IDENTIFIKASI DAN AUTENTIKASI MENIRAN (Phyllanthus niruri) MENGGUNAKAN SPEKTRUM ULTRAVIOLETTAMPAK DAN KEMOMETRIKA
BAYU NURCAHYO
DEPARTEMEN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi dan Autentikasi Meniran (Phyllanthus niruri) Menggunakan Spektrum UltravioletTampak 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, September 2015 Bayu Nurcahyo NIM G44110069
ABSTRAK BAYU NURCAHYO. Identifikasi dan Autentikasi Meniran (Phyllanthus niruri) Menggunakan Kombinasi Spektrum Ultraviolet-Tampak dan Kemometrika. Dibimbing oleh LATIFAH K. DARUSMAN dan MOHAMAD RAFI. Meniran (Phyllanthus niruri) merupakan tanaman yang banyak digunakan di Indonesia sebagai obat tradisional untuk mengobati berbagai penyakit. Daun petai cina (Leucaena leucocephala) memiliki kemiripan bentuk dengan daun meniran sehingga dimungkinkan dapat menjadi pemalsu bahan baku meniran. Tujuan penelitian ini adalah mengembangkan metode identifikasi dan autentikasi meniran dari petai cina menggunakan kombinasi spektrum ultraviolet-tampak dan kemometrika. Kondisi optimum preparasi sampel ditentukan berdasarkan 2 parameter, yaitu konsentrasi dan waktu sonikasi. Konsentrasi dan waktu sonikasi optimum yang digunakan dalam preparasi sampel masing-masing 250 μg/mL dan 60 menit. Prapemrosesan sinyal untuk data matriks spektrum ultraviolet-tampak telah dilakukan sebelum diolah menggunakan analisis multivariat. Sampel meniran dan petai cina dapat diautentikasi menggunakan kombinasi metode principal component analysis dan discriminant analysis dengan hasil 97% sampel teridentifikasi ke dalam kelompok masing-masing. Metode soft independent modelling of class analogy digunakan dalam autentikasi sampel dan sebanyak 95% sampel berhasil diklasifikasikan ke dalam kelas masing-masing. Kata kunci: kemometrika, meniran, petai cina, spektra ultraviolet-tampak
ABSTRACT BAYU NURCAHYO. Identification and Authentication Meniran (Phyllanthus niruri) Using Combination of Ultraviolet-Visible Spectrum and Chemometrics. Supervised by LATIFAH K. DARUSMAN and MOHAMAD RAFI. Meniran (Phyllanthus niruri) is widely used in Indonesia as traditional medicine to treat various diseases. Wild tamarind (Leucaena leucocephala) leaves have similar shape to meniran leaves, so it is possible as a counterfeit for meniran raw material. The purpose of this study was to develop a method for identification and authentication of meniran from wild tamarind using combination of ultravioletvisible spectrum and chemometrics. The determination of optimum condition for sample preparation has been done with 2 parameters for optimization, i.e. concentration and sonication time. The optimum concentration and sonication time used in sample preparation were 250 μg/mL and 60 minutes, respectively. Signal preprocessing for data matrix from ultraviolet-visible spectrum was done prior to processing using multivariate analysis. Meniran and wild tamarind samples could be authenticated using a combination of principal component analysis and discriminant analysis resulted 97% samples identified in each group. Soft independent modelling of class analogy method used in the samples authentication and the final results was 95% samples successfully classified into the respective class. Keywords: chemometrics, Leucaena leucocephala, Phyllanthus niruri, ultraviolet visible spectra
IDENTIFIKASI DAN AUTENTIKASI MENIRAN (Phyllanthus niruri) MENGGUNAKAN KOMBINASI SPEKTRUM ULTRAVIOLET-TAMPAK DAN KEMOMETRIKA
BAYU NURCAHYO
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 2015 BAYU NURCAHYO
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga penulis mampu menyelesaikan karya ilmiah ini. Penelitian ini dilaksanakan sejak bulan Maret 2015 dengan tema kontrol kualitas tumbuhan obat meniran (Phyllanthus niruri). Terima kasih penulis ucapkan kepada Prof Dr Ir Latifah K. Darusman, MS dan Dr Mohamad Rafi, 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, Mas Taufik, dan Meri Saharah, atas bantuannya. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, September 2015 Bayu Nurcahyo
DAFTAR ISI DAFTAR TABEL
x
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
x
PENDAHULUAN
1
METODE
2
Bahan
3
Alat
4
Prosedur
4
Pembuatan Model Identifikasi dan Autentikasi
5
HASIL DAN PEMBAHASAN
5
Penentuan Kondisi Optimum Preparasi Sampel
5
Diskriminasi Meniran Terhadap Petai Cina
7
Autentikasi Meniran Terhadap Petai Cina
10
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
LAMPIRAN
18
RIWAYAT HIDUP
31
DAFTAR TABEL 1
Kode dan asal sampel
3
DAFTAR GAMBAR 1 Spektrum optimasi konsentrasi sampel (a) meniran dan (b) petai cina (▬) 250 μg/mL, (▬) 500 μg/mL, (▬) 1000 μg/mL, (▬) 1500 μg/mL 6 2 Spektrum waktu sonikasi sampel (a) meniran dan (b) petai cina (▬) 10 menit, (▬) 20 menit, (▬) 30 menit, (▬) 40 menit, (▬) 50 menit, (▬) 60 menit, (▬) 90 menit 6 3 Spektrum sampel (a) meniran dan (b) petai cina 7 4 Plot PC M (∆) dan P (◊) 8 5 Plot DF M (∆) dan P(◊) 9 6 Spektrum sampel campuran 10 7 Plot PC M (∆), 5% P dalam M(○), 25% P dalam M(□), 50% P dalam M (-), dan P (◊) 11 8 Plot DF M (∆), 5% P dalam M (○), 25% P dalam M (□), 50% P dalam M (-), dan P (◊) 11 9 Cooman plot M (●) vs P (●) menggunakan variabel panjang gelombang 12 10 Discrimination Power meniran dengan variabel panjang gelombang 13 11 Cooman plot M (●) vs P (●) menggunakan variabel komponen utama 14 12 Discrimination Power meniran dengan variabel komponen utama 15
DAFTAR LAMPIRAN Bagan alir identifikasi dan autentikasi sampel tunggal 18 Bagan alir identifikasi dan autentikasi sampel campuran 19 Data hasil identifikasi sampel meniran dan petai cina 20 Tabulasi data hasil analisis sampel menggunakan spektrofotometer ultraviolet-tampak 27 5 Panjang gelombang (nm) serapan senyawa golongan flavonoid (Markham 1988) 27 6 Hasil klasifikasi menggunakan SIMCA 28 1 2 3 4
