SPEKTROSKOPI FTIR DAN METODE PENGENALAN POLA KIMIA UNTUK DIFERENSIASI TANAMAN JAHE
NAFIUL UMAM
DEPARTEMEN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
ABSTRAK NAFIUL UMAM. Spektroskopi FTIR dan Metode Pengenalan Pola Kimia Untuk Diferensiasi Tanaman Jahe. Dibimbing oleh RUDI HERYANTO dan UTAMI DYAH SYAFITRI. Jahe (Zingiber officinale) merupakan salah satu bahan baku obat tradisional. Jahe sendiri terdiri atas tiga jenis varietas, akan tetapi dari ketiga jenis varietas jahe hanya dua varietas yang sering di gunakan sebagai bahan baku obat herbal. Penggunaan jahe sebagai bahan baku obat herbal dapat dipalsukan dengan cara mencampur antar varietas jahe atau juga dengan lengkuas. Oleh karena itu perlu dilakukan suatu teknik diferensiasi jahe untuk mengontrol kualitas dari bahan baku obat herbal tersebut. Diferensiasi dapat dilakukan pada spektrum FTIR dari simplisia tanaman jahe dengan bantuan analisis multivariat. Analisis multivariat yang digunakan yaitu PCA (Principal Component Analysis) dan PLSDA (Partial Least Square Discriminant Analysis). Metode PCA yang digunakan pada spektrum normal dapat mengklasifikasikan sampel kedalam lima kelas klasifikasi yang berbeda. Akan tetapi metode PCA yang digunakan belum mampu memisahkan sampel murni yang berupa jahe emprit (JE), jahe gajah (JG), dan jahe merah (JM). Metode PLSDA digunakan pada spektrum turunan kedua. Metode ini menghasilkan nilai R2 prediksi untuk lengkuas (L), jahe emprit (JE), jahe gajah (JG), jahe merah (JM), jahe merah + jahe emprit (JM+JE), jahe merah + jahe gajah (JM+JG), dan jahe merah + lengkuas (JM+L) masing-masing sebesar 0.9575, 0.9518, 0.9672, 0.9642, 0.7591, 0.7804 dan 0.8222
ABSTRACT NAFIUL UMAM. FTIR Spectroscopy and Chemical Pattern Recognition Method For Differentiation of Ginger. Supervised by RUDI HERYANTO and UTAMI DYAH SYAFITRI. Ginger (Zingiber officinale) is one of raw materials the traditional medicine. Ginger consist of three type of varieties, however from three type of ginger varieties only two varieties which often used as a raw materials herbal medicine. Usage of ginger as a raw material herbal medicine can be falsified by mixing betwen ginger varieties or also with alpine galangal. Therefore it’s require a differentiation technique of ginger to control the quality of raw material herbal medicine. FTIR spectrum of the ginger and multivariate analysis can be used to differentiation. Multivariate analysis that used is PCA (Principal Component Analysis) and PLSDA (Partial Least Square Discriminant Analysis). PCA method used in the normal spectrum can classify the samples into five different classification classes. However, PCA methods have not been able to separate pure samples of JE, JG, and JM. PLSDA method used in the second derivative spectrum. This Method produces R2 prediction value for L, JE, JG, JM, JM + JE, JM + JG, and JM + L respectively, 0.9575, 0.9518, 0.9672, 0.9642, 0.7591, 0.7804 and 0.8222
iii
SPEKTROSKOPI FTIR DAN METODE PENGENALAN POLA KIMIA UNTUK DIFERENSIASI TANAMAN JAHE
NAFIUL UMAM
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 2011
Judul
: Spektroskopi FTIR dan Metode Pengenalan Pola Kimia Untuk Diferensiasi Tanaman Jahe : Nafiul Umam : G44061146
Nama NIM
Menyetujui, Pembimbing I,
Pembimbing II,
Rudi Heryanto, S.Si., M.Si NIP 19760428 200501 1 002
Utami Dyah Syafitri, S. Si., M.Si NIP 19770917 200501 2 001
Mengetahui Ketua Departemen Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor,
Prof. Dr. Ir. Tun Tedja Irawadi, MS NIP 19501227 197603 2 002
Tanggal lulus :
5
PRAKATA Puji dan syukur penulis panjatkan kehadirat Allah SWT yang senantiasa memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah dengan judul: Spektroskopi FTIR dan Metode Pengenalan Pola Kimia Untuk Diferensiasi Tanaman Jahe. Shalawat dan salam disampaikan kepada Nabi Muhammad SAW beserta keluarga, sahabat, dan pengikutnya yang tetap berada di jalan-Nya hingga akhir zaman. Penulis mengucapkan terima kasih kepada Bapak Rudi Heryanto S.Si., M.Si., Ibu Utami Dyah Syafitri S.Si., M.Si., dan Bapak Mohammad Rafi, S.Si., M.Si. selaku pembimbing atas segala saran, kritik, dorongan, dan bimbingannya selama penelitian dan penyusunan karya ilmiah ini. Penulis juga mengucapkan terima kasih kepada staf Laboratorium Uji Biofarmaka (LUB) Pusat Studi Biofarmaka, yaitu Mas Zaim, Antonio dan Mas Ndi atas segala fasilitas dan kemudahan yang telah diberikan. Ucapan terima kasih tak terhingga kepada kedua orang tua atas nasihat, semangat, bantuan materi, dan doa-doanya. Selain itu penulis mengucapkan terima kasih kepada teman bimbingan (Mitha dan Ayu), Tyas, serta kepada teman-teman kimia angkatan 43 atas doa, kebersamaan, diskusi, dan semangatnya yang telah membantu dalam penyelesaian karya ilmiah ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya.
Bogor, Januari 2011
Nafiul Umam
6
RIWAYAT HIDUP Penulis dilahirkan di Depok pada tanggal 4 Juli 1988 dari pasangan H. M. Yamin H.A dan Hj. Siti Raodah. Penulis merupakan anak kedua dari dua bersaudara. Penulis memiliki satu orang kakak laki-laki bernama Hairul Akbar Dinata S.Hut. Tahun 2006 penulis lulus dari SMU Negeri 2 Depok dan pada tahun yang sama penulis masuk Institut Pertanian Bogor (IPB) melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB). Penulis masuk Program Studi S1 Kimia, Departemen Kimia, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Selama masa perkuliahan penulis aktif di organisasi Ikatan Mahasiswa Kimia (Imasika). Pada bulan Juli-Agustus 2009 penulis berkesempatan melaksanakan kegiatan Praktik Lapangan di Laboratorium Pakan Balai Penelitian Ternak, Ciawi. Selama menjadi mahasiswa penulis juga pernah menjadi asisten praktikum Kimia Analitik Layanan untuk mahasiswa Biologi, dan praktikum Kimia Dasar untuk mahasiswa Tingkat Persiapan Bersama.
DAFTAR ISI Halaman DAFTAR GAMBAR ................................................................................................
viii
DAFTAR TABEL ....................................................................................................
viii
DAFTAR LAMPIRAN .............................................................................................
ix
PENDAHULUAN ....................................................................................................
1
TINJAUAN PUSTAKA Jahe ................................................................................................................... Kontrol Kualitas Tanaman Obat ....................................................................... Spektroskopi Inframerah Transformasi Fourier (FTIR) ................................... Analisis Kemometrik Spektrum FTIR .............................................................. Analisis Komponen Utama .............................................................................. Partial Least Square (Kuadrat Terkecil Parsial) ............................................. Partial Least Square Discriminant Analysis (PLSDA)............................... .....
1 2 3 3 4 4 4
BAHAN DAN METODE Alat dan Bahan ................................................................................................ Tahapan Penelitian ...........................................................................................
5 5
HASIL DAN PEMBAHASAN Analisis FTIR dan KCKT ................................................................................ Analisis Komponen Utama .............................................................................. Partial Least SquareDiscriminant Analysis (PLSDA) .....................................
6 7 8
SIMPULAN DAN SARAN Simpulan .......................................................................................................... Saran ................................................................................................................
9 10
DAFTAR PUSTAKA ................................................................................................
10
LAMPIRAN ...............................................................................................................
12
viii
DAFTAR GAMBAR Halaman 1
Skema Alat Spektroskopi FTIR .........................................................................
3
2
Prinsip PCA ........................................................................................................
4
3
Spektrum FTIR Simplisia Sampel ......................................................................
6
4
Plot score PCA (a) Spektrum Turunan Pertama (b) Spektrum Turunan Kedua ..............................................................................
7
5
Plot Score PCA Spektrum Normal......................................................................
7
6
Plot Score PCA Spektrum Normal Sampel JM, JE, dan JG................................
8
7
Box Plote Konsentrasi 6-, 8-, 10-Gingerol dan 6-Shogaol..................................
9
DAFTAR TABEL Halaman 1
Penentuan Konsentrasi 6-, 8-, 10-Gingerol dan 6-Shogaol.dengan KCKT ........ 2
6
2
Nilai R Kalibrasi Hasil PLSDA .........................................................................
8
3
Nilai RMSEC Hasil PLSDA ...............................................................................
8
4
2
9
2
Nilai R Prediksi dan RMSEP Seluruh Sampel...................................................
5
Nilai R Prediksi dan RMSEP Sampel JE, JG dan JM........................................
9
6
Nilai R2 Prediksi dan RMSEP Sampel JM+JE, JM+JG dan JM+L ....................
9
ix
DAFTAR LAMPIRAN Halaman 1
Diagram Alir Penelitian .....................................................................................
13
2
Spektrum FTIR Seluruh Sampel .........................................................................
14
3
Kromatogram dan Hasil Pengukuran KCKT Larutan Standar ...........................
15
4
Kromatogram Hasil Pengukuran Konsentrasi 6-, 8-, 10-Gingerol dan 6Shogaol Jahe Merah, Jahe Gajah, Jahe Emprit, Jengkuas, Jahe Merah + Jahe Gajah, Jahe Merah + Jahe Emprit, Jahe Merah + Lengkuas .............................
18
Tabulasi Pengukuran dan Perhitungan konsentrasi 6-, 8-, 10-Gingerol dan 6Shogaol Jahe Merah, Jahe Gajah, Jahe Emprit, Lengkuas, Jahe Merah + Jahe Gajah, Jahe Merah + Jahe Emprit dan Jahe Merah + Lengkuas ........................
20
6
Reaksi Degradasi Gingerol..................................................................................
21
7
Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Turunan Pertama Seluruh Sampel ...................................................................................................
22
Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Turunan Kedua Seluruh Sampel ...................................................................................................
22
Tabel Score PCA 7 Komponen Utama Spektrum Turunan Pertama Seluruh Sampel ................................................................................................................
23
Tabel Score PCA 7 Komponen Utama Spektrum Turunan Kedua Seluruh Sampel ................................................................................................................
25
11 Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Normal Seluruh Sampel ................................................................................................................
27
12 Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Normal JE, JG dan JM .......................................................................................................................
27
5
8 9 10
13
Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal Seluruh Sampel ...............................................................................................................
28
14 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal JE, JG dan JM .......................................................................................................................
30
15
Predict Vs Reference PLSDA Spektrum Turunan Kedua Seluruh Sampel. ......
31
16 Predict Vs Reference PLSDA Spektrum Turunan Kedua Sampel JE, JG dan JM .......................................................................................................................
33
17 Predict Vs Reference PLSDA Spektrum Turunan Kedua Sampel JM+JE, JM+JG dan JM+L ...............................................................................................
