunakan penggabungan PCA dan LDA memberikan hasil keterpisahan yang lebih baik daripada PCA karena sebelum dilakukan LDA, telah dilakukan reduksi dimensi oleh PCA kemudian LDA mengklasifikasikan sampel berdasarkan matriks penyebaran data pada dimensi yang lebih kecil sehingga pemisahan dapat lebih optimal.
Gambar 2 Hasil analisis LDA sampel temu lawak ( ), temu mangga ( ), temu hitam ( ), dan kunyit ( )
9 Klasifikasi Menggunakan SIMCA Sampel temu lawak, temu mangga, temu hitam, dan kunyit juga diklasifikasikan menggunakan SIMCA. Teknik analisis multivariat terawasi ini berbeda dengan metode PCA, namun didasarkan pada pembuatan model PCA untuk setiap kelas pada data training. Metode klasifikasi ini terdiri atas dua tahap, yaitu membangun satu model PCA untuk masing-masing kelas dan mengklasifikasikan setiap sampel pada masing-masing model kemudian memutuskan apakah sampel tersebut masuk ke dalam kelas yang sesuai. Sampel baru akan diakui sebagai anggota kelas jika memiliki kemiripan dengan anggota dalam kelas tersebut (Garcia et al. 2013). SIMCA dapat mengklasifikasikan sampel ke dalam satu, beberapa kelas, atau tidak terklasifikasikan ke dalam kelas manapun (Urbano et al. 2005). Jumlah komponen utama masing-masing kelas pada data training juga ditentukan oleh validasi silang leave-one-out. Tabel klasifikasi (Lampiran 4) menunjukkan hasil klasifikasi sampel menggunakan SIMCA. Hasil tersebut memerlihatkan sampel temu hitam, temu lawak, dan temu mangga terklasifikasi ke dalam kelasnya masing-masing dan terklasifikasikan ke dalam kelas lainnya, yang artinya ketiga sampel tersebut memiliki kesamaan satu sama lain berdasarkan komponen kimianya. Sebanyak 1 sampel temu hitam diakui ke dalam kelas temu lawak dan kunyit, serta 8 sampel diakui ke dalam kelas temu mangga. Sama halnya dengan sampel temu lawak, sebanyak 15 sampel diakui ke dalam kelas temu hitam, 4 sampel ke dalam kelas kunyit, dan 10 sampel ke dalam kelas temu mangga. Begitu pula dengan sampel temu mangga, sebanyak 8 sampel temu mangga diakui ke dalam kelas temu hitam dan 1 sampel diakui ke dalam kelas kunyit. Perbedaan terlihat pada kunyit, sampel kunyit hanya terklasifikasi ke dalam kelas kunyit saja dan tidak diakui ke dalam kelas lainnya. Hal tersebut dimungkinkan karena kunyit memiliki perbedaan pada komponen kimia yang dimilikinya. Namun, terdapat 1 sampel kunyit (K1) yang berasal dari daerah Tirtomoyo, Jawa Tengah yang tidak terklasifikasikan ke dalam kelas manapun. Hal tersebut kemungkinan karena sampel K1 memiliki perbedaan komponen kimia pada sampel lainnya atau terjadi galat saat preparasi sampel.
Gambar 3 Cooman plot kunyit dan temu lawak
10 Hasil tabel klasifikasi dievaluasi menggunakan Cooman plot. Sampel yang baru diklasifikasikan akan ditampilkan dalam warna hijau, sedangkan sampel kalibrasi untuk dua model ditampilkan dalam warna biru dan merah. Cooman plot mendiskriminasikan dua kelas yang terpisahkan oleh garis tiap kelas. Berdasarkan hasil evaluasi menggunakan Cooman plot sampel kunyit dan temu lawak, sampel kunyit terpisah jauh dari sampel temu lawak, temu hitam, dan kunyit. Beberapa sampel temu lawak berdekatan dengan model kelas temu hitam dan temu mangga. Begitu pula beberapa sampel temu hitam yang berdekatan dengan model kelas temu lawak dan temu mangga. Beberapa sampel temu mangga juga berdekatan dengan model kelas temu hitam. Hasil tersebut menunjukkan hanya sampel kunyit yang terdiskriminasi sempurna dari sampel temu lawak, temu mangga, dan temu hitam.