PENDAHULUAN Tanaman obat adalah salah satu bagian penting dalam penanganan kesehatan. Tanaman obat merupakan jenis tanaman yang diketahui memiliki khasiat dan telah digunakan sebagai bahan baku obat tradisional. Penggunaan tanaman obat oleh masyarakat sebagai bahan baku obat tradisional semakin meningkat (Supardi et al. 2005). Sebanyak 55.3% penduduk Indonesia menggunakan ramuan obat tradisional (jamu) untuk memelihara kesehatan (Balitbangkes 2010). Hal ini disebabkan karena efek samping obat tradisional yang cenderung lebih kecil dibandingkan dengan obat modern. Genus Phyllanthus merupakan salah satu kelompok tanaman yang sebagian besar anggotanya telah digunakan sebagai obat herbal. Salah satu tanaman anggota genus Phyllanthus yang digunakan sebagai bahan baku obat herbal adalah meniran (Phyllanthus niruri). Berdasarkan penelitian, meniran memiliki aktivitas biologis sebagai antioksidan dan hepatoprotektif (Harish et al. 2004), antihiperurisemia (Murugaiyah dan Chan 2009), imunomodulator (Jose et al. 2014), antimikrobial (Mathur 2012), antiplasmodial (Soh et al. 2009, Ifeoma et al. 2012), dan gastroprotektif (Abdulla et al. 2010). Efek farmakologis tersebut disebabkan oleh adanya senyawa kimia dalam herba meniran yang termasuk dalam golongan flavonoid, alkaloid, terpenoid, lignan, polifenol, tanin, kumarin, dan saponin (Bagalkotkar et al. 2006). Selain itu berbagai kajian fitokimia telah menemukan kandungan senyawa kimia herba meniran yang lebih rinci, yaitu antosianin, filantin, dan hipofilantin (Oktavidianti 2012) serta katekin dan sapogenin steroidal (Nakweti et al. 2013) Meniran merupakan salah satu tanaman obat yang telah digunakan untuk produk fitofarmaka di Indonesia. Fitofarmaka adalah sediaan obat bahan alam yang telah dibuktikan keamanan dan khasiatnya secara ilmiah dengan uji praklinik dan uji klinik serta bahan baku dan produk jadinya telah distandardisasi (BPOM RI 2005). Produk fitofarmaka berbasis meniran yang beredar di Indonesia yaitu Stimuno®. Selain itu terdapat pula produk obat herbal lainnya yang berbasis meniran seperti Divens®, Fituno®, Hepimun®, Imboost®, dan Imulan®. Meniran umumnya tumbuh liar dan sulit untuk dibudidayakan. Tanaman ini memiliki bentuk daun majemuk, berseling, berwarna hijau, bentuk bulat telur, panjang 1,5 cm, lebar 7 mm, tepi rata, ujung tumpul, dan pangkal membulat. Pemalsuan dapat terjadi terhadap bahan baku simplisia meniran oleh simplisia lain yang memiliki kesamaan morfologi. Bentuk daun meniran memiliki kesamaan dengan bentuk daun petai cina (Leucaena leucocephala) meskipun keduanya merupakan tumbuhan yang berbeda genus dan famili. Hal ini menyebabkan daun petai cina dapat menjadi bahan pemalsu yang potensial terhadap daun meniran. Kedua tanaman ini akan sulit dibedakan jika diperjualbelikan dalam bentuk simplisia atau serbuk yang hampir mirip satu sama lainnya. Oleh karena itu, identifikasi dan autentikasi daun meniran terhadap daun petai cina yang diperjualbelikan dalam bentuk simplisia dan serbuk sebagai bagian dari kendali mutu menjadi sangat penting untuk menjamin keaslian, kualitas, keamanan, dan efikasi sebelum dikonversi menjadi produk akhirnya. Identifikasi dan autentikasi bahan baku bertujuan untuk memastikan bahwa bahan baku yang digunakan merupakan bahan baku asli tanpa adanya kontaminasi dari bahan baku lain yang dapat menyebabkan inkonsistensi khasiat yang ditimbulkan. Salah satu metode yang dapat digunakan dalam identifikasi dan
2 autentikasi adalah melalui pendekatan multikomponen seperti pola spektrum sidik jari yang saat ini umum dilakukan untuk kontrol kualitas bahan baku obat herbal (Mok dan Chau 2006). Pendekatan tersebut digunakan karena obat herbal secara kimia adalah suatu sistem multikomponen, sehingga melalui pola spektrum sidik jari dapat diperoleh informasi yang lebih akurat dan realistis (Purwakusumah et al. 2014). Salah satu teknik yang dapat digunakan untuk identifikasi dan autentikasi adalah analisis menggunakan spektroskopi ultraviolet-tampak. Teknik spektroskopi ultraviolet-tampak memiliki beberapa kelebihan, diantaranya adalah cepat, murah, dan mudah dalam preparasi maupun pengujian sampel sehingga lebih efisien bila digunakan dalam proses kendali mutu (Sanchez et al. 2008). Teknik ini telah banyak diterapkan dalam kendali mutu bahan baku pangan maupun produk herbal. Urbano et al. (2005) telah melakukan diferensiasi dan klasifikasi jenis anggur, Boggia et al. (2012) telah melakukan penapisan terhadap bahan pengisi jus pomegrana, dan Morillo et al. (2012) melakukan diferensiasi terhadap varietas teh. Pola spektrum yang kompleks dari spektrofotometer ultraviolet-tampak menyebabkan interpretasi secara langsung dan visual menjadi tidak mudah, sehingga dibutuhkan bantuan teknik kemometrika untuk mempermudah interpretasi data. Teknik kemometrika berupa analisis multivariat dapat digunakan untuk mendapatkan informasi yang diinginkan seperti diskriminasi tumbuhan yang berkerabat dekat atau autentikasi terhadap tumbuhan yang berpotensi menjadi bahan pemalsu. Kendali mutu menggunakan analisis multivariat telah banyak diterapkan untuk keperluan identifikasi, autentikasi, dan diskriminasi. Rafi et al. (2013) telah melakukan diskriminasi terhadap tiga varietas jahe asal Indonesia, Purwakusumah et al. (2014) melakukan identifikasi dan autentikasi jahe merah, dan Rohaeti et al. (2014) melakukan diskriminasi terhadap C. longa, C xanthorriza, dan Z. cassumunar. Metode autentikasi yang lazim digunakan untuk mengklasifikasikan sampel dalam kemometrika, yaitu principal component analysis (PCA), discriminant analysis (DA), dan soft independent modelling of class analogy (SIMCA). Pengolahan data spektrum ultraviolet-tampak yang dikombinasikan dengan analisis multivariat tersebut akan memudahkan dalam identifikasi dan autentikasi sampel tumbuhan yang memiliki kemiripan atau berkerabat dekat. Penelitian ini bertujuan untuk mengetahui karakteristik spektrum ultraviolet-tampak dari metabolit sekunder yang terkandung dalam meniran dalam rangka mengembangkan metode identifikasi dan autentikasi meniran terhadap petai cina yang ada di pasaran untuk mencegah pemalsuan simplisia.