34
PENDAHULUAN Latar Belakang Obat-obatan tradisional atau jamu sering kali menggunakan tanaman obat seperti jahe sebagai bahan baku. Jahe merupakan tanaman obat berupa tumbuhan rimpang berbatang semu. Jahe berasal dari Asia Pasifik yang tersebar dari India sampai Cina. Oleh karena itu, kedua bangsa ini disebut-sebut sebagai bangsa yang pertama kali memanfaatkan jahe terutama sebagai bahan minuman, bumbu masak, dan obat-obatan tradisional. Tanaman jahe termasuk suku Zingiberaceae, merupakan salah satu tanaman rempah-rempahan yang telah lama digunakan sebagai bahan baku obat tradisional (Meilinda 2008). Berdasarkan ukuran dan warna rimpangnya, jahe dapat dibedakan menjadi 3 (tiga) varietas, yaitu jahe besar (jahe gajah), jahe kecil (jahe emprit), dan jahe merah. Dalam dunia industri, jahe yang digunakan sebagai bahan baku obat tradisional terkadang bukan jahe murni, melainkan campuran dari dua atau tiga jenis tanaman jahe atau bahkan dengan tanaman lain yang memiliki karakteristik hampir sama dengan jahe, seperti lengkuas. Oleh karena itu, perlu dilakukan pencirian sifat komponen kimia aktif dari ketiga jenis jahe tersebut agar dapat diketahui ciri khas spektrum atau pola kimia dari ketiga jenis tanaman jahe tersebut. Selain itu, juga untuk mengetahui apakah jahe yang digunakan sebagai tanaman bahan baku obat merupakan jahe murni atau campuran dari dua atau tiga jenis tanaman jahe. Metode analisis yang dapat digunakan untuk pencirian atau pembedaan dari ketiga jenis jahe tersebut adalah dengan spektroskopi Fourier Transform Infra Red (FTIR). Teknik spektroskopi FTIR berpotensi sebagai metode analisis cepat karena analisis dapat dilakukan secara langsung pada serbuk kering sampel tanpa tahapan pemisahan terlebih dahulu. Spektrum FTIR yang dihasilkan merupakan hasil interaksi antara senyawa-senyawa kimia dalam matriks sampel yang sangat kompleks. Spektrum ini sangat rumit dan perbedaan antara spektrum dari tanaman yang sejenis tidak tampak dengan jelas dan pada umumnya tidak dapat dilihat dengan mata telanjang (Chew et al 2004). Untuk itu, diperlukan suatu metode kemometrik untuk mendapatkan informasi tersembunyi yang bersifat kualitatif dan kuantitatif dari spektrum FTIR tersebut. Teknik spektroskopi FTIR yang digabungkan dengan kemometrik dapat digunakan sebagai
metode alternatif untuk pencirian atau diferensiasi ketiga jenis jahe tersebut. Yulianti (2009) telah menggunakan metode FTIR yang digabungkan dengan teknik kemometrik untuk melakukan diskriminasi komponen kimia di dalam tanaman obat temu lawak, kunyit, dan bangle. Selain itu Urbano et al (2005) juga telah melakukan teknik diferensiasi dan diskriminasi wines dengan menggunakan teknik pengenalan pola (kemometrik) dan spektroskopi Ultra Violet-Visible (UV-Vis). Metode kemometrik yang dapat digunakan ialah berupa analisis multivariat. Analisis multivariat yang dapat digunakan untuk pengenalan pola dalam suatu sampel antara lain adalah metode Principal Component Analysis (PCA), Partial Least Square (PLS), analisis diskriminan, K-nearest neighbor, soft independent modeling of class anology (SIMCA), dan cluster analysis (Miller & Miller 2000). Selain itu metode gabungan dari PLS dengan discriminant analysis (PLSDA) juga dapat digunakan untuk klasifikasi. Penelitian ini bertujuan mendiferensiasikan tiga jenis jahe menggunakan spektroskopi FTIR dan metode pengenalan pola kimia berdasarkan pada spektrum FTIR yang dihasilkan dari masing-masing jenis jahe dengan metode analisis multivariat PCA dan PLSDA.
TINJAUAN PUSTAKA Jahe Jahe merupakan tanaman obat berupa tumbuhan rimpang berbatang semu. Jahe berasal dari Asia Pasifik yang tersebar dari India sampai Cina. Oleh karena itu kedua bangsa ini disebut-sebut sebagai bangsa yang pertama kali memanfaatkan jahe terutama sebagai bahan minuman, bumbu masak dan obat-obatan tradisional. Jahe termasuk dalam suku temu-temuan (Zingiberaceae), se-famili dengan temu-temuan lainnya seperti temu lawak (Cucuma xanthorrizha), temu hitam (Curcuma aeruginosa), kunyit (Curcuma domestica), kencur (Kaempferia galanga), lengkuas (Languas galanga) dan lain-lain. Jahe (Zingiber officinale) adalah tanaman yang tumbuh tegak dengan tinggi 30–60 cm. Daun tanaman jahe berupa daun tunggal, berbentuk lanset dan berujung runcing. Mahkota bunga berwarna ungu, berbentuk corong dengan panjang 2 – 2,5 cm. Sedangkan buah berbentuk bulat panjang berwarna cokelat dengan biji berwarna hitam.
2
Berdasarkan ukuran dan warna rimpangnya, jahe dapat dibedakan menjadi 3 (tiga) varietas, yaitu jahe besar (jahe gajah), jahe kecil (jahe emprit), dan jahe merah. 1) Jahe putih/kuning besar atau disebut juga jahe gajah atau jahe badak. Rimpangnya lebih besar dan gemuk, ruas rimpangnya lebih menggembung dari kedua varietas lainnya. Jenis jahe ini biasa dikonsumsi baik saat berumur muda maupun berumur tua, baik sebagai jahe segar maupun jahe olahan. 2) Jahe putih/kuning kecil atau disebut juga jahe sunti atau jahe emprit. Ruasnya kecil, agak rata sampai agak sedikit menggembung. Jahe ini selalu dipanen setelah berumur tua. Kandungan minyak atsirinya lebih besar dari pada jahe gajah, sehingga rasanya lebih pedas, disamping seratnya tinggi. Jahe ini cocok untuk ramuan obatobatan, atau untuk diekstrak oleoresin dan minyak atsirinya. 3) Jahe merah. Rimpangnya berwarna merah dan lebih kecil dari pada jahe putih kecil. Sama seperti jahe kecil, jahe merah selalu dipanen setelah tua, dan juga memiliki kandungan minyak atsiri yang sama dengan jahe kecil, sehingga cocok untuk ramuan obatobatan. Jahe merah berkhasiat dan bermanfaat sebagai obat tradisional, yaitu untuk pencahar, peluruh masuk angin, radang tenggorokan, asma, dan lainnya (Matondang 2005). Secara tradisional ekstrak jahe digunakan antara lain sebagai obat sakit kepala, obat batuk, masuk angin, untuk mengobati gangguan pada saluran pencernaan, stimulansia, diuretik, rematik, menghilangkan rasa sakit, obat anti-mual dan mabuk perjalanan, karminatif (mengeluarkan gas dari perut) dan sebagai obat luar untuk mengobati gatal digigit serangga, keseleo, bengkak, serta memar (Shukla 2007). Berbagai penelitian membuktikan bahwa jahe mempunyai sifat antioksidan dan antikanker. Beberapa komponen utama dalam jahe seperti gingerol, shogaol dan zingerone memiliki sifat antioksidan di atas Vitamin E (Kikuzaki & Nakatani 1993). Selain itu, jahe mampu menaikkan aktivitas salah satu sel darah putih, yaitu sel natural killer (NK) dalam melisis sel targetnya, yaitu sel tumor dan sel yang terinfeksi virus (Zakaria et al. 1999). Kontrol Kualitas Tanaman Obat Secara umum, satu atau dua komponen aktif pharmakologis di dalam tumbuhtumbuhan herbal dan atau campuran herbal
sekarang ini digunakan untuk mengevaluasi keaslian dan mutu dari obat herbal, dalam identifikasi tanaman/jamu atau obat herbal, dan dalam menentukan komposisi dari suatu produk herbal. Penentuan seperti ini, tidak memberi suatu gambaran lengkap dari suatu produk herbal, sebab berbagai unsur biasanya memiliki respon terhadap efek pengobatannya. Berbagai unsur ini mungkin bekerja secara signifikan dan bisa dengan sulit untuk dipisahkan dalam bentuk komponen aktif. Lebih dari itu, unsur kimia dalam komponen tumbuh-tumbuhan dalam produk obat herbal mungkin sangat bergantung pada musim panen, asal tanaman, proses pengeringan dan faktor lain. Jadi, dibutuhkan penentuan dari komponen fitokimia produk herbal dengan tujuan menentukan mutu dan repeatabilas dari riset klinis dan pharmakologis, untuk memahami bioaktivitas dan pengaruh komponen aktif untuk meningkatkan kontrol mutu produk (Liang et al. 2004). Beberapa teknik kromatografi, seperti kromatografi cair kinerja tinggi (HPLC), kromatografi gas (GC), elektroforesis kapiler (CE) dan kromatografi lapis tipis (TLC), dapat digunakan untuk kontrol mutu produk. Dengan cara ini, produk herbal dapat dianggap sebagai senyawa aktif. Konsep fitoekuivalen dikembangkan di Jerman dengan tujuan meningkatkan konsistensi produk herbal. Menurut konsep ini, profil suatu bahan kimia, seperti suatu sidik jari, untuk produk herbal harus dibangun dan dibandingkan dengan profil dari suatu produk acuan secara klinis (Liang et al. 2004). Menurut definisi, suatu sidik jari dari suatu obat herbal merupakan suatu pola kromatogram dari ekstrak beberapa bahan kimia aktif secara pharmakologis atau secara karakteristik kimiawi. Profil kromatogram ini harus diperlihatkan melalui “integritas”, “kesamaan” dan “perbedaan”. Hal ini berarti dengan bantuan kromatogram sidik jari yang diperoleh, pengesahan atau autentifikasi dan identifikasi obat herbal dapat secara akurat ditentukan walaupun konsentrasi atau jumlahnya tidak sama persisnya untuk sampel obah herbal yang berbeda. Atau kromatogram sidik jari bisa memperlihatkan “kesamaan” dan “perbedaan” dalam berbagai contoh. Bagaimanapun, di dalam obat herbal dan ekstraknya, ada beratus-ratus komponen yang tak dikenal dan banyak di antara komponen tersebut berada dalam jumlah yang sedikit. Sebagai konsekwensi, untuk memperoleh kromatogram sidik jari yang dapat dipercaya
3
secara pharmakologis dan secara kimiawi merupakan pekerjaan yang tidak mudah. Kromatografi menawarkan kemampuan separasi yang sangat kuat, seperti komponen kimia kompleks di dalam ekstrak obat herbal dapat dipisahkan ke dalam banyak sub-fraksi. Selain itu, pendekatan penerapan gabungan kromatografi dan spektrometri seperti highperformance liquid chromatography–diode array (HPLC–DA), gas chromatography–mass spectroscopy (GC–MS), capiler electrophoresis-diode array (CE-DA), HPLC– MS dan HPLC–NMR, dapat memberikan tambahan informasi spektrum, yang sangat membantu untuk analisis kualitatif dan bahkan untuk penentuan struktur. Dengan bantuan informasi spektral dari gabungan instrumen memperlihatkan hasil yang sangat baik dalam mengurangi gangguan alat, koreksi waktu retensi, selektifitas, kemampuan pemisahan kromatogram, ketepatan pengukuran. Jika kromatografi dikombinasikan lebih lanjut dengan pendekatan kemometrik, dapat dikembangkan untuk memperoleh kromatogram sidik jari dengan jelas atau lebih baik. Sidik jari kimia yang dihasilkan dengan kromatografi tidak dapat dijadikan alat utama untuk kontrol kualitas obat herbal (Liang et al. 2004). Spektroskopi Inframerah Transformasi Fourier (FTIR) Metode spektrofotometri mengukur jumlah radiasi yang diserap oleh larutan sampel. Jumlah serapan ini berkaitan dengan konsentrasi analat dalam larutan. Ada tiga proses dasar penyerapan radiasi oleh molekul yang semuanya melibatkan kenaikan molekul ke tingkat energi yang lebih tinggi, yaitu radiasi, vibrasi, dan transisi elektronik. Peningkatan energi yang terjadi setara dengan energi radiasi yang diserap oleh molekul (Christian 1986). Spektrum IR terletak pada kisaran bilangan gelombang 12.800-10 cm-1. Dilihat dari segi aplikasi dan instrumentasi, spektrum IR dibagi ke dalam tiga jenis radiasi, yaitu IR dekat, IR pertengahan, dan IR jauh. FTIR termasuk dalam kategori radiasi IR pertengahan dengan bilangan gelombang berkisar antara 4000-200 cm-1 (Nur & Adijuwana 1989). Berbeda dari spektrofotometer dispersif, FTIR tidak mengukur panjang gelombang satu demi satu, melainkan dapat mengukur intensitas transmitans pada berbagai panjang gelombang secara serempak (Skoog et al.