Gambar 4 Discrimination power kunyit dan temu lawak Hasil discrimination power yang ditunjukkan pada Gambar 4 memerlihatkan variabel mana yang paling berguna dalam menggambarkan perbedaan antara dua jenis sampel. Gambar 4 menunjukkan absorbans pada daerah panjang gelombang 390420 nm memiliki kekuatan diskriminasi yang paling besar diantara lainnya. Berdasarkan spektrum serapannya (Lampiran 4), kunyit memberikan serapan yang besar pada daerah panjang gelombang 400450 nm, dapat diperkirakan adanya ikatan 𝜋 → 𝜋 ∗ dari C=C terkonjugasi pada senyawa kurkuminoid yang terlihat pada daerah tampak. Menurut Kim et al. (2013) senyawa kurkuminoid memiliki spektrum serapan ultraviolet yang luas pada daerah 300500 nm karena adanya gugus fenolik, sehingga dapat diartikan bahwa senyawa kurkuminoid yang terkandung dalam kunyit memberikan pengaruh besar dalam diskriminasi kunyit dengan sampel lainnya. Senyawa kurkuminoid merupakan pigmen warna kuning dan terdapat pada kunyit sebanyak 3-15%. Senyawa tersebut juga terdapat dalam temu lawak, temu mangga, dan temu hitam serta spesies Curcuma lainnya, namun kadarnya lebih rendah dari kunyit (Li et al. 2011). Kandungan senyawa kurkuminoid kunyit yang lebih tinggi dibandingkan dengan sampel temu lawak, temu mangga, dan temu hitam menjadikan sampel kunyit dapat dengan mudah terbedakan dengan lainnya. Hasil diskriminasi sampel temu lawak, temu mangga, temu hitam, dan kunyit dengan
11 menggunakan metode SIMCA belum dapat mendiskriminasikan keempat sampel tersebut.
SIMPULAN DAN SARAN Simpulan Sampel temu lawak, temu mangga, temu hitam, dan kunyit dari berbagai daerah yang dianalisis menggunakan spektrofotometer ultraviolet-tampak dapat dikelompokkan menggunakan metode PCA dengan VNS sebagai proses pendahuluan, namun hasil tersebut belum belum memberikan hasil keterpisahan antarsampel. Begitu pula dengan klasifikasi sampel menggunakan metode SIMCA yang belum memberikan hasil keterpisahan antarsampel. Keempat sampel dapat didiskriminasikan menggunakan LDA dengan nilai akurasi sebesar 94.2%.
Saran Perlu dilakukan analisis lebih lanjut pada variabel yang lebih berpengaruh dan menggunakan analisis multivariat lainnya dalam mendiskriminasikan sampel temu lawak, temu mangga, temu hitam, dan kunyit asal Indonesia yang memberikan keterpisahan yang lebih baik.
DAFTAR PUSTAKA Brereton RG. 2000. Chemometrics: Data Analysis for the Laboratory and Chemical Plant. Chichester: John Wiley and Sons. Berrueta LA, Alonso RM, Heberger K. 2007. Supervised pattern recognition in food analysis. J. Chromatogr. A. 1158: 196-214. doi: 10.1016/j.chroma.2007.05.024 Gad HA, El-Ahmady SH, Abou-Shoer MI, Al-Azizi MM. 2012. A modern approach to the authentication and quality assessment of Thyme using UV spectroscopy and chemometric analysis. Phytochem. Anal. 24: 520–526. doi: 10.1002/pca.2426. Garcia OB, Ortiz GR, Maldonado JL, Molina JLP, Nava MAM, Landgrave JEA, Martinez JC. 2007. UV-vis absorption spectroscopy and multivariate analysis as a method to discriminate tequila. Spectrochim. Acta Part A. 66: 129–134. doi :10.1016/j.saa.2006.02.033. Garcia YC, Osorio AC, Dennes EL, Morales AD. 2013. Classification of kerosene using physicochemical data and multivariate techniques. Ciencias Quim. 44: 13-22. Jarikasem S, Thubthimthed S, Chawananoraseth K, Suntorntanasat T. 2005. Essential oils from three Curcuma species collected in Thailand. Acta Hort. 3(677): 37-41.