METODE Penelitian ini terdiri atas beberapa tahapan, yaitu penentuan kondisi optimum preparasi sampel, ekstraksi sampel berdasarkan kondisi optimum yang telah diperoleh, analisis sampel tunggal menggunakan spektrofotometer ultraviolettampak pada panjang gelombang 200-800 nm, analisis sampel campuran menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm, dan pengolahan data menggunakan metode kemometrika.
3 Bahan Bahan-bahan yang digunakan dalam penelitian ini adalah metanol p.a, 46 sampel yang terdiri atas 30 sampel meniran dan 16 sampel petai cina yang dikumpulkan dari 3 provinsi di Pulau Jawa, Indonesia (Tabel 1). Seluruh sampel telah diidentifikasi di Herbarium Bogoriense, Bidang Botani Pusat Penelitian Biologi LIPI, Bogor (Lampiran 3). Tabel 1 Kode dan asal sampel Kode Sumber (Wilayah, Sampel a Kabupaten, Provinsi) Semplak, Bogor, Jawa M1 Barat Ciomas (I), Bogor, Jawa M2 Barat Ciomas (II), Bogor, Jawa M3 Barat Ciomas (III), Bogor, M4 Jawa Barat Cilibende, Bogor, Jawa M5 Barat Dramaga, Bogor, Jawa M6 Barat Nanggewer, Bogor, Jawa M7 Barat Ciutara, Sukabumi, Jawa M8 Barat Cisaat, Sukabumi, Jawa M9 Barat Benda, Sukabumi, Jawa M10 Barat Sukaraja, Sukabumi, M11 Jawa Barat Caringin (I), Sukabumi, M12 Jawa Barat Caringin (II), Sukabumi, M13 Jawa Barat Cicantayan, Sukabumi, M14 Jawa Barat Pasir Gede, Cianjur, M15 Jawa Barat Cugenang, Cianjur, Jawa M16 Barat
Kode Sumber (Wilayah, Sampel a Kabupaten, Provinsi) Rajapolah (II), Tasikmalaya, M24 Jawa Barat Guyangan, Purworejo, Jawa M25 Tengah Weleri, Kendal, Jawa M26 Tengah Wonosari, Gunungkidul, M27 Yogyakarta Kebonrejo, Kulonprogo, M28 Yogyakarta Bantul, Ponorogo, Jawa M29 Timur Ngampel, Ponorogo, Jawa M30 Timur Sindangbarang, Bogor, Jawa P1 Barat P2
Dramaga, Bogor, Jawa Barat
P3
Cipayung, Bogor, Jawa Barat
P4
Cisarua, Bogor, Jawa Barat Ciutara, Sukabumi, Jawa Barat Cimacan, Sukabumi, Jawa Barat Cibadak, Sukabumi, Jawa Barat Cibereum, Cianjur, Jawa Barat Pasir Gede, Cianjur, Jawa Barat
P5 P6 P7 P8 P9
4 Tabel 1 Kode dan asal sampel (lanjutan) Kode Sumber (Wilayah, Sampel a Kabupaten, Provinsi) Karangtengah, Cianjur, M17 Jawa Barat Jatinangor, Bandung, M18 Jawa Barat Padalarang, Bandung, M19 Jawa Barat Indihiang (I), M20 Tasikmalaya, Jawa Barat Indihiang (II), M21 Tasikmalaya, Jawa Barat Cisayong, Tasikmalaya, M22 Jawa Barat Rajapolah (I), M23 Tasikmalaya, Jawa Barat a
Kode Sumber (Wilayah, Sampel a Kabupaten, Provinsi) Cugenang, Cianjur, Jawa P10 Barat P11 P12 P13 P14 P15 P16
Cibubur, Jakarta, Jakarta BPTO Tawangmangu, Karanganyar, Jawa Tengah Cepogo, Boyolali, Jawa Tengah Guyangan, Purworejo, Jawa Tengah Kebonrejo, Kulonprogo, Yogyakarta Ngampel, Ponorogo, Jawa Timur
M: Meniran, P: Petai cina
Alat Alat-alat yang digunakan dalam penelitian ini adalah spektrofotometer ultraviolet-tampak 1700 PC (Shimadzu, Kyoto, Jepang), ultrasonic cleaner US-3 38 Khz (Ogawa Seiki Co., Ltd., Tokyo, Jepang), dan peranti lunak XLSTAT versi 2012 (Addinsoft, New York, Amerika Serikat) dan The Unscrambler X versi 10.1 (CAMO, Oslo, Norwegia). Prosedur Penentuan Kondisi Optimum Preparasi Sampel Sampel (meniran dan petai cina) ditimbang sebanyak ± 0.0100 g dan ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi dalam waktu tertentu (10, 20, 30, 40, 50, 60, 90 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 200-800 nm dengan menggunakan metanol sebagai blangko. Kondisi optimum preparasi sampel ditentukan dari dua parameter, yaitu konsentrasi sampel dan waktu sonikasi. Sampel yang digunakan untuk penentuan kondisi optimum preparasi sampel berasal dari daerah Bogor, Jawa Barat. Analisis Sampel Tunggal Menggunakan Spektrofotometer UltravioletTampak Sebanyak ± 0.0100 g sampel (meniran dan petai cina) ditimbang dan ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi pada suhu ruang
5 berdasarkan waktu optimum yang telah diperoleh. 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 diperoleh sebelumnya. Larutan tersebut diukur serapannya menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm dengan menggunakan metanol sebagai blangko. Spektrum yang dihasilkan memuat data berupa panjang gelombang dan absorbans yang dikonversi ke dalam MS. Excel (Microsoft, Washington, Amerika Serikat). Analisis Sampel Campuran Menggunakan Spektrofotometer UltravioletTampak Sebanyak ± 0.0100 g sampel campuran (meniran serbuk + petai cina serbuk 5%, meniran serbuk + petai cina serbuk 25%, dan meniran serbuk + petai cina serbuk 50%) ditimbang dan ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi pada suhu ruang berdasarkan waktu optimum yang telah diperoleh. 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 diperoleh sebelumnya. Larutan tersebut diukur serapannya menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200-800 nm dengan menggunakan metanol sebagai blangko. Spektrum yang dihasilkan memuat data berupa panjang gelombang dan absorbans yang dikonversi ke dalam MS. Excel (Microsoft, Washington, Amerika Serikat). Pembuatan Model Identifikasi dan Autentikasi Data spektrum ultraviolet-tampak yang telah diperoleh perlu diberi proses pendahuluan. Proses pendahuluan yang digunakan dalam data spektrum adalah smoothing dan standard normal variate (SNV). Data spektrum yang telah melalui proses pendahuluan kemudian diolah dengan analisis multivariat PCA dan DA menggunakan perangkat lunak XLSTAT versi 2012 (Addinsoft, New York, Amerika Serikat) dan SIMCA menggunakan perangkat lunak The Unscrambler X versi 10.1 (CAMO, Oslo, Norwegia) sehingga dapat dilakukan identifikasi dan autentikasi meniran terhadap petai cina.
