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 R2prediksi 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.
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 sukuZingiberaceae, 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 (Chewet al2004). 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
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 spektroskopiUltra 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), PartialLeast 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
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 sukuZingiberaceae, 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 (Chewet al2004). 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
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 spektroskopiUltra 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), PartialLeast 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
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 obat-obatan, 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 obat-obatan. 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 tumbuh-tumbuhan 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 (Lianget 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 (Lianget 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.
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).
avariable kkomponen
utama PT
X = T + E
nobjeks 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
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 adalahfactors, 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)
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.
(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.
BAHAN DAN METODE
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-, 10-gingerol 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
emprit; 950 mg serbuk jahe merah dan 50 mg serbuk lengkuas.
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, 8-gingerol, 10-gingerol, dan 6 shogaol Menggunakan Kromatografi Cair Kinerja Tinggi (KCKT)
Pembuatan Larutan Standard Dan Sampel
Larutan standar yang mengandung 50 µ g/mL 6-gingerol, 50 µ g/mL 8-gingerol, 50 µ g/mL 10-gingerol, dan 25 µ g/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.
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 µ L.
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 Savitzky-Golay.
(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.
BAHAN DAN METODE
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-, 10-gingerol 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
emprit; 950 mg serbuk jahe merah dan 50 mg serbuk lengkuas.
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, 8-gingerol, 10-gingerol, dan 6 shogaol Menggunakan Kromatografi Cair Kinerja Tinggi (KCKT)
Pembuatan Larutan Standard Dan Sampel
Larutan standar yang mengandung 50 µ g/mL 6-gingerol, 50 µ g/mL 8-gingerol, 50 µ g/mL 10-gingerol, dan 25 µ g/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.
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 µ L.
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 Savitzky-Golay.
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 µ g/mL 6-gingerol, 50 µ g/mL 8-gingerol, 50 µ g/mL 10-8-gingerol, dan 25 µ g/mL 6-shogaol. Waktu retensi untuk larutan standar berturut-turut untuk 6-, 8-, 10-gingerol dan 6-shogaol adalah sebesar 12.14, 24.13, 29.563 dan 22.63 menit (Lampiran 3).
Hasil penentuan kadar 6-gingerol, 8-gingerol, 10-8-gingerol, dan 6-shogaol dapat dilihat pada Tabel 1.
Tabel 1 Penentuan konsentrasi gingerol dengan KCKT Larutan Konsentrasi (µg/mL) 6-Gingerol 8-Gingerol 10-Gingerol 6-Shogaol 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).Sampel
R2
Spektrum Normal
Spektrum Turunan Pertama
Spektrum Turunan Kedua
JE 0.9271 0.8081 0.9099
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
Sampel
RMSEC
Spektrum Normal
Spektrum Turunan Pertama
Spektrum Turunan
Kedua
JE 0.0944 0.1532 0.105
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
model yang dibuat dari ketig (normal, turunan pertama dan maka klasifikasi dilakukan turunan kedua. Hal ini dikar turunan kedua nilai RMSEC dan R2 yang lebih besar dian spektrum lainnya.
Klasifikasi awal dilakuk kelas sampel yaitu L, JM, JM+JE, dan JM+L dengan to Hasil analisis PLSDA dap Lampiran 15.Dari hasil a diperoleh nilaiR2prediksi da 4). Nilai R2 dan RMSEP d kebaikan dari klasifikasi yang Tabel 4 NilaiR2prediksi dan
sampel
Sampel
RMSEP R2 JE 0.231 JG 0.2208 JM 0.2183 L 0.0573 JM+JE 0.202 JM+JG 0.1916 JM+L 0.1007
Kelas sampel L dapat terk baik dari kelas lainnya. Ha nilaiR2prediksi dan RMSEP yaitu sebesar 0.9757 dan 0. sampel murni (JE, JM dan campuran (JM+JE, JM+JG, d dapat terklasifikasi dengan ba Klasifikasi berikutnya dila jenis kelas sampel murni ya JG. Klasifikasi ini dilakuka keterpisahan diantara ketiga Hasil analisis PLSDA untu murni dapat dilihat pada Lam Tabel 5 NilaiR2prediksi dan
JE, JG dan JM
Sample RMSEP
JE 0.1001 JG 0.0873 JM 0.0854
Nilai R2 prediksi dan dihasilkan untuk untuk samp dapat dilihat pada Tabel 5. B R2 prediksi dan RMSEP ketiga jenis sampel terseb
tiga jenis spektrum dan turunan kedua), an pada spektrum arenakan spektrum C yang lebih kecil iantara kedua jenis ukan pada 7 jenis , JE, JG, JM+JG, total 70 observasi. apat dilihat pada l analisis tersebut dan RMSEP (Tabel dapat menentukan
ng dilakukan. an RMSEP seluruh
R2 0.573 0.6374 0.585 0.9757 0.6739 0.7308 0.9167 terklasifikasi dengan al ini dilihat dari SEP yang dihasilkan 0.0573. sedangkan n JG) serta sampel , dan JM+L) belum baik.