12 Jawetz E, Melnick JL, Adelberg E. 2005. Mikrobiologi Kesehatan. Jakarta (ID): Penerbit Buku Kesehatan. Jorgensen A. 2000. Clustering excipient near infrared spectra using different chemometric methods. Prosiding seminar, 2000 September 18. Finlandia (FI): University of Helsinki. Kim HJ, Kim DJ, Karthick SN, Hemalatha KV, Raj CJ, Ok S, Choe Y. 2013. Curcumin dye extracted from Curcuma longa L. used as sensitizers for efficient dye-sensitized solar cells. Int. J. Electrochem. Sci. 8: 8320-8328. Li S, Yuan W, Deng G, Wang P, Yang P, Aggarwal BB. 2011. Chemical composition and product quality control of turmeric (Curcuma Longa L.). Pharm. Crops. 2: 28-54. Miller JC, Miller JN. 2000. Statistic and Chemometrics for Analytical Chemistry. Harlow (GD): Pearson Education. Morillo AP, Alcazar A, Pablos F, Jurado JM. 2012. Differentiation of tea varieties using UV-Vis spectra and pattern recognition techniques. Spectrochim. Acta Part A. 103: 79-83. doi:10.1016/j.saa.2012.10.052. Ni Y, Minghua M, Kokot S. 2011. One- and two-dimensional gas chromatography-mass spectrometry and high performance liquid chromatography-diode-array detector fingerprints of complex substances: A comparison of classification performance of similar, complex Rhizome Curcumae samples with the aid of chemometrics. Anal. Chim. Acta. 712: 37-44. doi:10.1016/j.aca.2011.11.010. Pavia DL, Lampman GM, Kriz GS, Vyvyan JR. 2009. Introduction to Spectroscopy Fourth Edition. Belmont (US): Cencage Learning. Rafi M, Rohaeti E, Miftahudin A, Darusman LK. 2011. Differentiation of Curcuma longa, Curcuma xanthorrhiza, and Zingiber cassumunar by thin layer chromatography fingerprint analysis. Indo. J. Chem. 11 (1): 71-74. Rukmana R. 2004. Temu-temuan Apotik Hidup di Pekarangan. Yogyakarta (ID): Kanisius. Sanchez AM, Carmona M, Zalacain A, Carot JM, Jabaloyes JM, Alonso GL. 2008. Rapid determination of crocetin esters and picrocrocin from saffron spice (Crocus sativus L.) using UV-visible spectrophotometry for quality control. J Agric Food Chem. 56: 3167–3175. doi: 10.1021/jf703725e. Susilowati E. 2006. Optimalisasi senyawa kurkumin dari rimpang temu lawak dengan metode sonikasi. [Skripsi]. Bogor (ID): FMIPA IPB. Tsimogiannis D, Samiotaki M, Panayotou G, Oreopoulou V. 2007. Characterization of flavonoid subgroups and hydroxy substitution by HPLC-MS/MS. Molecules. 12: 593-606. Urbano M, Luque MD, Perez PM, Garcia J, Gomez MA. 2005. Ultraviolet-visible spectroscopy and pattern recognition methods for differentiation and classification of wines. Food Chem. 97: 166-175. doi:10.1016/j.foodchem.2005.05.001. Zhang X, Qiu J, Guo L, Wang Y, Li Peng, Yang F, Su H, Wan J. 2013. Discrimination of multi-origin chinese herbal medicines using gas chromatography-mass spectrometry-based fatty acid profiling. Molecules. 18: 15329-15343. doi:10.3390/molecules181215329.