1998). Monokromator prisma atau kisi yang dapat mengurangi energi sinar diganti dengan interferometer. Interferometer membuat spektrofometer mampu mengukur semua frekuensi optik secara serempak dengan mengatur intensitas dari setiap frekuensi tunggal sebelum sinyal sampai ke detektor. Hasil dari pindai interferometer yang berupa interferogram (plot antara intensitas dan posisi cermin) ini tidak dapat diinterpretasikan dalam bentuk aslinya. Proses transformasi fourier akan mengubah interferogram menjadi spektrum antara intensitas dan frekuensi (George & McIntyre 1987).
Gambar 1. Skema alat spektroskopi FTIR. (1)Sumber Inframerah (2) Pembagi Berkas (Beam Spliter) (3) Kaca Pemantul (4) Sensor Inframerah (5) Sampel dan (6) Display (Stchur 2002) Analisis Kemometrik Spektrum FTIR Spektrum IR sangat kaya akan informasi struktur molekular yang terdiri atas gerak rotasi dan vibrasi. Banyaknya gerakan molekular dari molekul poliatom akan membentuk serangkaian pita serapan yang spesifik untuk masing-masing molekul. Hal ini membuat spktroskopi IR menjadi metode analisis kualitatif yang sangat berguna, tetapi sulit dilakukan akibat adanya kemiripan dari setiap respons spektrum. Analisis kuantitatif spektrum IR juga sangat sulit karena adanya tumpang tindih spektrum serapan dari molekul-molekul dalam sampel. Untuk dapat mengekstraksi informasi dari data spektrum IR yang sangat rumit tersebut, diperlukan suatu metode kemometrik berupa analisis multivariat (Stchur et al 2002). Analisis multivariat menyediakan metode untuk mengurangi data berukuran besar yang diperoleh dari instrument, seperti spektrofotometer. Metode kalibarasi multivariat dapat berupa multiple linear regression, principal component regression,
4
PLS, dan artificial neural network (ANN) (Brereton 2000). Selain itu, analisis multivariat dapat digunakan untuk pengenalan pola dalam suatu sampel melalui metode PCA, discriminant analysis, K-nearest neighbor, soft independent modeling of class anology (SIMCA), dan cluster analysis (Miller & Miller 2000). Analisi Komponen Utama Principal Component Analysis (PCA) atau Analisis Komponen Utama (AKU) merupakan suatu metode analisis peubah ganda yang bertujuan memperkecil dimensi peubah asal sehingga diperoleh peubah baru (principal component, PC) yang tidak saling berkorelasi tetapi menyimpan sebagian informasi yang terkandung pada peubah asal. Pemilihan PC dilakukan sehingga PC pertama memiliki variansi terbesar dalam set data, sedangkan PC kedua tegak lurus terhadap PC pertama dan memiliki variansi terbesar selanjutnya. Dua PC pertama pada umumnya digunakan sebagai bidang proyeksi untuk inspeksi visual dari data (Miller & Miller 2000). Teknik PCA berdasar pada dekomposisi matriks data X (N x K) menjadi dua matriks T (N x A) dan matriks P (K x A) yang saling tegak lurus (Gambar 2). Matriks T yang disebut dengan matriks scores menggambarkan variansi dalam objek, sedangkan matriks P yang disebut matriks loading menjelaskan pengaruh variabel terhadap komponen utama. Matriks P terdiri atas data asli dalam system koordinat baru. Error dari model yang terbentuk dinyatakan dalam E (Lohninger 2004). a variable k komponen utama X
tingginya korelasi dengan variabel respon yang memberikan pengaruh besar, sehingga lebih efektif dalam pendugaan. Kombinasi linear variabel bebas yang dipilih harus berkorelasi paling tinggi dengan variabel respon dan dapat menjelaskan kombinasi dari variable bebas (Miller & Miller 2000). Teknik PLS digunakan untuk memprediksi serangkaian peubah tak bebas (Y) dari peubah bebas (X) yang jumlahnya sangat banyak, memiliki struktur sistematik linear atau nonlinear, dengan atau tanpa data yang hilang, dan memiliki kolinearitas yang tinggi. Metode ini membentuk model dari peubah yang ada untuk membentuk serangkaian respon dengan menggunakan regresi kuadrat terkecil dalam bentuk matriks. Teknik PLS menggambarkan hubungan antara matriks X dan Y, serta tidak dipengaruhi oleh multikolinearitas pada data, sehingga teknik ini sangat baik digunakan pada matriks yang sangat kompleks (Herliana 2008). Terdapat dua jenis teknik PLS, yaitu PLS-1 dan PLS-2. Model PLS-1 digunakan untuk memprediksi satu peubah tak bebas (Y) dari serangkaian peubah bebas (X), sedangkan model PLS-2 digunakan untuk memprediksi peubah tak bebas (Y) secara simultan dari serangkaian peubah bebas (X) (Herliana 2008). Parameter-parameter dalam PLS sebagai metode kalibrasi adalah factors, loadings, dan scores. Model PLS berdasar pada komponen utama dari data bebas X dan data tak bebas Y. inti dari PLS adalah untuk menghitung nilai (scores) dari matriks X dan Y serta untuk membuat model regresi antara nilai-nilai tersebut. Partial Least Square Discriminant Analysis (PLSDA)
PT =
T
+
E
n objeks Gambar 2 Prinsip PCA (Lohninger 2004)
Partial Least Square (Kuadrat Terkecil Parsial) Partial Least Square (PLS) atau kuadrat terkecil parsial adalah suatu teknik regresi utama untuk penentuan data multivariat yang diawali kombinasi linier dari variabel bebas. Variabel dalam PLS ditunjukkan oleh
Partial Least Square Discriminant Analysis (PLSDA) adalah salah satu metode klasifikasi yang sering diterapkan dalam bidang kemometrik dengan berlandaskan pendekatan PLS (Hakim 2010). Standard algoritma PLS yang dipergunakan dengan vector y yang tak bebas yang berupa data kelompok. Dalam kasus dua kelompok, biasanya nilai dari peubah tak bebas diberikan 1 untuk satu kelompok dan 0 atau -1 untuk kelompok lainnya. Metode PLSDA digunakan ntuk membangun suatu model. Model PLSDA umumnya disebut "metode faktor" karena mengubah jumlah variabel yang besar menjadi sejumlah kecil variabel orthogonal yang disebut "faktor" atau "komponen utama"
5
(PC), yang merupakan kombinasi linier dari variabel asli. PC pertama berisi informasi yag lebih berguna, sedangkan yang terakhir merupakan noise, dan tidak diperhitungkan dalam model PLS. Jumlah optimum faktor yang dipilih untuk kalibrasi dioptimalkan secara otomatis oleh perangkat lunak yang digunakan. Berbeda dengan metode PCA, kebaikan suatu model klasifikasi pada metode PLSDA cukup dilihat dari nilai determination coefficient (R2), root mean square error of calibration (RMSEC) dan root mean square error of prediction (RMSEP). Nilai RMSEC merupakan galat yang dihasilkan dari set kalibrasi.
emprit; 950 mg serbuk jahe merah dan 50 mg serbuk lengkuas.
BAHAN DAN METODE
Pembuatan Larutan Standard Dan Sampel Larutan standar yang mengandung 50 µg/mL 6-gingerol, 50 µg/mL 8-gingerol, 50 µg/mL 10-gingerol, dan 25 µg/mL 6-shogaol dibuat dengan cara melarutkan masing-masing 2.2 mg 6-gingerol, 1 mg 8-gingerol, 1.6 mg 10-gingerol dan 0.4 mg 6-shogaol secara berturut-turut didalam 100 mL methanol. Larutan Sampel disiapkan dengan cara menimbang 0.5 g serbuk jahe kemudian dilarutkan dengan 100 mL methanol.
Bahan dan Alat Bahan-bahan yang digunakan dalam penelitian ini ialah jahe merah, jahe gajah, jahe emprit, lengkuas, methanol, dan KBr. Alat yang digunakan adalah Kromatografi Cair Kinerja Tinggi (KCKT), Fourier Transform Infrared (FTIR)
Tahapan Penelitian Diagram alir penelitian ini dapat dilihat pada Lampiran 1. Simplisia jahe merah (JM), jahe emprit (JE), jahe gajah (JG) dan lengkaus (L)dibuat menjadi serbuk. Kemudian dibuat serbuk simplisia campuran berupa 95% JM + 5% JG, 95% JM + 5% JE dan 95% JM + 5% L. Serbuk simplisia murni dan campuran dianalisis menggunakan FTIR dan KCKT untuk menentukan konsentrasi 6-, 8-, 10gingerol dan 6-shogaol. Kemudian dilakukan analisis multivariat pada spektrum FTIR yang dihasilkan menggunakan metode PCA dan PLSDA. Preparasi Serbuk Sampel Disiapkan masing-masing serbuk jahe merah (JM), jahe gajah (JG), jahe emprit (JE), dan lengkuas (L). Komposisi serbuk jahe campuran dibuat dengan komposisi 95% jahe merah dan 5% jahe gajah (JM+JG); 95% jahe merah dan 5% jahe emprit (JM+JE); 95% jahe merah dan 5% lengkuas (JM+L). Dengan cara mencampurkan sebanyak 950 mg serbuk jahe merah dan 50 mg serbuk jahe gajah; 950 mg serbuk jahe merah dan 50 mg serbuk jahe
Analisi Sampel Menggunakan Spektroskopi FTIR Sebanyak 0.5 mg serbuk sampel yang telah disiapkan dicampurkan dengan 180 mg KBr untuk dijadikan pelet. Pelet dibuat menggunakan hand press. Pengukuran spektrum dilakukan menggunakan spektrometer FTIR. Pengukuran dilakukan pada kisaran daerah 4000-400 cm-1. Penentuan Konsentrasi 6-gingerol, 8gingerol, 10-gingerol, dan 6 shogaol Menggunakan Kromatografi Cair Kinerja Tinggi (KCKT)
Analisis Menggunakan KCKT Fase gerak KCKT yang digunakan untuk penentuan 6-, 8-, 10-,gingerol dan 6-shogaol adalah air : acetonitrile. Suhu kolom oven dibuat menjadi 40°C. Detektor yang digunakan adalah UV. Panjang gelombang yang digunakan adalah 200 nm. Tekanan kolom divariasikan dari 1300-1800 psi. Volume larutan standard dan sampel yang diinjeksikan adalah 10 µL. Analisis Data Secara Kemometrik Sebelum pembuatan model klasifikasi, perlakuan pendahuluan berupa pemrosesan sinyal dilakukan pada setiap spektrum yaitu normalisasi (absorbansi terkecil dibuat menjadi 0 dan absorbansi terbesar dibuat menjadi 1), koreksi garis dasar, dan dilanjutkan dengan pemulusan SavitzkyGolay. Klasifikasi dengan menggunakan data absorbansi pada spektrum yang telah dilakukan normalisasi dan koreksi garis datar pada bilangan gelombang 4000-400 cm-1. Analisis data dilakukan dengan menggunakan peranti lunak Unscrambler X 10.0.