dilakukan pada tiga yaitu JM, JE, dan kan untuk melihat ga sampel tersebut. ntuk jenis sampel ampiran 16. dan RMSEP sampel
R2
0.9518 0.9672 0.9642
an RMSEP yang pel JE, JG dan JM . Berdasarkan nilai P yang dihasilkan ebut sudah dapat
terklasifikasi kedalam tiga kela yang berbeda.
Sampel campuran yang beru JM+JG dan JM+L juga dilaku untuk melihat keterpisahan dia jenis sampel tersebut. Hasil analis untuk jenis sampel murni dapat Lampiran 17. Nilai R2 prediksi yang dihasilkan untuk ketiga sampel tersebut dapat dilihat pada Table 6 NilaiR2prediksi dan RM
JM+JE, JM+JG dan JM+
Sample RMSEP
JM+JE 0.2199 JM+JG 0.2253 JM+L 0.1706
Ketiga jenis sampel campu belum dapat terklasifikasi denga Hal ini dapat dilihat dari nilaiR2p dihasilkan yaitu 0.7591, 07804 masing-masing untuk JM+JE, JM+L.
Gambar 7. Box plot konsentrasi gingerol dan 6-shog sampel
Belum dapatnya terklasifika ketiga jenis sampel campuran te dapat dibuktikan dari komposisi gingerol dan 6-shogaol ketiga j tersebut yang tidak berbeda jauh.
SIMPULAN DAN S
Simpulan
Teknik spektroskopi FT digabungkan dengan aplikasi
R2
las klasifikasi erupa JM+JE, kukan analisis iantara ketiga nalisis PLSDA at dilihat pada i dan RMSEP a jenis kelas da Tabel 6.
MSEP sampel +L R2 0.7591 0.7804 0.8222
puran tersebut gan sempurna. prediksi yang 4 dan 0.8222 , JM+JG dan
asi 6-, 8-, 10-ogaol seluruh
ikasi diantara tersebut juga isi 6-, 8-, jenis sampel h.
DAN SARAN
model yang dibuat dari ketig (normal, turunan pertama dan maka klasifikasi dilakukan turunan kedua. Hal ini dikar turunan kedua nilai RMSEC dan R2 yang lebih besar dian spektrum lainnya.
Klasifikasi awal dilakuk kelas sampel yaitu L, JM, JM+JE, dan JM+L dengan to Hasil analisis PLSDA dap Lampiran 15.Dari hasil a diperoleh nilaiR2prediksi da 4). Nilai R2 dan RMSEP d kebaikan dari klasifikasi yang Tabel 4 NilaiR2prediksi dan
sampel
Sampel
RMSEP R2 JE 0.231 JG 0.2208 JM 0.2183 L 0.0573 JM+JE 0.202 JM+JG 0.1916 JM+L 0.1007
Kelas sampel L dapat terk baik dari kelas lainnya. Ha nilaiR2prediksi dan RMSEP yaitu sebesar 0.9757 dan 0. sampel murni (JE, JM dan campuran (JM+JE, JM+JG, d dapat terklasifikasi dengan ba Klasifikasi berikutnya dila jenis kelas sampel murni ya JG. Klasifikasi ini dilakuka keterpisahan diantara ketiga Hasil analisis PLSDA untu murni dapat dilihat pada Lam Tabel 5 NilaiR2prediksi dan
JE, JG dan JM
Sample RMSEP
JE 0.1001 JG 0.0873 JM 0.0854
Nilai R2 prediksi dan dihasilkan untuk untuk samp dapat dilihat pada Tabel 5. B R2 prediksi dan RMSEP ketiga jenis sampel terseb
tiga jenis spektrum dan turunan kedua), an pada spektrum arenakan spektrum C yang lebih kecil iantara kedua jenis ukan pada 7 jenis , JE, JG, JM+JG, total 70 observasi. apat dilihat pada l analisis tersebut dan RMSEP (Tabel dapat menentukan
ng dilakukan. an RMSEP seluruh
R2 0.573 0.6374 0.585 0.9757 0.6739 0.7308 0.9167 terklasifikasi dengan al ini dilihat dari SEP yang dihasilkan 0.0573. sedangkan n JG) serta sampel , dan JM+L) belum baik.