HASIL DAN PEMBAHASAN Penentuan Kondisi Optimum Preparasi Sampel Identifikasi sampel dilakukan sebagai tahap awal dalam penelitian ini. Identifikasi dilakukan pada seluruh sampel tanaman yang telah dikoleksi dari berbagai daerah di Pulau Jawa. Tujuan identifikasi sampel adalah untuk memastikan bahwa spesies tanaman yang digunakan merupakan tanaman meniran dan petai cina. Berdasarkan hasil identifikasi tanaman, sebanyak 30 sampel tanaman merupakan tanaman meniran dan 16 sampel merupakan tanaman petai cina.
6 Sampel daun segar dikeringkan dengan metode penjemuran di bawah sinar matahari dengan lama pengeringan selama dua hari. Sampel yang telah kering kemudian dihaluskan dan disaring menggunakan saringan berukuran 100 mesh sehingga diperoleh ukuran partikel simplisia yang seragam. Penentuan kondisi optimum preparasi sampel dilakukan berdasarkan dua parameter, yaitu konsentrasi dan waktu sonikasi sampel. Sampel diekstraksi menggunakan pelarut metanol agar dapat mengikat senyawa kimia yang bersifat polar dalam sampel meniran dan petai cina. Metode ekstraksi yang digunakan adalah sonikasi. Ekstraksi sampel dengan metode ini memiliki beberapa kelebihan, diantaranya adalah keterulangan ekstraksi yang baik, waktu ekstraksi lebih singkat, lebih efisien, dan dapat digunakan untuk ukuran sampel yang beragam. Penentuan kondisi optimum ditentukan dengan mengukur serapan ekstrak menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200-800 nm. Konsentrasi 250 μg/mL dipilih sebagai konsentrasi optimum untuk pembuatan spektrum ultraviolet-tampak seluruh sampel. Penentuan konsentrasi ini dipilih berdasarkan pada pengukuran konsentrasi optimum sampel (Gambar 1).
Gambar 1 Spektrum optimasi konsentrasi sampel (a) meniran dan (b) petai cina (▬) 250 μg/mL, (▬) 500 μg/mL, (▬) 1000 μg/mL, (▬) 1500 μg/mL Konsentrasi 250 μg/mL dipilih sebagai konsentrasi optimum karena menghasilkan puncak spektrum yang halus dan tidak bertumpang tindih. Konsentrasi optimum yang diperoleh kemudian digunakan untuk menentukan waktu sonikasi. Waktu sonikasi yang digunakan adalah 10, 20, 30, 40, 50, 60, dan 90 menit (Gambar 2).
Gambar 2 Spektrum waktu sonikasi sampel (a) meniran dan (b) petai cina (▬) 10 menit, (▬) 20 menit, (▬) 30 menit, ( ▬) 40 menit, (▬) 50 menit, (▬) 60 menit, (▬) 90 menit
7 Waktu sonikasi optimum diperoleh pada waktu 60 menit. Waktu optimum ini dipilih karena pada waktu sonikasi 90 menit, serapan sampel cenderung menurun. Penurunan serapan sampel ini dapat diakibatkan oleh terjadinya dekomposisi sampel pada saat proses ekstraksi secara sonikasi. Kondisi optimum yang telah diperoleh kemudian digunakan untuk pengukuran sampel meniran dan petai cina (Gambar 3).
Gambar 3 Spektrum sampel (a) meniran dan (b) petai cina Berdasarkan hasil pengukuran spektrum tunggal kedua sampel, kemudian dilakukan pemilihan spektrum yang menunjukkan serapan paling tinggi, sedang, dan rendah sehingga tiap sampel dipilih empat spektrum dengan kriteria tersebut untuk selanjutnya dilakukan pencampuran sampel. Tahap pencampuran sampel kemudian dilakukan terhadap kedelapan sampel terpilih. Keempat sampel meniran terpilih dikombinasikan dengan keempat sampel petai cina terpilih yang bertindak sebagai bahan pemalsu dengan tiga perbandingan konsentrasi sehingga diperoleh 48 kombinasi sampel campuran. Sampel campuran lalu diukur kembali serapannya dengan kondisi optimum pada panjang gelombang 200-800 nm.