6
HASIL DAN PEMBAHASAN Analisis FTIR dan KCKT Pengujian FTIR dilakukan pada simplisia jahe merah, jahe gajah, jahe emprit, lengkuas serta campuran antara simplisia jahe merah dan jahe emprit, jahe merah dan jahe gajah, serta jahe merah dan lengkuas. Setiap objek amatan tersebut diukur sebanyak 10 kali pengukuran menggunakan spektroskopi FTIR sehingga diperoleh 10 spektrum untuk tiap objek amatan. Spektrum FTIR tidak memiliki pola tertentu dan bersifat fluktuatif. Spektrum FTIR sampel dapat dilihat pada Gambar 3. Data spektrum FTIR yang digunakan berada pada kisaran bilangan gelombang 3996.21 sampai 399.24 cm-1. Hasil spektrum yang diperoleh dari keseluruhan simplisia memiliki kemiripan yang tinggi sehingga sangat sulit dibedakan. Menurut Chew et al.(2004) perbedaan spektrum dari tanaman yang sejenis tidak tampak dengan jelas dan pada umumnya tidak dapat dilihat dengan mata telanjang. Spektrum FTIR simplisia sampel terdapat pada Lampiran 2.
Gambar 3
Spektrum FTIR simplisia jahe emprit ( ), jahe gajah ( ), jahe merah ( ), lengkuas ( ), jahe merah + jahe emprit ( ), jahe merah + jahe gajah ( ) dan jahe merah + lengkuas ( )
Komposisi komponen kimia dari jahe dapat juga digunakan untuk melihat perbedaan antara varietas jahe. Komponen kimia utama pada jahe adalah gingerol dan shogaol. Gingerol merupakan senyawa utama pembentuk rasa pedas pada jahe. Semakin besar konsentrasi gingerol maka tingkat kepedasan dari jahe tersebut semakin besar pula.
Konsentrasi standar yang digunakan adalah 50 µg/mL 6-gingerol, 50 µg/mL 8gingerol, 50 µg/mL 10-gingerol, dan 25 µg/mL 6-shogaol. Waktu retensi untuk larutan standar berturut-turut untuk 6-, 8-, 10gingerol dan 6-shogaol adalah sebesar 12.14, 24.13, 29.563 dan 22.63 menit (Lampiran 3). Hasil penentuan kadar 6-gingerol, 8gingerol, 10-gingerol, dan 6-shogaol dapat dilihat pada Tabel 1. Tabel 1
Penentuan konsentrasi gingerol dengan KCKT Konsentrasi (µg/mL)
Larutan
6Gingerol
8Gingerol
10Gingerol
6Shogaol
Standard
50
50
50
25
JE
49.2245
25.0001
19.4540
13.0447
JG
20.2998
15.5979
9.9924
6.6709
JM
1.8828
2.8540
0.9665
2.3056
L
1.2119
6.3634
5.2333
3.1709
JM+JE
4.7888
2.7546
1.6467
1.9180
JM+JG
4.2571
2.7842
0.7699
1.8379
JM+L
1.4112
3.0364
1.1082
2.6706
Waktu retensi yang diperoleh untuk masing-masing sampel dapat dilihat pada Lampiran 4 dan 5. Jahe emprit memiliki konsentrasi 6-, 8-, 10-gingerol dan 6-shogaol yang paling tinggi di antara ketiga varietas jahe. Jahe merah memiliki konsentrasi yang terendah untuk keempat senyawa tersebut Rendahnya nilai konsentrasi gingerol pada jahe merah dapat disebabkan karena sampel yang digunakan sudah tidak segar, sedangkan gingerol dan shogaol akan terdapat banyak pada jahe yang masih segar (Ketaren & Djatmiko 1980). Jahe yang mengalami proses pengolahan dan pengeringan lebih lanjut, dapat juga memengaruhi nilai konsentrasi gingerol. Gingerol dapat berubah menjadi shogaol. Gingerol dapat pula terdegradasi lebih lanjut menjadi zingerone dan aldehida pada suhu lebih tinggi (Connel & Sutherland 1969). Reaksi perubahan gingerol menjadi shogaol dan zingeron dapat dilihat pada Lampiran 6. Reaksi-reaksi perusakan pada gingerol ini dapat menyebabkan rasa pedas pada jahe berkurang karena komponen pembentuk rasa pedas utama pada jahe, yaitu gingerol, telah terdegradasi menjadi senyawa lain.
7
Analisis Komponen Utama Analisis komponen Utama (PCA) dilakukan pada spektrum FTIR normal, spektrum turunan pertama dan spektrum turunan kedua kedua. Analisis ini dilakukan pada 7 jenis kelas sampel yaitu JE, JG, JM, L, JM+JE, JM+JG, dan JM+L dengan total observasi 70. Metode PCA menggunakan absorbans yang diperoleh dari spekrum FTIR sebagai “Predictor”. Absorbans yang digunakan sebanyak 1866 absorbans dengan kisaran absorbansi dari bilangan gelombang 3996.21 sampai 399.24 cm-1. Berdasarkan hasil analisis menggunakan metode PCA pada spektrum turunan pertama dan kedua hanya dapat dihasilkan 3 buah kelas klasifikasi seperti yang terlihat pada Gambar 4, yaitu kelas I yang berisi JM+JE, JM+JG, dan JM+L, kelas II yang berisi JE, JG, dan JM, dan kelas III yaitu L. Berdasarkan hasil tersebut, spektrum turunan pertama dan spektrum turunan kedua belum dapat digunakan untuk mengklasifikasi sampel dikarenakan pada satu buah kelas masih terdapat beberapa jenis sampel berbeda.
(a)
Banyaknya komponen utama yang digunakan untuk klasifikasi ini dapat di tentukan dengan proporsi dari tiap-tiap komponen utama. Proporsi dari tiap komponen utama untuk metode PCA baik untuk spektrum turunan pertama dan kedua dapat dilihat pada Lampiran 7 dan 8, dan nilai 5 buah komponen untama pertama untuk analisis PCA pada spectrum turunan pertama dan kedua dapat dilihat pada Lampiran 9 dan 10. Untuk kedua metode tersebut digunakan 2 komponen utama, yaitu PC-1 (komponen utama pertama) dan PC-2 (komponen utama kedua). Berdasarkan hasil analisis menggunakan metode PCA pada spektrum normal diperoleh 5 buah kelas klasifikasi seperti yang terlihat pada Gambar 5. Kelima kelas klasifikasi tersebut yaitu kelas I yang berisi JM+JL, kelas II yang berisi JM+JG, kelas III yang berisi JM+JE, kelas IV yang berisi JE, JG, dan JM, serta kelas V yang berisi L. Hasil analisis yang diperoleh sudah lebih baik dibandingkan hasil analisis pada spektrum turunan pertama dan kedua. Hal ini dapat dilihat dari banyaknya kelas klasifikasi yang diperoleh.
Gambar 5 Plot score PCA spektrum normal Analisis komponen utama juga dilakukan pada 3 jenis kelas sampel, yaitu JE, JM, dan JG untuk melihat keterpisahan diantara ketiga jenis kelas tersbut. Analisis komponen utama dilakukan pada spektrum normal dari masingmasing kelas sampel. Hasil analisis komponen utama pada ketiga jenis kelas tersebut dapat dilihat pada Gambar 6. Ketiga jenis sampel tersebut masih belum dapat dipisahkan dengan metode PCA. Hal ini dapat dilihat dari plot score yang dihasilkan.