dilakukan pada tiga yaitu JM, JE, dan kan untuk melihat ga sampel tersebut. ntuk jenis sampel ampiran 16. dan RMSEP sampel
R2
0.9518 0.9672 0.9642
an RMSEP yang pel JE, JG dan JM . Berdasarkan nilai P yang dihasilkan ebut sudah dapat
terklasifikasi kedalam tiga kela yang berbeda.
Sampel campuran yang beru JM+JG dan JM+L juga dilaku untuk melihat keterpisahan dia jenis sampel tersebut. Hasil analis untuk jenis sampel murni dapat Lampiran 17. Nilai R2 prediksi yang dihasilkan untuk ketiga sampel tersebut dapat dilihat pada Table 6 NilaiR2prediksi dan RM
JM+JE, JM+JG dan JM+
Sample RMSEP
JM+JE 0.2199 JM+JG 0.2253 JM+L 0.1706
Ketiga jenis sampel campu belum dapat terklasifikasi denga Hal ini dapat dilihat dari nilaiR2p dihasilkan yaitu 0.7591, 07804 masing-masing untuk JM+JE, JM+L.
Gambar 7. Box plot konsentrasi gingerol dan 6-shog sampel
Belum dapatnya terklasifika ketiga jenis sampel campuran te dapat dibuktikan dari komposisi gingerol dan 6-shogaol ketiga j tersebut yang tidak berbeda jauh.
SIMPULAN DAN S
Simpulan
Teknik spektroskopi FT digabungkan dengan aplikasi
R2
las klasifikasi erupa JM+JE, kukan analisis iantara ketiga nalisis PLSDA at dilihat pada i dan RMSEP a jenis kelas da Tabel 6.
MSEP sampel +L R2 0.7591 0.7804 0.8222
puran tersebut gan sempurna. prediksi yang 4 dan 0.8222 , JM+JG dan
asi 6-, 8-, 10-ogaol seluruh
ikasi diantara tersebut juga isi 6-, 8-, jenis sampel h.
DAN SARAN
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
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.
DAFTAR PUSTAKA
Brereton RG. 2000. Introduction to multivariate calibration in analytical chemistry.Analyst125:2125-2154 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.
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.
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.
Ketaren, S. Djatmiko, B. 1980. Minyak Atsiri Bersumber dari Akar dan Batang. Fakultas Teknologi Hasil Pertanian. Institut Pertanian Bogor. Bogor.
Kikuzaki H. Nakatani N. 1993. Antioxidant effects of some ginger constituents. J. Food Science. 58: 1.407−1.410.
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 Lohninger H. 2004. Multivariate
calibration.[terhubung berkala]. http://www.vias.org/tmdatanaleng/cc_mult ivaritae.html [20 Februari 2010]
Matondang I. 2005. Zingiber officinale L. Pusat Penelitian dan Pengembangan Tumbuhan Obat UNAS.
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.
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
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.
DAFTAR PUSTAKA
Brereton RG. 2000. Introduction to multivariate calibration in analytical chemistry.Analyst125:2125-2154 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.
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.
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.
Ketaren, S. Djatmiko, B. 1980. Minyak Atsiri Bersumber dari Akar dan Batang. Fakultas Teknologi Hasil Pertanian. Institut Pertanian Bogor. Bogor.