Diskriminasi Meniran Terhadap Petai Cina Principal Component Analysis Analisis multivariat yang dapat digunakan sebagai tahap awal diskriminasi sampel adalah principal component analysis (PCA). PCA merupakan suatu metode kemometrika yang sering digunakan dalam pembuatan model diskriminan tanaman yang berkerabat dekat yang termasuk ke dalam teknik pengenalan pola tak terawasi (Purwakusumah et al. 2014). Prinsip PCA adalah mencari komponen utama yang merupakan kombinasi linear dari variabel asli. Komponen-komponen utama ini dipilih sedemikian rupa sehingga komponen utama pertama memiliki varians terbesar dalam gugus data, sedangkan komponen utama kedua tegak lurus terhadap komponen utama pertama dan memiliki varians terbesar berikutnya (Miller dan Miller 2000). Kedua komponen utama pertama ini pada umumnya digunakan sebagai bidang proyeksi untuk pemeriksaan visual data multivariat. Jika jumlah
8 varians dari komponen utama satu (PC1) dan dua (PC2) lebih besar dari 70%, maka plot skor komponen utama memperlihatkan visualisasi dua dimensi yang baik. Matriks data yang diperoleh terdiri atas 1202 kolom (panjang gelombang) sebagai variabel dan 46 baris (sampel). Sebanyak 46 sampel yang terdiri dari 30 sampel meniran dan 16 sampel petai cina diklasifikasikan menggunakan PCA. Proses pendahuluan pada data sampel diperlukan sebelum dianalisis menggunakan PCA. Tahap pertama yang digunakan untuk proses pendahuluan adalah smoothing. Smoothing merupakan metode yang dapat digunakan untuk mengurangi derau (noise). Proses pendahuluan selanjutnya yang dapat digunakan adalah SNV. Teknik ini merupakan proses transformasi baris yang digunakan untuk tiap spektrum individual. SNV 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. SNV akan menstandardisasi setiap spektrum hanya dengan menggunakan data dari spektrum tersebut (Jannah 2014). Plot score PCA dengan proses smoothing dan SNV ditunjukkan pada Gambar 4. Plot PC dua PC awal mampu menjelaskan 92.54% dari total varians (PC-1 = 57.57%, PC-2 = 34.97%). Pola pengelompokkan sampel menggunakan PCA telah dapat membedakan kedua jenis spesies tanaman.
Gambar 4 Plot PC M (∆) dan P (◊) Discriminant Analysis Analisis multivariat selanjutnya yang dapat digunakan untuk tujuan diskriminasi kedua sampel adalah discriminant analysis (DA) yang termasuk ke dalam teknik pengenalan pola terawasi. DA merupakan salah satu metode kemometrika yang juga banyak digunakan dalam membedakan tanaman yang berkerabat dekat. Metode ini akan membuat suatu fungsi diskriminan (DF) untuk tiap grup dengan mencari kombinasi linear dari data yang akan memberikan
9 pemisahan dari dua atau lebih grup observasi (Gad et al. 2012). DA 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. DA dapat memaksimalkan penyebaran data-data diantara kelas-kelas yang berbeda dan meminimalkan penyebaran data pada kelas yang sama (Berrueta et al. 2007). Korelasi yang tinggi diantara data spektrum ultraviolet-tampak tidak memungkinkan untuk diolah dengan teknik pengenalan pola terawasi seperti DA, sehingga pengurangan jumlah variabel diperlukan sebelum penggunaan teknik ini. PCA digunakan untuk mereduksi jumlah variabel dari matriks data awal sehingga menghasilkan variabel baru berupa komponen utama yang dapat mewakili variabel dari matriks data awal tanpa kehilangan informasi dari data tersebut. Pemilihan jumlah komponen utama untuk analisis DA didasarkan pada eigenvalue tiap komponen. Komponen utama hasil PCA yang memiliki eigenvalue lebih besar dari 1 digunakan dalam DA 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). Penentuan banyaknya komponen utama yang akan digunakan dalam DA juga berdasarkan pada persentase kumulatif proporsi keragaman total yang mampu dijelaskan (Purwakusumah et al. 2014). Terdapat 12 komponen utama optimum dari hasil PCA yang kemudian digunakan untuk membangun model DA. Hasil DA sampel tunggal ditunjukkan pada Gambar 5.
Gambar 5 Plot DF M (∆) dan P(◊) Plot DF menghasilkan dua nilai DF awal dengan keragaman untuk DF-1 100.00% dan DF-2 0.00%. Berdasarkan hasil DA, semua sampel terpisah ke dalam
10 kelompoknya masing-masing yang menunjukkan bahwa fungsi diskriminan yang diperoleh mampu membedakan kedua jenis spesies tanaman. Evaluasi terhadap kemampuan prediksi dari model yang dihasilkan dilakukan dengan metode validasi silang (cross validation). Berdasarkan hasil validasi silang, sebanyak 100% sampel teridentifikasi ke dalam masing-masing kelompok.
Autentikasi Meniran Terhadap Petai Cina Autentikasi dengan PCA-DA Autentikasi sampel dilakukan untuk mencegah terjadinya pemalsuan sampel. Pada penelitian ini, dilakukan pemalsuan simplisia daun meniran melalui penambahan simplisia daun petai cina sebagai bahan pemalsu. Klasifikasi sampel campuran perlu dilakukan untuk mengamati keterpisahan antar konsentrasi sampel pemalsu yang ditambahkan ke dalam sampel utama dalam rangka autentikasi. Klasifikasi sampel campuran dapat dilakukan menggunakan kombinasi PCA-DA. Kemampuan diskriminasi dari teknik pengenalan pola tak terawasi dan terawasi ini telah diselidiki dalam banyak studi. Keduanya dapat membedakan spesies tanaman dari genus yang sama dan mendeteksi pemalsuan berdasarkan tingkat metabolit sekunder atau komponen bioaktif utama (Gad et al. 2012). Sampel meniran yang digunakan sebagai sampel utama yaitu sampel yang berasal dari Sukabumi 3 (M10), Bandung 2 (M19), Purworejo 1 (M25), dan Ponorogo 2 (M30). Sedangkan sampel petai cina yang digunakan sebagai bahan pemalsu adalah Bogor 8 (P1), Cianjur 4 (P8), Jakarta (P11), dan Karanganyar (P12). Daerah panjang gelombang yang digunakan untuk keperluan autentikasi adalah pada kisaran 250-700 nm. Kisaran panjang gelombang ini digunakan untuk memaksimalkan klasifikasi antar konsentrasi bahan pemalsu yang ditambahkan karena pada kisaran panjang gelombang tersebut serapan sampel campuran cukup signifikan sehingga data spektrum tersebut sangat berguna dalam proses klasifikasi (Gambar 6).
Gambar 6 Spektrum sampel campuran
11 Proses pendahuluan yang digunakan sebelum klasifikasi menggunakan PCA adalah smoothing dan SNV. Gambar 7 menunjukkan hasil plot score PCA sampel campuran.