Gambar 4
(b) (a) Plot score PCA spektrum turunan pertama, (b) Plot score spektrum turunan kedua
8
Tabel 2 Nilai R2 kalibrasi hasil PLSDA
Gambar 6 Plot score PCA spektrum normal sampel JE, JG dan JM Analisis komponen utama (PCA) dapat memisahkan 4 jenis kelas sampel yaitu, L dan sampel yang berupa campuran (JM+JE, JM+JG dan JM+L) kedalam kelas yang berbeda. Hanya saja metode PCA yang dilakukan pada spektrum normal belum dapat mengklasifikasikan sampel murni (JE, JG, dan JM) ke dalam kelas yang berbeda hal ini dapat disebabkan oleh kemiripan spektrum FTIR yang dihasilkan oleh ketiga jenis sampel tersebut. Banyaknya komponen utama yang digunakan untuk klasifikasi ini dapat di tentukan dengan proporsi dari tiap-tiap komponen utama. Proporsi dari tiap komponen utama untuk metode PCA baik untuk spektrum normal pada seluruh sampel dan sampel murni dapat dilihat pada Lampiran 11 dan 12, dan nilai 5 buah komponen untama pertama untuk analisis PCA pada spektrum normal pada seluruh sampel dan sampel murni dapat dilihat pada Lampiran 13 dan 14. Untuk kedua metode tersebut digunakan 2 komponen utama, yaitu PC-1 (komponen utama pertama) dan PC-2 (komponen utama kedua). Partial Least Square Discriminant Analysis (PLSDA) Analisis diskriminan kuadrat terkecil parsial (PLSDA) dilakukan pada spektrum FTIR normal, spektrum turunan pertama dan kedua. Analisis ini dilakukan pada 7 jenis kelas sampel yaitu, JE, JG, JM, L, JM+JE, JM+JG, dan JM+L dengan total observasi 70. Nilai R2 mengindikasikan mutu data antara konsentrasi nyata dan konsentrasi dugaan. Nilai R2 yang mendekati 1 menunjukkan bahwa antara konsentrasi nyata dan dugaan memiliki nilai yang sangat dekat. Nilai R2 yang tinggi dari sampel mengindikasikan bahwa model prediksi yang dibuat memiliki galat yang kecil
R2 Spektrum Turunan Pertama
Spektrum Turunan Kedua 0.9099
Sampel
Spektrum Normal
JE
0.9271
0.8081
JG
0.9094
0.8373
0.907
JM
0.9444
0.8072
0.9078
L
0.9987
0.9981
0.9961
JM+JE
0.8204
0.8359
0.9683
JM+JG
0.8522
0.8549
0.9667
JM+L
0.8891
0.8644
0.9926
Spektrum normal memiliki nilai R2 terkecil pada sampel JM+JE, yaitu sebesar 0.8204 dan terbesar pada sampel L, yaitu sebesar 0.9987. Spektrum turunan pertama memiliki nilai R2 terkecil pada sampel JM, yaitu sebesar 0.8071 dan terbesar pada sampel L, yaitu sebesar 0.9981. Spektrum turunan kedua memiliki nilai R2 terkecil pada sampel JG, yaitu sebesar 0.9070 dan terbesar pada sampel L, yaitu sebesar 0.9961 Nilai RMSEC hasil PLSDA untuk setiap sampel pada setiap spektrum dapat dilihat pada Tabel 3, sedangkan nilai RMSEP dapat dilihat pada Tabel 4. Spektrum normal memiliki nilai RMSEC terkecil pada sampel JE, yaitu sebesar 0.0944 dan terbesar pada sampel JM+JE, yaitu sebesar 0.1482. Spektrum turunan pertama memiliki nilai RMSEC terkecil pada sampel L, yaitu sebesar 0.015 dan terbesar pada sampel JM, yaitu sebesar 0.1536. Spektrum turunan kedua memiliki nilai RMSEC terkecil pada sampel L, yaitu sebesar 0.0217 dan terbesar pada sampel JG, yaitu sebesar 0.1067. Tabel 3 Nilai RMSEC hasil PLSDA RMSEC Spektrum Turunan Pertama
Spektrum Turunan Kedua
0.0944
0.1532
0.105
Sampel
Spektrum Normal
JE JG
0.1052
0.1411
0.1067
JM
0.0825
0.1536
0.1062
L
0.1221
0.015
0.0217
JM+JE
0.1482
0.1417
0.0622
JM+JG
0.1345
0.1332
0.0638
JM+L
0.1162
0.1288
0.0299
Berdasarkan pada nilai R2 kalibrasi dan nilai RMSEC yang diperoleh dari ketiga
9
model yang dibuat dari ketiga jenis spektrum (normal, turunan pertama dan turunan kedua), maka klasifikasi dilakukan pada spektrum turunan kedua. Hal ini dikarenakan spektrum turunan kedua nilai RMSEC yang lebih kecil dan R2 yang lebih besar diantara kedua jenis spektrum lainnya. Klasifikasi awal dilakukan pada 7 jenis kelas sampel yaitu L, JM, JE, JG, JM+JG, JM+JE, dan JM+L dengan total 70 observasi. Hasil analisis PLSDA dapat dilihat pada Lampiran 15.Dari hasil analisis tersebut diperoleh nilai R2 prediksi dan RMSEP (Tabel 4). Nilai R2 dan RMSEP dapat menentukan kebaikan dari klasifikasi yang dilakukan. 2
Tabel 4 Nilai R prediksi dan RMSEP seluruh sampel RMSEP
R2
JE
0.231
0.573
Sampel
JG
0.2208
0.6374
JM
0.2183
0.585
L
0.0573
0.9757
JM+JE
0.202
0.6739
JM+JG
0.1916
0.7308
JM+L
0.1007
0.9167
Kelas sampel L dapat terklasifikasi dengan baik dari kelas lainnya. Hal ini dilihat dari nilai R2 prediksi dan RMSEP yang dihasilkan yaitu sebesar 0.9757 dan 0.0573. sedangkan sampel murni (JE, JM dan JG) serta sampel campuran (JM+JE, JM+JG, dan JM+L) belum dapat terklasifikasi dengan baik. Klasifikasi berikutnya dilakukan pada tiga jenis kelas sampel murni yaitu JM, JE, dan JG. Klasifikasi ini dilakukan untuk melihat keterpisahan diantara ketiga sampel tersebut. Hasil analisis PLSDA untuk jenis sampel murni dapat dilihat pada Lampiran 16. Tabel 5 Nilai R2 prediksi dan RMSEP sampel JE, JG dan JM Sample
RMSEP
R2
JE
0.1001
0.9518
JG
0.0873
0.9672
JM
0.0854
0.9642
Nilai R2 prediksi dan RMSEP yang dihasilkan untuk untuk sampel JE, JG dan JM dapat dilihat pada Tabel 5. Berdasarkan nilai R2 prediksi dan RMSEP yang dihasilkan ketiga jenis sampel tersebut sudah dapat
terklasifikasi kedalam tiga kelas klasifikasi yang berbeda. Sampel campuran yang berupa JM+JE, JM+JG dan JM+L juga dilakukan analisis untuk melihat keterpisahan diantara ketiga jenis sampel tersebut. Hasil analisis PLSDA untuk jenis sampel murni dapat dilihat pada Lampiran 17. Nilai R2 prediksi dan RMSEP yang dihasilkan untuk ketiga jenis kelas sampel tersebut dapat dilihat pada Tabel 6. Table 6 Nilai R2 prediksi dan RMSEP sampel JM+JE, JM+JG dan JM+L Sample
RMSEP
R2
JM+JE
0.2199
0.7591
JM+JG
0.2253
0.7804
JM+L
0.1706
0.8222
Ketiga jenis sampel campuran tersebut belum dapat terklasifikasi dengan sempurna. Hal ini dapat dilihat dari nilai R2 prediksi yang dihasilkan yaitu 0.7591, 07804 dan 0.8222 masing-masing untuk JM+JE, JM+JG dan JM+L.
Gambar 7. Box plot konsentrasi 6-, 8-, 10gingerol dan 6-shogaol seluruh sampel Belum dapatnya terklasifikasi diantara ketiga jenis sampel campuran tersebut juga dapat dibuktikan dari komposisi 6-, 8-, 10gingerol dan 6-shogaol ketiga jenis sampel tersebut yang tidak berbeda jauh.
SIMPULAN DAN SARAN Simpulan Teknik spektroskopi FTIR yang digabungkan dengan aplikasi kemometrik
10
sudah dapat digunakan untuk melakukan diferensiasi pada jahe. Analisis komponen utama pada spektrum FTIR normal sudah dapat membedakan antara sampel murni dan sampel campuran. Hanya saja metode ini belum dapat memisahkan jenis kelas sampel murni yaitu JE, JG dan JM. Analisi menggunakan metode PLSDA sudah dapat memisahkan jenis kelas sampel murni yang berupa JE, JG, dan JM tetapi belum dapat memisahkan jenis kelas sampel campuran Saran
Herliana S. 2008. Penentuan Simultan Kadar Kafein, Vitamin B1, B2, dan B6 dengan Teknik Spetroskopi UV-Vis Melalui Pendekatan Kalibrasi Multivariat. [Skripsi] Bogor: Departemen Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
Diferensiasi dan klasifikasi perlu dilakukan pada tanaman jahe yang masih segar untuk melihat pengaruh besarnya konsentrasi senyawa aktif yang terdapat pada tanaman tersebut. Perlu dilakukan analisis diskriminan lebih lanjut dengan metode diskriminasi yang lain.
Kikuzaki H. Nakatani N. 1993. Antioxidant effects of some ginger constituents. J. Food Science. 58: 1.407−1.410.
DAFTAR PUSTAKA
Ketaren, S. Djatmiko, B. 1980. Minyak Atsiri Bersumber dari Akar dan Batang. Fakultas Teknologi Hasil Pertanian. Institut Pertanian Bogor. Bogor.
Liang Xin-Mao, Yu Jin, Yan-ping Wang, Gao-wa Jin, Qing Fu, Yuan-sheng Xiao. 2008. Qualitative and quantitative analysis in quality control of traditional Chinese medicines. J.Chroma. 026:2033-2044
Brereton RG. 2000. Introduction to multivariate calibration in analytical chemistry. Analyst 125:2125-2154
Lohninger H. 2004. Multivariate calibration.[terhubung berkala]. http://www.vias.org/tmdatanaleng/cc_mult ivaritae.html [20 Februari 2010]
Chew OS, Hamdan MR, Ismail Z, Ahmad MN. 2004. Assessment of herbal medicines by chemometrics-assisted interpretation of FTIR spectra. J Anal Chim Acta, in press.
Matondang I. 2005. Zingiber officinale L. Pusat Penelitian dan Pengembangan Tumbuhan Obat UNAS.
Christian GD. 1986. Analytical Chemistry. Ed ke-4. New York: J Wiley. Connel DW, MD Sutherland. 1969. A Reexamination of Gingerol, Shogaol, and Zingerone, the Pungent Compound of Ginger (Zingiber Officianale Roscoe). J. Aust. Chem. 22:1033-1043. George B, McIntyre P. 1987. Infrared Spectroscopy. London: J Wiley. Hakim F. 2010. Penerapan Metode Transformasi Wavelet Diskret dan Partial Least Square Discriminant Analysis (PLSDA) Untuk Klasifikasi Komponen Obat Bahan Alam (Studi Kasus: Obat Bahan Alam/Fitofarmaka Penurun Tekanan Darah). [Skripsi]. Bogor: Departement Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
Meilinda M. 2008. Optimasi Formula Tablet Hisap Jahe merah (Zingiber officinale Roxb) Dengan Kombinasi LaktosaSorbitol Sebagai Bahan Pengisi Dengan Metode Simplex Lattice Design [Skripsi]. Surakarta: Fakultas Farmasi Universitas Muhammadiyah Surakarta. Miller JC, Miller JN. 2000. Statistic and Chemometrics for Analytical Chemistry. Ed ke-4. Harlow: Pearson Education. Nur MA, Adijuwana H. 1989. Teknik Spektroskopi dalam analisis Biologi. Bogor: PAU IPB. Samiuela Lee, Cheang K, Clynton WH, Thuy H, Bensoussan A. 1797. Liquid Chromatographic Determination of 6-, 8-, 10-Gingerol, And 6-Shogaol in Ginger (Zingiber officianale) As The Raw Herb And Dried Aqueous Extract. Australia: University of Western Sidney.
11
Shukla Y, Singh M. 2007. Cancer preventive properties of ginger : a brief review. J Food Chem Toxicol. 45(5) :683-690. Skoog DA, Holler FJ, Nieman TA. 1998. Principles of Instrumental Analysis. Ed ke5. Philadelphia: Harcourt Brace. Stchur P, Cleveland D, Zhou J. Michel RG. 2002. A review of recent applications of near infared spectroscopy, and the characteristic of a novel PbS CCD arraybased near infrared spectrometer. Appl Spect Rev 37:383-428. Urbano et al. 2005. Ultraviolet–visible spectroscopy and pattern recognition methods for differentiation and classification of wines. J.foodchem. 97:166–175 Yulianti N. 2009. Penerapan Diskriminan Kanonik Pada Komponen Kimia Aktif Tanaman Obat Herbal (Temulawak, Bangle, Kunyit). [Skripsi]. Bogor: Departement Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Zakaria FR, Rajab TM 1999. Pengaruh ekstrak jahe (Zingiber officinale Roscoe) terhadap produksi radikal bebas makrofag mencit sebagai indikator imunostimulan secara in vitro. Persatuan Ahli Pangan Indonesia (PATPI). Prosiding Seminar Nasional Teknologi Pangan: 707−716.