Kikuzaki H. Nakatani N. 1993. Antioxidant effects of some ginger constituents. J. Food Science. 58: 1.407−1.410.
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 Lohninger H. 2004. Multivariate
calibration.[terhubung berkala]. http://www.vias.org/tmdatanaleng/cc_mult ivaritae.html [20 Februari 2010]
Matondang I. 2005. Zingiber officinale L. Pusat Penelitian dan Pengembangan Tumbuhan Obat UNAS.
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.
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 ke-5. 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 array-based near infrared spectrometer. Appl Spect Rev37:383-428.
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.
Lampiran 1 Diagram Alir Kerja Penelitian
Keterangan: JM = Jahe Merah, JG = Jahe Gajah, JE = Jahe Emprit, L = Lengkuas Pembuatan serbuk jahe
Pembuatan serbuk jahe campuran Pembuatan serbuk
jahe tunggal
95% JM + 5% L 95% JM +
5% JE 95% JM +
5% JG
Analisis
Penentuan Konsentrasi 6-, 8-, 10-gingerol dan 6-shogaol menggunakan
KCKT
Analisis menggunakan FTIR
Analisis Statistika
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
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
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
Lampiran 5Tabulasi 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) Luas Area Konsentrasi (µg/mL)
6-Gingerol
8-Gingerol
10-Gingerol
6-Shogaol
6-Gingerol
8-Gingerol
10-Gingerol
6-Shogaol
6-Gingerol
8-Gingerol
10-Gingerol
6-Shogaol Standard 12.14 24.13 29.563 22.63 1632010 1943362 1529485 886802 50 50 50 25
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)
= ×
O H
O C H3
O
O H
H3C
n
O H
O C H3
C H3 O
O H
O C H3
O
H3C n
CH
3(CH
2)nCHO
Lampiran 6 Reaksi Degradasi Gingerol
+
Zingeron
Gingerol (n = 4, 6, 8)
Shogaol (n = 4, 6, 8)
n
6-shogaol
4
8-shogaol
6
10-shogaol
8
Lampiran 9 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Pertama Seluruh Sampel
PC-1 PC-2 PC-3 PC-4 PC-5 PC-6 PC-7
L -5.76473 -6.56572 0.064774 -0.57134 -0.19883 1.379412 -0.85716
L -6.84404 -5.38843 -0.5475 0.460827 -0.23967 1.883559 0.927168
L -6.83359 -5.39207 -0.53651 0.462959 -0.21365 1.863892 0.929066
L -4.41868 -2.68416 0.256398 -1.15654 0.477947 -1.7711 1.487321
L -4.20345 -4.88167 0.196198 -3.066 0.766587 -0.97716 0.191093
L -4.17165 -4.85848 0.196909 -3.04233 0.748241 -0.97164 0.184353
L -8.2816 -3.63061 0.310286 3.254243 -0.63821 -1.29452 0.403954
L -8.24449 -3.62677 0.311684 3.251083 -0.63855 -1.28896 0.396374
L -7.92324 -5.92887 -0.03527 0.202764 0.058694 -0.19958 -1.31628
L -7.93944 -5.92859 -0.05779 0.162186 0.085871 -0.2475 -1.23007
JM -4.43388 2.005976 0.015283 -0.03249 0.174111 -0.04838 -0.13828
JM -4.74516 2.131232 0.077579 0.139674 0.192617 -0.31834 -0.2473
JM -4.41696 2.01016 0.105892 -0.02489 0.157998 -0.16342 -0.17538