Gambar 7 Plot PC M (∆), 5% P dalam M(○), 25% P dalam M(□), 50% P dalam M (-), dan P (◊) Plot PC dua PC awal mampu menjelaskan 79.00% dari total varians (PC-1 = 57.64%, PC-2 = 21.36%). Berdasarkan hasil klasifikasi awal menggunakan PCA, belum terlihat keterpisahan yang baik antar kelompok sampel campuran sehingga dilakukan analisis multivariat lebih lanjut menggunakan DA.
Gambar 8 Plot DF M (∆), 5% P dalam M (○), 25% P dalam M (□), 50% P dalam M (-), dan P (◊)
12 Plot DF sampel campuran menghasilkan dua nilai DF awal dengan keragaman untuk DF-1 75.29% dan DF-2 24.56% (Gambar 8). Berdasarkan hasil DA, semua sampel (meniran, meniran yang dicampur dengan petai cina, dan petai cina) terpisah ke dalam masing-masing kelompok. Evaluasi terhadap kemampuan prediksi dari model yang dihasilkan dilakukan dengan metode validasi silang. Berdasarkan hasil validasi silang, sebanyak 97% sampel dapat teridentifikasi ke dalam masing-masing kelompok. Soft Independent Modelling of Class Analogy Soft independent modelling of class analogy (SIMCA) merupakan teknik analisis multivariat terawasi yang digunakan untuk menguji kekuatan diskriminasi dan klasifikasi sampel. SIMCA digunakan untuk menetapkan sampel ke dalam kelas yang tersedia dengan tepat. Metode klasifikasi ini didasarkan pada pembuatan model PCA untuk masing-masing kelas dan mengklasifikasikan setiap sampel pada masing-masing model PCA. Hasil luaran dari SIMCA berupa tabel klasifikasi dimana sampel dapat terklasifikasi dalam satu, beberapa kelas, atau tidak terklasifikasikan ke dalam kelas manapun. Klasifikasi sampel menggunakan SIMCA dilakukan dengan dua metode. Metode yang pertama adalah pembuatan model PCA masing-masing kelas menggunakan variabel panjang gelombang. Panjang gelombang pengukuran yang digunakan adalah pada kisaran 250-700 nm. Kelima model PCA tersebut kemudian diolah menggunakan SIMCA dan diperoleh hasil sebanyak 83 sampel (88%) terklasifikasi ke dalam masing-masing kelas, 10 sampel terklasifikasi ke dalam dua kelas dan 1 sampel tidak terklasifikasi ke dalam kelas manapun (Lampiran 6).
Sample Distance to Model Petai Cina (5%)
Sample Distance
Sample Distance Model Meniran (5%)
Gambar 9 Cooman plot M (●) vs P (●) menggunakan variabel panjang gelombang
13 Hasil tabel klasifikasi dievaluasi menggunakan Cooman plot (Gambar 9). Plot ini memberikan jarak ortogonal dari semua objek baru untuk dua kelas yang dipilih pada waktu yang sama. Suatu sampel termasuk ke dalam kelas tertentu jika terletak di sebelah kiri garis vertikal atau di bawah garis horizontal (Urbano et al. 2005). Sebanyak 94 sampel testing 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 meniran dan petai cina yang diklasifikasikan dengan model PCA menggunakan variabel panjang gelombang, sampel meniran (garis vertikal) terpisah jauh dari sampel petai cina (garis horizontal) dan sampel meniran yang dicampur dengan petai cina tersebar pada daerah diantara sampel meniran dan petai cina. Gambar 10 merupakan discrimination power antara sampel meniran dan petai cina yang menunjukkan variabel (panjang gelombang) yang paling optimal dalam menggambarkan perbedaan antar dua jenis sampel.
Discrimination Power (Meniran vs Petai Cina)
Discrimination Power
X-Variables
Gambar 10 Discrimination Power meniran dengan variabel panjang gelombang Serapan pada daerah panjang gelombang 250-340 nm memiliki kekuatan diskriminasi yang paling besar diantara lainnya. Berdasarkan spektrum serapannya (Gambar 3), meniran memberikan serapan yang besar pada daerah panjang gelombang 200-350 nm. Diperkirakan pada daerah panjang gelombang tersebut terjadi transisi 𝜋→ π* dari ikatan C=C terkonjugasi, transisi n * oleh suatu gugus -OH, dan n → π* oleh suatu gugus C=O. Diduga senyawa penciri tersebut merupakan senyawa golongan flavonoid (Lampiran 5) karena senyawa golongan ini memiliki kandungan terbesar dibandingkan senyawa fitokimia lainnya dalam meniran (Bagalkotkar et al. 2006). Metode kedua dalam klasifikasi sampel menggunakan SIMCA adalah pembuatan model PCA masing-masing kelas menggunakan variabel nilai komponen utama optimum. Sebanyak 7 komponen utama digunakan dalam klasifikasi SIMCA. Kelima model PCA tersebut kemudian diolah menggunakan SIMCA dan diperoleh tabel klasifikasi (Lampiran 6) dengan hasil sebanyak 89
14 sampel (95%) terklasifikasi ke dalam masing-masing kelas, 4 sampel terklasifikasi ke dalam dua kelas dan 1 sampel tidak terklasifikasi ke dalam kelas manapun.
Sample Distance to Model Petai Cina (5%)
Sample Distance
Sample Distance Model Meniran (5%)
Gambar 11 Cooman plot M (●) vs P (●) menggunakan variabel komponen utama Berdasarkan hasil evaluasi menggunakan Cooman plot sampel meniran dan petai cina yang diklasifikasikan dengan model PCA masing-masing kelas menggunakan variabel komponen utama (Gambar 11), sampel meniran (garis vertikal) terpisah jauh dari sampel petai cina (garis horizontal) dan sampel meniran yang dicampur dengan petai cina tersebar pada daerah diantara sampel meniran dan petai cina. Daerah sampel meniran dan petai cina yang dipisahkan oleh dua garis Cooman plot yang saling tegak lurus lebih sempit, sehingga klasifikasi meniran terhadap petai cina dengan metode ini lebih baik dibandingkan metode sebelumnya. Gambar 12 merupakan discrimination power antara sampel meniran dan petai cina yang menunjukkan variabel (komponen utama) yang paling optimal dalam menggambarkan perbedaan antar dua jenis sampel. Sebanyak 4 komponen utama pertama memiliki kekuatan diskriminasi yang paling besar diantara lainnya. Berdasarkan perbandingan persentase jumlah sampel yang berhasil terklasifikasi ke dalam masing-masing kelas, hasil klasifikasi SIMCA dengan metode pembuatan model PCA menggunakan variabel nilai komponen utama optimum menghasilkan nilai persentase klasifikasi sampel yang lebih baik yaitu sebesar 95%. Hal ini dapat disebabkan karena komponen utama merupakan suatu variabel yang dapat mewakili variabel-variabel yang terdapat pada matriks data awal. Variabel tersebut dapat digunakan dalam mengekstrak informasi untuk menemukan kombinasi variabel atau faktor yang dapat menjelaskan kecenderungan mayor dalam suatu set data (Gad et al. 2012).