12
LAMPIRAN
13
Lampiran 1 Diagram Alir Kerja Penelitian
Pembuatan serbuk jahe
Pembuatan serbuk jahe tunggal
Pembuatan serbuk jahe campuran
95% JM + 5% JG
95% JM + 5% JE
95% JM + 5% L
Analisis
Penentuan Konsentrasi 6-, 8-, 10gingerol dan 6-shogaol menggunakan KCKT
Analisis menggunakan FTIR
Analisis Statistika
PCA
PLSDA
Keterangan: JM = Jahe Merah, JG = Jahe Gajah, JE = Jahe Emprit, L = Lengkuas
14
Lampiran 2 Spektrum FTIR seluruh sampel
.
15
Lampiran 3 Kromatogram dan Hasil Pengukuran KCKT Larutan Standar
Retention Time
Area
Area %
Height
Height %
3.46
13244
0.15
835
0.21
4.547
82812
0.93
1849
0.46
4.643
13552
0.15
1769
0.44
5.993
167414
1.88
2576
0.64
6.703
118629
1.33
2637
0.66
6.853
34382
0.39
2600
0.65
7.143
42009
0.47
2562
0.64
7.51
147191
1.65
2704
0.67
8.397
36461
0.41
1782
0.44
8.76
31590
0.35
1540
0.38
9.133
10491
0.12
1266
0.31
9.28
10022
0.11
1176
0.29
9.847
214274
2.41
7595
1.89
10.903
44194
0.5
1299
0.32
12.14
1632010
18.33
56799
14.13
13.247
370
0
61
0.02
13.547
482
0.01
64
0.02
13.627
220
0
51
0.01
13.987
165
0
36
0.01
14.233
469
0.01
55
0.01
14.47
561
0.01
49
0.01
14.727
611
0.01
54
0.01
15.107
1868
0.02
101
0.03
15.337
714
0.01
96
0.02
15.427
266
0
59
0.01
15.517
212
0
59
0.01
16.16
3861
0.04
195
0.05
16.23
1275
0.01
174
0.04
16.403
487
0.01
120
0.03
16.54
386
0
57
0.01
17.143
1657
0.02
103
0.03
17.253
686
0.01
70
0.02
17.993
382
0
48
0.01
16
Lampiran 3 Kromatogram dan Hasil Pengukuran KCKT Larutan Standar (Lanjutan) 18.48
310
0
49
0.01
18.62
396
0
61
0.02
18.863
358
0
57
0.01
19.07
244
0
54
0.01
19.75
1227
0.01
54
0.01
19.81
86
0
43
0.01
19.96
164
0
45
0.01
20.973
71658
0.8
3404
0.85
21.48
217
0
68
0.02
22.63
886802
9.96
45256
11.25
24.13
1943362
21.82
98076
24.39
25.173
1156
0.01
185
0.05
25.5
2259
0.03
160
0.04
26.193
17084
0.19
780
0.19
26.673
71
0
31
0.01
26.787
353
0
59
0.01
26.917
185
0
76
0.02
26.947
189
0
59
0.01
27.047
317
0
65
0.02
27.177
189
0
46
0.01
27.327
157
0
38
0.01
27.437
346
0
53
0.01
27.727
970
0.01
81
0.02
28.263
86744
0.97
4628
1.15
28.947
4849
0.05
291
0.07
29.563
1529485
17.17
79533
19.78
30.623
14416
0.16
791
0.2
31.053
58009
0.65
1215
0.3
31.873
5884
0.07
543
0.14
32.107
3123
0.04
497
0.12
32.997
93003
1.04
2511
0.62
33.13
15393
0.17
2496
0.62
33.263
28603
0.32
2484
0.62
33.6
102834
1.15
2911
0.72
34.477
5333
0.06
354
0.09
35.11
4475
0.05
259
0.06
35.2
1423
0.02
259
0.06
35.477
12353
0.14
458
0.11
35.993
2890
0.03
188
0.05
36.403
54
0
29
0.01
36.863
4389
0.05
250
0.06
36.92
1028
0.01
216
0.05
37.183
3225
0.04
284
0.07
17
Lampiran 3 Kromatogram dan Hasil Pengukuran KCKT Larutan Standar (Lanjutan) 38.52
106145
1.19
1665
0.41
39.583
7881
0.09
398
0.1
39.913
516
0.01
96
0.02
40.083
469
0.01
106
0.03
40.15
548
0.01
119
0.03
40.227
302
0
116
0.03
40.32
886
0.01
125
0.03
40.447
579
0.01
90
0.02
40.623
123
0
46
0.01
41.05
285
0
57
0.01
41.157
157
0
50
0.01
41.273
168
0
39
0.01
41.693
1086
0.01
86
0.02
41.817
490
0.01
103
0.03
41.873
260
0
81
0.02
41.947
420
0
70
0.02
42.1
375
0
49
0.01
43.24
98468
1.11
3442
0.86
43.603
65498
0.74
2651
0.66
44.013
46817
0.53
1981
0.49
44.56
42247
0.47
2075
0.52
44.78
39370
0.44
2028
0.5
45.413
191547
2.15
6034
1.5
46.093
21732
0.24
2537
0.63
46.39
41221
0.46
2612
0.65
46.96
100315
1.13
3443
0.86
47.087
25430
0.29
3463
0.86
47.187
22662
0.25
3443
0.86
47.337
60673
0.68
3494
0.87
48.357
398853
4.48
14331
3.56
49.383
66984
0.75
4853
1.21
49.837
177
0
35
0.01
18
Lampiran 4. Kromatogram, Hasil Pengukuran dan Perhitungan konsentrasi 6-, 8-, 10-gingerol dan
6-shogaol (a) Jahe Merah, (b) Jahe Gajah, (c) Jahe Emprit, (d) Lengkuas, (e) Jahe Merah + Jahe Gajah, (f) Jahe Merah + Jahe Emprit, (g) Jahe Merah + Lengkuas
(a)
(b)
(c)
(d)
19
Lampiran 4. Kromatogram, Hasil Pengukuran dan Perhitungan konsentrasi 6-, 8-, 10-gingerol dan
6-shogaol (a) Jahe Merah, (b) Jahe Gajah, (c) Jahe Emprit, (d) Lengkuas, (e) Jahe Merah + Jahe Gajah, (f) Jahe Merah + Jahe Emprit, (g) Jahe Merah + Lengkuas
(e)
(f)
(g)
20
Lampiran 5 Tabulasi Pengukuran dan Perhitungan Konsentrasi 6-, 8-, 10-Gingerol dan 6-Shogaol Jahe Merah, Jahe Gajah, Jahe Emprit, Lengkuas, Jahe Merah
+ Jahe Gajah, Jahe Merah + Jahe Emprit dan Jahe Merah + Lengkuas
Waktu Retensin(menit) 8106Gingerol Gingerol Shogaol 24.13 29.563 22.63
6Gingerol 1632010
Luas Area 810Gingerol Gingerol 1943362 1529485
6Shogaol 886802
6Gingerol 50
Konsentrasi (µg/mL) 810Gingerol Gingerol 50 50
Standard
6Gingerol 12.14
JE
12.463
24.3
29.693
22.817
1606700
971686
595094
462726
49.2245
25.0001
19.4540
13.0447
JG
12.537
24.313
29.713
22.817
662592
606250
305666
236631
20.2998
15.5979
9.9924
6.6709
JM
12.617
24.45
29.717
22.85
61458
110928
29565
81786
1.8828
2.8540
0.9665
2.3056
L
12.313
24.073
29.653
22.647
39558
247328
160087
112481
1.2119
6.3634
5.2333
3.1709
JM+JE
12.35
24.273
29.647
22.733
156309
107065
50375
68037
4.7888
2.7546
1.6467
1.9180
JM+JG
12.577
24.397
29.74
22.867
138953
108216
23552
65195
4.2571
2.7842
0.7699
1.8379
JM+L
12.667
24.42
29.733
22.887
46064
118017
33900
94734
1.4112
3.0364
1.1082
2.6706
Contoh perhitungan: Konsentrasi 6-gingerol Jahe Emprit (JE) = Konsentrasi 6-gingerol
= 50 µ /
× ×
= 49.2245 µg/mL
6Shogaol 25
21
Lampiran 6 Reaksi Degradasi Gingerol
OH OCH
3
OH
CH3(CH2)nCHO
+ OCH
O
3
CH3
Zingeron
O
OH
O H
n
H 3C
O CH
3
Gingerol (n = 4, 6, 8)
6-gingerol 8-gingerol 10-gingerol
n 4 6 8
O
H 3C
n
Shogaol (n = 4, 6, 8)
6-shogaol 8-shogaol 10-shogaol
n 4 6 8
22
Lampiran 7 Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Turunan Pertama Seluruh Sampel
Lampiran 8 Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Turunan Kedua Seluruh Sampel
23
Lampiran 9 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Pertama Seluruh Sampel
L L L L L L L L L L JM JM JM JM JM JM JM JM JM JM JG JG JG JG JG JG JG JG JG JG JE JE JE JE JE JE JE JE JE JE JM+JE
PC-1 -5.76473 -6.84404 -6.83359 -4.41868 -4.20345 -4.17165 -8.2816 -8.24449 -7.92324 -7.93944 -4.43388 -4.74516 -4.41696 -4.8272 -4.831 -4.82489 -4.82675 -4.55808 -4.57624 -4.55938 -4.38317 -4.36114 -4.37074 -4.13817 -4.13735 -3.76268 -3.75321 -4.13799 -4.12791 -4.13183 -4.18953 -4.19347 -4.28299 -4.29812 -4.27855 -4.23098 -4.22066 -3.68392 -3.68296 -3.68467 5.796762
PC-2 -6.56572 -5.38843 -5.39207 -2.68416 -4.88167 -4.85848 -3.63061 -3.62677 -5.92887 -5.92859 2.005976 2.131232 2.01016 2.175438 2.183281 2.069178 2.072264 2.059133 2.073965 2.064067 1.800225 1.796887 1.803354 1.703008 1.703454 1.841987 1.838693 2.108371 2.104743 2.107321 1.8695 1.874672 1.943728 1.956125 1.943075 1.930144 1.924865 1.809964 1.809386 1.810464 -0.22049
PC-3 0.064774 -0.5475 -0.53651 0.256398 0.196198 0.196909 0.310286 0.311684 -0.03527 -0.05779 0.015283 0.077579 0.105892 0.143852 0.134778 0.170549 0.166833 0.109881 0.099296 0.104696 0.065079 0.051977 0.060612 -0.01861 -0.01815 -0.00247 -0.0106 0.015798 0.009945 0.013072 0.065593 0.062045 0.083071 0.070313 0.079694 0.10757 0.108333 0.001023 0.003407 0.006017 0.680713
PC-4 -0.57134 0.460827 0.462959 -1.15654 -3.066 -3.04233 3.254243 3.251083 0.202764 0.162186 -0.03249 0.139674 -0.02489 0.225662 0.219548 0.143865 0.139125 0.010132 0.006334 0.007251 -0.10125 -0.11215 -0.10535 -0.16344 -0.1634 -0.2574 -0.26283 -0.06807 -0.07221 -0.06917 -0.03946 -0.03943 -0.09134 -0.09393 -0.09359 -0.12077 -0.11985 -0.32242 -0.3217 -0.31889 -0.20558
PC-5 -0.19883 -0.23967 -0.21365 0.477947 0.766587 0.748241 -0.63821 -0.63855 0.058694 0.085871 0.174111 0.192617 0.157998 0.069256 0.083911 0.167324 0.170797 0.182607 0.204569 0.191057 0.024022 0.033826 0.02764 -0.03763 -0.03781 -0.04335 -0.0345 -0.00425 0.000181 -0.00183 0.08096 0.093994 0.112322 0.143293 0.119791 0.075422 0.075553 -0.03225 -0.03136 -0.02959 -0.94564