JM -4.8272 2.175438 0.143852 0.225662 0.069256 -0.3268 -0.32618
JM -4.831 2.183281 0.134778 0.219548 0.083911 -0.32596 -0.30171
JM -4.82489 2.069178 0.170549 0.143865 0.167324 -0.43345 -0.22041
JM -4.82675 2.072264 0.166833 0.139125 0.170797 -0.43513 -0.20929
JM -4.55808 2.059133 0.109881 0.010132 0.182607 -0.13813 -0.16092
JM -4.57624 2.073965 0.099296 0.006334 0.204569 -0.1414 -0.13169
JM -4.55938 2.064067 0.104696 0.007251 0.191057 -0.14025 -0.14908
JG -4.38317 1.800225 0.065079 -0.10125 0.024022 -0.00056 0.024164
JG -4.36114 1.796887 0.051977 -0.11215 0.033826 0.009475 0.055044
JG -4.37074 1.803354 0.060612 -0.10535 0.02764 -0.00067 0.032427
JG -4.13817 1.703008 -0.01861 -0.16344 -0.03763 0.258144 0.169421
JG -4.13735 1.703454 -0.01815 -0.1634 -0.03781 0.256642 0.168454
JG -3.76268 1.841987 -0.00247 -0.2574 -0.04335 0.432455 0.161373
JG -3.75321 1.838693 -0.0106 -0.26283 -0.0345 0.438167 0.182671
JG -4.13799 2.108371 0.015798 -0.06807 -0.00425 0.127194 -0.04438
JG -4.12791 2.104743 0.009945 -0.07221 0.000181 0.132475 -0.03002
JG -4.13183 2.107321 0.013072 -0.06917 -0.00183 0.128917 -0.0387
JE -4.18953 1.8695 0.065593 -0.03946 0.08096 0.227753 -0.01545
JE -4.19347 1.874672 0.062045 -0.03943 0.093994 0.22662 -0.00199
JE -4.28299 1.943728 0.083071 -0.09134 0.112322 0.192301 0.030496
JE -4.29812 1.956125 0.070313 -0.09393 0.143293 0.192354 0.0698
JE -4.27855 1.943075 0.079694 -0.09359 0.119791 0.192517 0.04182
JE -4.23098 1.930144 0.10757 -0.12077 0.075422 0.268577 -0.00496
JE -4.22066 1.924865 0.108333 -0.11985 0.075553 0.268791 -0.00769
JE -3.68392 1.809964 0.001023 -0.32242 -0.03225 0.408709 0.149694
JE -3.68296 1.809386 0.003407 -0.3217 -0.03136 0.408401 0.150323
JE -3.68467 1.810464 0.006017 -0.31889 -0.02959 0.405411 0.145954
Lampiran 9 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Pertama Seluruh Sampel (Lanjutan)
JM+JE 6.314261 -0.26092 0.883077 -0.10045 -0.86436 -0.12024 -0.36947
JM+JE 5.689626 -0.23625 1.312381 -0.33322 -0.98585 0.01036 0.335656
JM+JE 6.210654 -0.29045 1.584627 -0.26682 -1.07123 -0.07097 -0.38027
JM+JE 5.689639 -0.23625 1.312384 -0.33322 -0.98584 0.010357 0.335647
JM+JE 6.210653 -0.29045 1.584627 -0.26682 -1.07123 -0.07097 -0.38027
JM+JE 5.689628 -0.23626 1.312386 -0.33323 -0.98584 0.010344 0.335562
JM+JE 6.210653 -0.29045 1.584629 -0.26683 -1.07123 -0.07099 -0.38028
JM+JE 5.689624 -0.23626 1.312379 -0.33323 -0.98585 0.010363 0.335623
JM+JE 6.210653 -0.29046 1.58463 -0.26682 -1.07124 -0.07097 -0.3803
JM+JG 6.396153 -0.32789 0.79997 0.099726 -0.18779 -0.069 0.120713
JM+JG 6.123127 -0.12307 0.368537 -0.25972 -0.96651 -0.15087 0.002085
JM+JG 5.820811 -0.18189 -3.23839 0.095515 -0.04003 -0.13151 -0.03825
JM+JG 5.469415 -0.00069 -3.35531 -0.32277 -0.69882 -0.07715 -0.05168
JM+JG 5.82081 -0.18189 -3.2384 0.095513 -0.04002 -0.13152 -0.03828