15
Discrimination Power (Meniran vs Petai Cina)
Discrimination Power
PC1
PC2
PC3
PC4
PC5
PC6
PC7
X-Variables
Gambar 12 Discrimination Power meniran dengan variabel komponen utama
SIMPULAN DAN SARAN Simpulan Hasil identifikasi sampel meniran dan petai cina menunjukkan bahwa seluruh sampel yang telah dikoleksi merupakan sampel yang sesuai. Penentuan kondisi optimum preparasi sampel dilakukan berdasarkan dua parameter, yaitu konsentrasi dan waktu sonikasi. Konsentrasi dan waktu sonikasi optimum yang digunakan dalam preparasi sampel masing-masing sebesar 250 μg/mL dan 60 menit. Sampel meniran dan petai cina dapat diautentikasi menggunakan kombinasi metode PCA dan DA dengan hasil sebanyak 97% sampel teridentifikasi ke dalam kelompok masing-masing dengan validasi silang. Metode SIMCA digunakan dalam autentikasi sampel dan diperoleh hasil sebanyak 95% sampel berhasil diklasifikasikan ke dalam kelas masing-masing.
Saran Diperlukan penambahan jumlah sampel tanaman meniran dan petai cina untuk meningkatkan kekuatan model diskriminasi dan autentikasi yang diperoleh.
16
DAFTAR PUSTAKA Abdulla MA, Ahmed KA, Bayaty FH, Masood Y. 2010. Gastroprotective effect of Phyllanthus niruri leaf extract against ethanol-induced gastric mucosal injury in rats. Afr J Pharm Pharmacol. 4(5):226-230. Bagalkotkar G, Sagineedu SR, Saad MS, Stanslas J. 2006. Phytochemicals from Phyllanthus niruri and their pharmacological properties: A review. J Pharm Pharmacol. 58(12):1559-1570. [Balitbangkes] Badan Penelitian dan Pengembangan Kesehatan. 2010. Laporan Nasional Riset Kesehatan Dasar. Kementerian Kesehatan Republik Indonesia. Jakarta (ID): Balitbangkes. 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. Boggia R, Casolino MC, Hysenaj V, Oliveri P, Zunin P. 2012. A screening method based on UV-Visible spectroscopy and multivariate analysis to asses addition of filler juices and water to pomegranate juice. Food Chem. 140:735-741. [BPOM RI] Badan Pengawas Obat dan Makanan Republik Indonesia. 2005. Peraturan Kepala Badan Pengawas Obat dan Makanan Republik Indonesia Nomor HK.00.05.41.1384 tentang Kriteria dan Tatalaksana Pendaftaran Obat Tradisional, Obat Herbal Terstandar, dan Fitofarmaka. Jakarta (ID): BPOM RI. Gad HA, El-Ahmady SH, Abou-Shoer MI, Al-Azizi MM. 2012. Application of chemometrics in authentication of herbal medicines: A review. Phytochem Anal. 24:1-24. Harish R, Shivanandappa T. 2004. Antioxidant activity and hepatoprotective potential of Phyllanthus niruri. Food Chem. 95(2006):180-185. Ifeoma O, Samuel O, Itohan AM, Adeola SO. 2012. Isolation, fractionation and evaluation of the antiplasmodial properties of Phyllanthus niruri resident in its chloroform fraction. APJTM. 100(2013):169-175. Jose J, Sudhakaran S, Kumar S, Jayaraman S, Jayadevi V. 2014. Study of in vitro immunomodulatory effect of flavonoid isolated from Phyllanthus niruri on human blood lymphocytes and evaluation of its antioxidant potential. IJPPR. 6(2):284-289. Jannah R. 2014. Diskriminasi temu lawak, temu mangga, temu hitam, dan kunyit menggunakan spektrum ultraviolet-tampak dan kemometrika [skripsi]. Bogor (ID): Institut Pertanian Bogor. Markham KR. 1988. Techniques of Flavonoid Identification. London: Academic Pr. Mathur R. 2012. Phytochemical and antimicrobial effect of Phyllanthus niruri on human pathogenic microorganisms. IJISD. 2(1):94-105. Miller JC, Miller JN. 2000. Statistic and Chemometrics for Analytical Chemistry. Harlow (GD): Pearson Education. Mok DKW, Chau FT. 2006. Chemical information of Chinese medicine: a challenge to chemist. Chemom Intell Lab Sys. 82:210-217.
17 Morillo AP, Alcazar A, Pablos F, Jurado JM. 2012. Differentiation of tea varieties using UV-Vis spectra and pattern recognition techniques. Spectrochim Acta A. 103:79-83.doi:10.1016/j.saa.2012.10.052. Murugaiyah V, Chan KL. 2009. Mechanism of antihyperuricemics effect of Phyllanthus niruri and its lignin constituents. J Ethnopharmacol. 124(2): 233-239. Nakweti RK, Ndiku SL, Doumas P, Nkung MH, Baissac Y, Kanyanga RC, Ndofonsu AD, Otono FB, Allemand CJ. 2013. Phytochemical analysis of Phyllanthus niruri (Phyllanthaceae) extract collected in four geographical areas in the Democratic Republic of the Congo. Afr J Plant Sci. 7(1):9-20. Oktavidianti E. 2012. Kajian beberapa aspek agronomi tanaman obat meniran hijau (Phyllanthus niruri) dan meniran merah (Phyllanthus urinaria L.) [disertasi]. Bogor (ID): Institut Pertanian Bogor. Purwakusumah ED, Rafi M, Syafitri DU, Nurcholis W, Adzkiya ZAM. 2014. Identifikasi dan autentikasi jahe merah menggunakan kombinasi spektroskopi FTIR dan kemometrik. Agritech 34(1):1-6. Rafi M, Lim WL, Takeuchi T, Latifah KD. 2013. Simultaneous determination of gingerols and shogaol using capillary liquid chromatography and its application in discrimination of three ginger varieties from Indonesia. Talanta. 103(2013):28-32. Rohaeti E, Rafi M, Syafitri DU, Heryanto R. 2014. Fourier transform infrared spectroscopy combined with chemometrics for discrimination of Curcuma longa, Curcuma xanthorriza and Zingiber cassumunar. Spectrochim Acta A. 137(2015):1244-1249. Soh PN, Banzouzi JT, Mangombo H, Lusakibanza M, Bulubulu FO, Tona L, Diamuini AN, Luyindula SN, Vical FB. 2009. Antiplasmodial activity of various part of Phyllanthus niruri according to its geographical distribution. Afr J Pharm Pharmacol. 3(12):598-601. 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. Supardi S, Jamal S, Raharni. 2005. Pola penggunaan obat, obat tradisional, dan cara tradisional dalam pengobatan sendiri di Indonesia. Bul. Penel. Kesehatan. 33(4):192-198. Urbano M, Castro MD, Perez PM, Olmo JG, Nieto MA. 2006. Ultraviolet-visible spectroscopy and pattern recognition methods for differentiation and classification of wines. Food Chem. 97(2006):166-175.