PC-6 1.379412 1.883559 1.863892 -1.7711 -0.97716 -0.97164 -1.29452 -1.28896 -0.19958 -0.2475 -0.04838 -0.31834 -0.16342 -0.3268 -0.32596 -0.43345 -0.43513 -0.13813 -0.1414 -0.14025 -0.00056 0.009475 -0.00067 0.258144 0.256642 0.432455 0.438167 0.127194 0.132475 0.128917 0.227753 0.22662 0.192301 0.192354 0.192517 0.268577 0.268791 0.408709 0.408401 0.405411 -0.0642
PC-7 -0.85716 0.927168 0.929066 1.487321 0.191093 0.184353 0.403954 0.396374 -1.31628 -1.23007 -0.13828 -0.2473 -0.17538 -0.32618 -0.30171 -0.22041 -0.20929 -0.16092 -0.13169 -0.14908 0.024164 0.055044 0.032427 0.169421 0.168454 0.161373 0.182671 -0.04438 -0.03002 -0.0387 -0.01545 -0.00199 0.030496 0.0698 0.04182 -0.00496 -0.00769 0.149694 0.150323 0.145954 0.236903
24
Lampiran 9 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Pertama Seluruh Sampel (Lanjutan)
JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L
6.314261 5.689626 6.210654 5.689639 6.210653 5.689628 6.210653 5.689624 6.210653 6.396153 6.123127 5.820811 5.469415 5.82081 5.820803 5.820811 5.820813 5.820814 5.82081 7.665997 5.833963 7.666023 7.665997 7.665997 7.665996 7.665997 7.665994 7.66599 7.665997
-0.26092 -0.23625 -0.29045 -0.23625 -0.29045 -0.23626 -0.29045 -0.23626 -0.29046 -0.32789 -0.12307 -0.18189 -0.00069 -0.18189 -0.18202 -0.18177 -0.18191 -0.1819 -0.18201 -0.57517 -0.14948 -0.57517 -0.57517 -0.57517 -0.57517 -0.57517 -0.57517 -0.57517 -0.57517
0.883077 1.312381 1.584627 1.312384 1.584627 1.312386 1.584629 1.312379 1.58463 0.79997 0.368537 -3.23839 -3.35531 -3.2384 -3.23844 -3.23838 -3.23839 -3.2384 -3.23844 0.999168 0.669777 0.999174 0.999168 0.999168 0.999168 0.999168 0.999167 0.999167 0.999168
-0.10045 -0.33322 -0.26682 -0.33322 -0.26682 -0.33323 -0.26683 -0.33323 -0.26682 0.099726 -0.25972 0.095515 -0.32277 0.095513 0.095493 0.095523 0.095515 0.095522 0.09558 0.546273 -0.25152 0.546277 0.546272 0.546273 0.546273 0.546273 0.546272 0.546271 0.546273
-0.86436 -0.98585 -1.07123 -0.98584 -1.07123 -0.98584 -1.07123 -0.98585 -1.07124 -0.18779 -0.96651 -0.04003 -0.69882 -0.04002 -0.04002 -0.04 -0.04004 -0.04004 -0.04008 1.198967 -0.95616 1.198976 1.198966 1.198966 1.198967 1.198966 1.198965 1.198965 1.198967
-0.12024 0.01036 -0.07097 0.010357 -0.07097 0.010344 -0.07099 0.010363 -0.07097 -0.069 -0.15087 -0.13151 -0.07715 -0.13152 -0.13154 -0.13152 -0.1315 -0.13149 -0.13147 0.133011 -0.0314 0.133006 0.13301 0.133011 0.133011 0.133011 0.133011 0.133012 0.133011
-0.36947 0.335656 -0.38027 0.335647 -0.38027 0.335562 -0.38028 0.335623 -0.3803 0.120713 0.002085 -0.03825 -0.05168 -0.03828 -0.03928 -0.03737 -0.03841 -0.03833 -0.03891 0.002875 0.18901 0.002874 0.002875 0.002874 0.002875 0.002875 0.002875 0.002874 0.002875
25
Lampiran 10 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Kedua Seluruh Sampel
L L L L L L L L L L JM JM JM JM JM JM JM JM JM JM JG JG JG JG JG JG JG JG JG JG JE JE JE JE JE JE JE JE JE JE JM+JE
PC-1 -1.69678 -3.0101 -2.98876 -2.02329 -2.13376 -2.15832 -3.5364 -3.52715 -3.2585 -3.70335 -2.87746 -3.10321 -2.9993 -3.47642 -3.49352 -3.12839 -3.15523 -3.02672 -3.06887 -3.0415 -3.00519 -3.04881 -3.0246 -2.90864 -2.90563 -2.53639 -2.56478 -2.73272 -2.73942 -2.72713 -2.70517 -2.71402 -2.83012 -2.89717 -2.83989 -2.75112 -2.7179 -2.60703 -2.59258 -2.56921 4.125209
PC-2 -4.97256 -4.64929 -4.66797 -2.30934 -4.66645 -4.70992 -2.16067 -2.14462 -4.7022 -5.06165 1.308424 1.395166 1.350257 1.522513 1.50443 1.300636 1.303052 1.353782 1.350854 1.349489 1.28704 1.280348 1.300132 1.249681 1.251441 1.328407 1.322819 1.448601 1.438026 1.440832 1.27454 1.264227 1.261487 1.264094 1.263679 1.265551 1.253852 1.307771 1.300637 1.29527 -0.01357
PC-3 -0.19418 0.211776 0.156889 -0.03597 -0.26916 -0.23387 -0.76194 -0.72758 -0.45402 -0.65284 -0.12077 -0.18342 -0.15528 -0.30061 -0.30349 -0.25681 -0.24069 -0.19415 -0.17791 -0.18697 -0.10454 -0.12913 -0.05547 -0.05751 -0.06055 0.032214 0.037137 -0.01023 -0.02305 -0.03057 -0.04651 -0.08655 -0.15492 -0.18031 -0.14471 -0.10667 -0.12535 -0.00721 -0.03196 -0.03043 -0.73902
PC-4 0.359953 -0.07049 -0.3203 0.051487 0.31967 0.448437 -0.68735 -0.55327 -0.2794 -0.56119 -0.1679 -0.04817 0.101603 -0.11164 -0.21437 0.00287 0.007666 -0.09591 -0.1338 -0.11341 0.063775 -0.07724 0.178155 -0.19494 -0.19135 0.162759 0.094956 0.151735 0.069696 0.081286 0.195504 0.05628 -0.18394 -0.33811 -0.16334 -0.0744 -0.10798 0.151393 0.097193 0.10145 -0.12431
PC-5 0.820509 -0.54663 -0.61307 0.151215 1.427101 1.49492 -1.67428 -1.66618 -0.2654 -0.22984 0.197236 -0.06749 -0.10172 -0.22255 -0.08873 -0.1884 -0.10554 0.063984 0.223513 0.121364 0.04539 0.169605 0.135322 0.271394 0.253971 0.159407 0.261137 0.009209 0.045402 -0.00972 0.012412 0.004801 0.15965 0.291002 0.206149 0.080969 0.005469 0.11592 0.08668 0.046385 0.039939
PC-6 -0.62834 0.022425 -0.02333 0.137821 -1.3227 -1.28403 2.233093 2.234009 0.219446 0.04668 -0.01178 -0.02874 -0.16204 0.073826 0.163545 -0.01955 0.032131 -0.02358 0.085704 0.016404 -0.10082 -0.01472 -0.04871 -0.03012 -0.04325 -0.23049 -0.16739 -0.17016 -0.14644 -0.18195 -0.2095 -0.21385 -0.09463 -0.00933 -0.06519 -0.19535 -0.24302 -0.3193 -0.33643 -0.36617 0.268353
PC-7 0.125205 2.555012 2.487501 -0.49974 -0.97142 -1.01749 -0.72959 -0.74852 -0.7118 -1.15304 0.004367 -0.1436 -0.10049 -0.22607 -0.18888 -0.19435 -0.18023 -0.04687 -0.01088 -0.03519 -0.00642 0.033091 0.003758 0.123201 0.121331 0.17813 0.19851 0.039669 0.051315 0.042216 0.103602 0.111116 0.10339 0.143782 0.116081 0.08662 0.075642 0.186533 0.190188 0.179294 0.00893
26
Lampiran 10 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Kedua Seluruh Sampel (Lanjutan)
JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L
3.415915 3.725315 3.353934 3.725316 3.353903 3.72529 3.353964 3.725474 3.35386 3.747081 3.556756 2.584185 2.850135 2.584248 2.584271 2.584605 2.584051 2.584179 2.584213 4.940369 6.25878 4.940595 4.9404 4.940375 4.940433 4.940378 4.940407 4.940465 4.940411
-0.08396 0.008964 -0.08306 0.008937 -0.08306 0.009073 -0.08288 0.008917 -0.08317 -0.08015 0.038462 -0.14875 -0.0948 -0.1487 -0.14938 -0.14763 -0.14904 -0.14912 -0.15123 0.14027 0.519202 0.14032 0.14028 0.140272 0.140285 0.140274 0.140277 0.140291 0.140279
-0.07007 -0.78087 -0.43384 -0.78082 -0.43387 -0.78125 -0.43382 -0.78051 -0.43423 -0.52382 0.188277 2.973223 3.623846 2.973646 2.97491 2.975033 2.972361 2.973738 2.977115 -1.11502 -2.00726 -1.11515 -1.11504 -1.11502 -1.11505 -1.11503 -1.11504 -1.11508 -1.11507
0.898044 1.291589 2.314536 1.291579 2.314532 1.291843 2.314616 1.29151 2.314708 -0.70858 1.099882 -0.27536 -0.3985 -0.27553 -0.27673 -0.27532 -0.27521 -0.27562 -0.2764 -1.16895 -0.7478 -1.16904 -1.16898 -1.16896 -1.16899 -1.16896 -1.16898 -1.16898 -1.16899
-1.17364 1.518796 -1.27249 1.518763 -1.27248 1.51902 -1.27235 1.519109 -1.27254 0.045869 0.129778 0.001475 -0.10531 0.001644 0.002774 0.001529 0.001254 0.001213 -0.00117 -0.0952 -0.15502 -0.09519 -0.09519 -0.09519 -0.09519 -0.09519 -0.09519 -0.09519 -0.09519
-0.76175 1.353577 -0.52913 1.353607 -0.52914 1.353348 -0.52914 1.353902 -0.52921 0.005446 0.117548 0.163353 -0.03445 0.163436 0.163151 0.164274 0.163055 0.163745 0.167136 -0.31278 0.1998 -0.3128 -0.31278 -0.31278 -0.31278 -0.31278 -0.31278 -0.31279 -0.31279
-0.2599 0.259327 -0.11129 0.259316 -0.11125 0.258516 -0.1115 0.259701 -0.11108 0.051792 0.006819 -0.11541 -0.17361 -0.11608 -0.12317 -0.11285 -0.11516 -0.11444 -0.11342 0.060608 -0.25565 0.060602 0.060604 0.060605 0.060607 0.060607 0.060604 0.060603 0.060603
27
Lampiran 11 Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Normal Seluruh Sampel
Lampiran 12 Plot Proporsi 7 Komponen Utama Pertama PCA Spektrum Normal JE, JG dan JM