JM+JG 5.820803 -0.18202 -3.23844 0.095493 -0.04002 -0.13154 -0.03928
JM+JG 5.820811 -0.18177 -3.23838 0.095523 -0.04 -0.13152 -0.03737
JM+JG 5.820813 -0.18191 -3.23839 0.095515 -0.04004 -0.1315 -0.03841
JM+JG 5.820814 -0.1819 -3.2384 0.095522 -0.04004 -0.13149 -0.03833
JM+JG 5.82081 -0.18201 -3.23844 0.09558 -0.04008 -0.13147 -0.03891
JM+L 7.665997 -0.57517 0.999168 0.546273 1.198967 0.133011 0.002875
JM+L 5.833963 -0.14948 0.669777 -0.25152 -0.95616 -0.0314 0.18901
JM+L 7.666023 -0.57517 0.999174 0.546277 1.198976 0.133006 0.002874
JM+L 7.665997 -0.57517 0.999168 0.546272 1.198966 0.13301 0.002875
JM+L 7.665997 -0.57517 0.999168 0.546273 1.198966 0.133011 0.002874
JM+L 7.665996 -0.57517 0.999168 0.546273 1.198967 0.133011 0.002875
JM+L 7.665997 -0.57517 0.999168 0.546273 1.198966 0.133011 0.002875
JM+L 7.665994 -0.57517 0.999167 0.546272 1.198965 0.133011 0.002875
JM+L 7.66599 -0.57517 0.999167 0.546271 1.198965 0.133012 0.002874
Lampiran 10 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Kedua Seluruh Sampel
PC-1 PC-2 PC-3 PC-4 PC-5 PC-6 PC-7
L -1.69678 -4.97256 -0.19418 0.359953 0.820509 -0.62834 0.125205
L -3.0101 -4.64929 0.211776 -0.07049 -0.54663 0.022425 2.555012
L -2.98876 -4.66797 0.156889 -0.3203 -0.61307 -0.02333 2.487501
L -2.02329 -2.30934 -0.03597 0.051487 0.151215 0.137821 -0.49974
L -2.13376 -4.66645 -0.26916 0.31967 1.427101 -1.3227 -0.97142
L -2.15832 -4.70992 -0.23387 0.448437 1.49492 -1.28403 -1.01749
L -3.5364 -2.16067 -0.76194 -0.68735 -1.67428 2.233093 -0.72959
L -3.52715 -2.14462 -0.72758 -0.55327 -1.66618 2.234009 -0.74852
L -3.2585 -4.7022 -0.45402 -0.2794 -0.2654 0.219446 -0.7118
L -3.70335 -5.06165 -0.65284 -0.56119 -0.22984 0.04668 -1.15304
JM -2.87746 1.308424 -0.12077 -0.1679 0.197236 -0.01178 0.004367
JM -3.10321 1.395166 -0.18342 -0.04817 -0.06749 -0.02874 -0.1436
JM -2.9993 1.350257 -0.15528 0.101603 -0.10172 -0.16204 -0.10049
JM -3.47642 1.522513 -0.30061 -0.11164 -0.22255 0.073826 -0.22607
JM -3.49352 1.50443 -0.30349 -0.21437 -0.08873 0.163545 -0.18888
JM -3.12839 1.300636 -0.25681 0.00287 -0.1884 -0.01955 -0.19435
JM -3.15523 1.303052 -0.24069 0.007666 -0.10554 0.032131 -0.18023
JM -3.02672 1.353782 -0.19415 -0.09591 0.063984 -0.02358 -0.04687
JM -3.06887 1.350854 -0.17791 -0.1338 0.223513 0.085704 -0.01088
JM -3.0415 1.349489 -0.18697 -0.11341 0.121364 0.016404 -0.03519
JG -3.00519 1.28704 -0.10454 0.063775 0.04539 -0.10082 -0.00642
JG -3.04881 1.280348 -0.12913 -0.07724 0.169605 -0.01472 0.033091
JG -3.0246 1.300132 -0.05547 0.178155 0.135322 -0.04871 0.003758
JG -2.90864 1.249681 -0.05751 -0.19494 0.271394 -0.03012 0.123201
JG -2.90563 1.251441 -0.06055 -0.19135 0.253971 -0.04325 0.121331
JG -2.53639 1.328407 0.032214 0.162759 0.159407 -0.23049 0.17813
JG -2.56478 1.322819 0.037137 0.094956 0.261137 -0.16739 0.19851