13
LAMPIRAN Lampiran 1 Bagan alir penelitian Sampel Ditimbang Metanol Diekstraksi secara sonikasi selama 10, 20, 30, 40, 50 menit (suhu ruang) Campuran Disaring dan ditera di labu takar 10 mL Diencerkan menggunakan metanol hingga berbagai konsentrasi Larutan sampel Analisis menggunakan spektrofotometer ultraviolet-tampak (200800 nm) Spektrum Pemilihan kondisi optimum preparasi Konsentrasi (0.015% (b/v)) dan waktu sonikasi (40 menit) optimum Preparasi sampel berdasarkan kondisi optimum Analisis menggunakan spektrofotometer ultraviolet-tampak (200-800 nm) Spektrum Konversi ke dalam MS. Excel Panjang gelombang dan absorbans
14 Analisis kemometrika Data (panjang gelombang dan absorbans) terpilih VNS Hasil VNS
PCA tiap kelas
PCA Score plot
Score plot tiap kelas
Pemilihan PC Kategori variabel LDA
SIMCA Tabel klasifikasi Cooman plot Discrimination power
Hasil LDA
Lampiran 2 Tabulasi data hasil analisis sampel menggunakan spektrofotometer ultraviolet-tampak Sampel H1 H2 H3 ... H15 L1 L2 L3 ... L19 K1 K2 K3 ... K24 M1 M2 M3 ... M12
200 Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
200.5 Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
201 Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
201.5 Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
... Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
... Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
800 Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs Abs
15 Lampiran 3 Penentuan kondisi optimum preparasi sampel
Spektrum serapan sampel temu lawak 0.015% (b/v) dengan variasi waktu sonikasi ( ) 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50 menit
Spektrum serapan sampel temu mangga 0.015% (b/v) dengan variasi waktu sonikasi ( ) 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50 menit
16
Spektrum serapan sampel temu hitam 0.015% (b/v) dengan variasi waktu sonikasi ( ) 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50 menit
Spektrum serapan sampel kunyit 0.015% (b/v) dengan variasi waktu sonikasi ( 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50 menit
)
17 Lampiran 4 Hasil klasifikasi menggunakan SIMCA Sampel a H1 H2 H3 H4 H5 H6 H7 H8 H9 H10 H11 H12 H13 H14 H15 L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 L11 L12 L13 L14 L15 L16 L17 L18 L19 K1 K2 K3 K4 K5 K6 K7
Temu Hitam * * * * * * * * * * * * * * * *
Temu Lawak * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
*
Kunyit
Temu Mangga *
* *
* * * * *
* * * * * *
18 K8 K9 K10 K11 K12 K13 K14 K15 K16 K17 K18 K19 K20 K21 K22 K23 K24 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 a
*
*
*
* * * * * * *
* *
* * * * * * * * * * * * * * * * *
* * * * * * * * * *
H: Temu Hitam, L: Temu Lawak, K: Kunyit, M: Temu Mangga.
*
* * * * * * * * * * *
19
RIWAYAT HIDUP Penulis dilahirkan di Bekasi pada tanggal 23 November 1992. Penulis merupakan anak ke-4 dari empat bersaudara dari pasangan Bapak Sudiman dan Ibu Triyanti. Penulis menempuh pendidikan menengah atas di SMAN 11 Bekasi. Pada tahun 2010, penulis terdaftar sebagai salah satu mahasiswa Departemen Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam IPB melalui jalur USMI. Pada bulan Juli-Agustus 2013, penulis mengikuti kegiatan Praktik Lapangan di Pusat Penelitian Karet, Bogor dengan judul laporan Pembuatan Organobentonit dari Bentonit Alam sebagai Bahan Pengisi dan Pengaruhnya terhadap Sifat Vulkanisat Karet Alam. Selama menjadi mahasiswa IPB, penulis memiliki pengalaman sebagai asisten praktikum Azas Kimia Analitik dan Praktikum Analisis Instrumental TA 2013/2014 di Laboratorium Kimia Analitik.