28
Lampiran 13 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal Seluruh Sampel
L L L L L L L L L L JM JM JM JM JM JM JM JM JM JM JG JG JG JG JG JG JG JG JG JG JE JE JE JE JE JE JE JE JE JE
PC-1 -9.36025 -10.064 -10.0629 -8.1589 -9.06435 -9.03452 -9.62269 -9.55458 -10.9897 -11.0734 -4.97225 -4.08307 -3.79399 -3.31773 -3.31817 -3.09406 -3.08259 -3.09058 -3.10483 -3.09488 -3.99036 -3.98855 -3.96373 -4.35097 -4.34122 -3.63942 -3.64515 -3.97718 -3.98193 -3.96005 -3.61279 -3.60974 -3.57284 -3.59601 -3.56102 -3.50112 -3.50251 -4.17821 -4.1913 -4.20732
PC-2 2.920959 3.917585 3.943455 1.772889 2.529928 2.609228 2.377942 2.441317 3.149585 3.528721 -1.12932 -0.70073 -0.7877 -0.61472 -0.63672 -0.56854 -0.56429 -0.39433 -0.42919 -0.42271 -1.30725 -1.33434 -1.31425 -0.65673 -0.65491 -0.06011 -0.08411 -0.6674 -0.68236 -0.65852 -0.4345 -0.45122 -1.16058 -1.19987 -1.16166 -1.27792 -1.28853 -0.919 -0.93699 -0.95658
PC-3 -2.83472 -2.13708 -2.10722 -0.54001 -1.41436 -1.36843 -2.27848 -2.21291 -2.36305 -2.25002 1.169631 1.626187 1.734016 1.406049 1.410811 1.535122 1.550724 1.839699 1.83285 1.83983 0.443245 0.453304 0.475908 1.028401 1.036862 2.261517 2.260266 2.037154 2.04211 2.061687 1.656626 1.663232 0.94784 0.932099 0.961193 0.793472 0.794639 1.683337 1.677249 1.664947
PC-4 0.569424 0.267573 0.28773 0.820703 1.293293 1.304001 -0.21672 -0.19521 -0.31044 -0.3171 -0.29086 -0.04833 0.03356 0.027896 0.02462 0.137139 0.135621 0.137956 0.132629 0.139381 -0.08448 -0.08715 -0.07686 -0.15511 -0.15163 -0.03443 -0.03892 -0.1935 -0.19543 -0.1907 0.124073 0.126387 0.048121 0.042676 0.05147 0.018384 0.024721 -0.09679 -0.09479 -0.08819
PC-5 -0.6837 -0.49116 -0.4976 0.973414 1.920375 1.938301 -1.16091 -1.15634 -0.1243 -0.11081 0.419166 0.194283 0.316491 -0.33938 -0.33604 -0.0761 -0.06805 -0.0508 -0.05415 -0.04967 -0.61219 -0.60832 -0.60095 -0.37461 -0.37053 0.493204 0.492883 0.296568 0.297323 0.306193 -0.09222 -0.09013 -0.49227 -0.50328 -0.48932 -0.57205 -0.57733 0.299458 0.29669 0.289779
PC-6 0.225679 0.437731 0.441087 -1.01213 -0.29985 -0.28197 -0.09644 -0.07879 0.220181 0.216772 0.350577 0.221473 0.35931 -0.14388 -0.15269 0.138493 0.139874 0.095463 0.077709 0.089069 -0.41381 -0.42537 -0.40762 -0.32339 -0.31767 0.439227 0.426183 0.191199 0.182832 0.197671 0.073722 0.07106 -0.29037 -0.3154 -0.29084 -0.30388 -0.30758 0.159345 0.155054 0.153105
PC-7 0.311908 0.098299 0.099414 -0.59032 0.33204 0.329443 -0.54514 -0.54335 -0.01491 -0.04126 -0.47045 -0.19144 -0.12645 0.186175 0.190346 0.215013 0.216006 0.16803 0.172167 0.170783 0.154994 0.159357 0.156947 -0.00973 -0.00884 -0.09402 -0.08978 -0.23145 -0.23018 -0.23193 0.05107 0.052554 0.212933 0.216032 0.214157 0.283964 0.283948 -0.2587 -0.25933 -0.2613
29
Lampiran 13 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal Seluruh Sampel (Lanjutan)
JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JE JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+JG JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L JM+L
3.188579 5.244026 3.094776 5.148839 2.999438 5.0535 2.904102 4.958162 2.808765 4.862829 9.076515 1.20925 8.296484 0.435897 7.53628 6.728512 6.776034 4.84076 4.578429 4.08058 14.37251 3.702267 14.04698 11.28268 13.72145 10.95715 13.39593 10.63162 13.0704 10.30609
-0.97748 0.368592 -1.12352 0.222618 -1.27092 0.075218 -1.41832 -0.07218 -1.56572 -0.21958 2.327451 -1.97903 1.164419 -3.14692 -0.01091 -1.25988 -1.18616 -4.17842 -4.584 -5.35379 5.147904 -0.71809 4.644616 0.370799 4.141326 -0.13249 3.638038 -0.63578 3.134748 -1.13907
-1.76736 -0.58789 -1.82305 -0.64223 -1.87903 -0.69821 -1.935 -0.75418 -1.99098 -0.81016 0.32573 -1.81944 -0.0961 -2.25623 -0.54245 -1.01674 -0.98881 -2.12511 -2.27914 -2.57145 1.641312 -1.51288 1.450181 -0.17286 1.259049 -0.36399 1.067919 -0.55512 0.876787 -0.74626
-1.06506 -0.74691 -1.03659 -0.71992 -0.99958 -0.68291 -0.96257 -0.6459 -0.92555 -0.60889 -0.80685 -0.66947 -0.41907 -0.33861 -0.12393 0.189668 0.171234 0.922562 1.024408 1.217685 -0.16139 -1.02241 -0.03501 1.038192 0.091375 1.164573 0.217756 1.290954 0.344137 1.417335
0.344021 0.274714 0.328722 0.255652 0.321965 0.248894 0.315208 0.242135 0.308451 0.235382 0.211396 0.266715 0.185235 0.218292 0.131351 0.074124 0.077428 -0.05969 -0.07829 -0.11355 -0.09116 0.325553 -0.11423 -0.31016 -0.13731 -0.33324 -0.16038 -0.35631 -0.18345 -0.37938
-0.05341 0.064002 -0.03434 0.081987 -0.0253 0.09102 -0.01627 0.100053 -0.00724 0.109088 -0.31665 0.235935 -0.31726 0.284565 -0.24523 -0.16867 -0.17323 0.010181 0.035036 0.082224 -0.10256 -0.07919 -0.07171 0.190208 -0.04087 0.221052 -0.01002 0.251896 0.02082 0.28274
0.010399 0.127512 0.034018 0.153878 0.035076 0.154936 0.036135 0.155993 0.037193 0.157053 -0.08217 0.291922 -0.24689 0.229814 -0.23845 -0.22947 -0.23004 -0.20853 -0.20562 -0.20008 -0.01105 0.044763 -0.00743 0.023246 -0.00382 0.026859 -0.00021 0.030472 0.003405 0.034085
30
Lampiran 14 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal JE, JG dan JM
JM JM JM JM JM JM JM JM JM JM JG JG JG JG JG JG JG JG JG JG JE JE JE JE JE JE JE JE JE JE
PC-1 -0.0172 0.373957 0.526925 -0.08879 -0.09649 0.247748 0.265312 0.531567 0.503176 0.517479 -1.3157 -1.32236 -1.2867 -0.50379 -0.49261 1.329947 1.313606 0.73588 0.730174 0.764704 0.330709 0.328477 -0.78792 -0.83096 -0.77724 -0.98542 -0.99295 0.350305 0.334859 0.313302
PC-2 1.54176 0.428497 0.20833 -0.56157 -0.55734 -0.71121 -0.72066 -0.73828 -0.7204 -0.72956 0.178317 0.181315 0.156292 0.449236 0.440275 -0.07396 -0.06513 0.367357 0.37397 0.351909 -0.22811 -0.22791 -0.23221 -0.20703 -0.24278 -0.30467 -0.30379 0.634112 0.648539 0.66471
PC-3 -0.22929 -0.10518 -0.34967 0.115833 0.103345 -0.15713 -0.1608 -0.02376 -0.0347 -0.04186 0.057798 0.041695 0.034275 0.576654 0.570221 0.247411 0.239253 -0.00988 -0.01558 -0.01596 0.139277 0.125345 -0.10514 -0.11068 -0.11176 -0.15438 -0.1616 -0.14664 -0.15424 -0.16285
PC-4 -0.3864 -0.23043 -0.15588 -0.06014 -0.04253 -0.13861 -0.1324 -0.06592 -0.04633 -0.05057 -0.008 0.01638 0.012533 -0.05862 -0.0573 0.034368 0.050508 0.267869 0.281007 0.275364 -0.14586 -0.13295 0.064591 0.083811 0.071886 0.135037 0.141071 0.088494 0.09371 0.095333
PC-5 -0.02905 0.1033 -0.01223 0.068542 0.076647 -0.12744 -0.12433 0.055851 0.068938 0.063226 -0.10568 -0.09371 -0.09942 0.044701 0.04254 -0.21305 -0.20354 0.050008 0.058716 0.05231 0.099299 0.105032 0.056376 0.072792 0.061486 -0.05648 -0.05025 0.008266 0.012853 0.014301
PC-6 -0.07421 -0.07403 0.004334 -0.14929 -0.14621 -0.06302 -0.06231 0.005325 0.010717 0.010332 -0.04799 -0.04347 -0.04549 0.007489 0.007162 0.065784 0.070626 -0.12162 -0.11812 -0.12059 0.130187 0.133441 0.078343 0.085403 0.081934 0.029995 0.033628 0.101092 0.104077 0.10649
PC-7 -0.08031 -0.01139 -0.00873 0.077053 0.069129 0.02088 0.018254 -0.0006 -0.01205 -0.0064 0.031401 0.020709 0.027287 -0.00392 -0.00322 -0.0231 -0.03358 -0.03449 -0.04063 -0.03605 -0.01588 -0.02161 -0.03563 -0.04823 -0.0387 -0.049 -0.04886 0.095023 0.094864 0.097781
31
Lampiran 15 Predict Vs Reference PLSDA Spektrum Turunan Kedua Seluruh Sampel
32
Lampiran 15 Predict Vs Reference PLSDA Spektrum Turunan Kedua Seluruh Sampel (Lanjutan)
33
Lampiran 15 Predict Vs Reference PLSDA Spektrum Turunan Kedua Seluruh Sampel (Lanjutan)
Lampiran 16 Predict Vs Reference PLSDA Spektrum Turunan Kedua Sampel JE, JG dan JM
34
Lampiran 16 Predict Vs Reference PLSDA Spektrum Turunan Kedua Sampel JE, JG dan JM (Lanjutan)
Lampiran 17 Predict Vs Reference PLSDA Spektrum Turunan Kedua Sampel JM+JE, JM+JG dan JM+L
35
Lampiran 17 Predict Vs Reference PLSDA Spektrum Turunan Kedua Sampel JM+JE, JM+JG dan JM+L (Lanjutan)