18
LAMPIRAN Lampiran 1 Bagan alir identifikasi dan autentikasi sampel tunggal Sampel tunggal Ditimbang
Metanol
Diekstraksi secara sonikasi selama 10, 20, 30, 40 dan 50 menit (suhu ruang)
Campuran Disaring dan ditera dalam labu takar 10 mL Diencerkan menggunakan metanol hingga berbagai konsentrasi Larutan sampel Analisis menggunakan spektrofotometer UV-Vis (200-800 nm) Spektrum
Pemilihan kondisi optimum preparasi Preparasi sampel berdasarkan kondisi optimum Spektrum
Analisis menggunakan spektrofotometer UV-Vis (200-800 nm)
Konversi ke dalam MS. Excel Panjang gelombang dan absorbans Proses pendahuluan (smoothing dan SNV) Identifikasi dan autentikasi dengan teknik analisis multivariat (PCA dan DA)
19 Lampiran 2 Bagan alir identifikasi dan autentikasi sampel campuran Sampel campuran Diekstraksi secara sonikasi berdasarkan kondisi optimum
Metanol Campuran
Disaring dan ditera dalam labu takar 10 mL Larutan sampel Analisis menggunakan spektrofotometer UV-Vis (200-800 nm)
Spektrum
Konversi ke dalam MS. Excel Data panjang gelombang dan absorbans
Proses pendahuluan (smoothing dan SNV) Data pascapemrosesan sinyal PCA tiap kelas
PCA Score plot
Pemilihan komponen utama (PC) DA Hasil DA
Score plot tiap kelas
SIMCA
Tabel klasifikasi Cooman plot Discrimination power
20 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina
21 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)
22 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)
23 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)
24 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)
25 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)
26 Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)
27 Lampiran 4 Tabulasi data hasil analisis sampel menggunakan spektrofotometer ultraviolet-tampak
a
Sampel
200
200.5
201.5
201.5
…
…
800
M1 M2 M3 M4 M5 M6 … M30 P1 P2 P3 P4 P5 P6 … P16
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 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
M: Meniran, P: Petai Cina
Lampiran 5 Panjang gelombang (nm) serapan senyawa golongan flavonoid (Markham 1988) Jenis Flavonoid Flavon Flavonol Flavonon Bilavonil Kalkon Auron Antosianidin
Pita II (nm) 250-280 250-280 275-295 270-295 230-270 230-270 270-280
Pita I (nm) 310-350 330-385 300-330 300-320 340-390 380-430 465-560
28 Lampiran 6 Hasil klasifikasi menggunakan SIMCA Sampela M10:P1 5% M10:P8 5% M10:P11 5% M10:P12 5% M19:P1 5% M19:P8 5% M19:P11 5% M19:P12 5% M25:P1 5% M25:P8 5% M25:P11 5% M25:P12 5% M30:P1 5% M30:P8 5% M30:P11 5% M30:P12 5% M10:P1 25% M10:P8 25% M10:P11 25% M10:P12 25% M19:P1 25% M19:P8 25% M19:P11 25% M19:P12 25% M25:P1 25% M25:P8 25% M25:P11 25% M25:P12 25% M30:P1 25% M30:P8 25% M30:P11 25% M30:P12 25% M10:P1 50% M10:P8 50% M10:P11 50% M10:P12 50% M19:P1 50% M19:P8 50% M19:P11 50% M19:P12 50%
Variabel (panjang gelombang) Variabel (komponen utama) 5% 25% 50% M P 5% 25% 50% M P * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
29 Lampiran 6 Hasil klasifikasi menggunakan SIMCA (lanjutan) Sampela M25:P1 50% M25:P8 50% M25:P11 50% M25:P12 50% M30:P1 50% M30:P8 50% M30:P11 50% M30:P12 50% M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 M15 M16 M17 M18 M19 M20 M21 M22 M23 M24 M25 M26 M27 M28 M29 M30 P1 P2
Variabel (panjang gelombang) 5% 25% 50% M P * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
Variabel (komponen utama) 5% 25% 50% M P * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
30 Lampiran 6 Hasil klasifikasi menggunakan SIMCA (lanjutan) Sampela P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 a
Variabel (panjang gelombang) 5% 25% 50% M P * * * * * * * * * * * * * *
M: Meniran, P: Petai Cina
Variabel (komponen utama) 5% 25% 50% M P * * * * * * * * * * * * * *
31
RIWAYAT HIDUP Penulis dilahirkan di Tual pada tanggal 6 Maret 1991. Penulis merupakan anak ke-3 dari empat bersaudara dari pasangan Bapak Purwanto dan Ibu Sri Praptiyah. Penulis menempuh pendidikan menengah atas di SMAK Bogor. Pada tahun 2011, penulis terdaftar sebagai salah satu mahasiswa Departemen Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam IPB melalui jalur SNMPTN. Pada bulan Juli-Agustus 2014, penulis mengikuti kegiatan Praktik Lapangan di PT SMART Tbk, Bogor dengan judul laporan Pengaruh Faktor Progeni, Perlakuan, dan Waktu Pengujian Terhadap Kandungan Asam Absisat Dalam Tanaman Kelapa Sawit. Selama menjadi mahasiswa IPB, penulis memiliki pengalaman sebagai asisten praktikum Asas Kimia Analitik dan Praktikum Analisis Instrumental TA 2014/2015 di Laboratorium Kimia Analitik.