JG -2.73272 1.448601 -0.01023 0.151735 0.009209 -0.17016 0.039669
JG -2.73942 1.438026 -0.02305 0.069696 0.045402 -0.14644 0.051315
JG -2.72713 1.440832 -0.03057 0.081286 -0.00972 -0.18195 0.042216
JE -2.70517 1.27454 -0.04651 0.195504 0.012412 -0.2095 0.103602
JE -2.71402 1.264227 -0.08655 0.05628 0.004801 -0.21385 0.111116
JE -2.83012 1.261487 -0.15492 -0.18394 0.15965 -0.09463 0.10339
JE -2.89717 1.264094 -0.18031 -0.33811 0.291002 -0.00933 0.143782
JE -2.83989 1.263679 -0.14471 -0.16334 0.206149 -0.06519 0.116081
JE -2.75112 1.265551 -0.10667 -0.0744 0.080969 -0.19535 0.08662
JE -2.7179 1.253852 -0.12535 -0.10798 0.005469 -0.24302 0.075642
JE -2.60703 1.307771 -0.00721 0.151393 0.11592 -0.3193 0.186533
JE -2.59258 1.300637 -0.03196 0.097193 0.08668 -0.33643 0.190188
JE -2.56921 1.29527 -0.03043 0.10145 0.046385 -0.36617 0.179294
Lampiran 10 Tabel Score PCA 7 Komponen Utama Spektrum Turunan Kedua Seluruh Sampel (Lanjutan)
JM+JE 3.415915 -0.08396 -0.07007 0.898044 -1.17364 -0.76175 -0.2599
JM+JE 3.725315 0.008964 -0.78087 1.291589 1.518796 1.353577 0.259327
JM+JE 3.353934 -0.08306 -0.43384 2.314536 -1.27249 -0.52913 -0.11129
JM+JE 3.725316 0.008937 -0.78082 1.291579 1.518763 1.353607 0.259316
JM+JE 3.353903 -0.08306 -0.43387 2.314532 -1.27248 -0.52914 -0.11125
JM+JE 3.72529 0.009073 -0.78125 1.291843 1.51902 1.353348 0.258516
JM+JE 3.353964 -0.08288 -0.43382 2.314616 -1.27235 -0.52914 -0.1115
JM+JE 3.725474 0.008917 -0.78051 1.29151 1.519109 1.353902 0.259701
JM+JE 3.35386 -0.08317 -0.43423 2.314708 -1.27254 -0.52921 -0.11108
JM+JG 3.747081 -0.08015 -0.52382 -0.70858 0.045869 0.005446 0.051792
JM+JG 3.556756 0.038462 0.188277 1.099882 0.129778 0.117548 0.006819
JM+JG 2.584185 -0.14875 2.973223 -0.27536 0.001475 0.163353 -0.11541
JM+JG 2.850135 -0.0948 3.623846 -0.3985 -0.10531 -0.03445 -0.17361
JM+JG 2.584248 -0.1487 2.973646 -0.27553 0.001644 0.163436 -0.11608
JM+JG 2.584271 -0.14938 2.97491 -0.27673 0.002774 0.163151 -0.12317
JM+JG 2.584605 -0.14763 2.975033 -0.27532 0.001529 0.164274 -0.11285
JM+JG 2.584051 -0.14904 2.972361 -0.27521 0.001254 0.163055 -0.11516
JM+JG 2.584179 -0.14912 2.973738 -0.27562 0.001213 0.163745 -0.11444
JM+JG 2.584213 -0.15123 2.977115 -0.2764 -0.00117 0.167136 -0.11342
JM+L 4.940369 0.14027 -1.11502 -1.16895 -0.0952 -0.31278 0.060608
JM+L 6.25878 0.519202 -2.00726 -0.7478 -0.15502 0.1998 -0.25565
JM+L 4.940595 0.14032 -1.11515 -1.16904 -0.09519 -0.3128 0.060602
JM+L 4.9404 0.14028 -1.11504 -1.16898 -0.09519 -0.31278 0.060604
JM+L 4.940375 0.140272 -1.11502 -1.16896 -0.09519 -0.31278 0.060605
JM+L 4.940433 0.140285 -1.11505 -1.16899 -0.09519 -0.31278 0.060607
JM+L 4.940378 0.140274 -1.11503 -1.16896 -0.09519 -0.31278 0.060607
JM+L 4.940407 0.140277 -1.11504 -1.16898 -0.09519 -0.31278 0.060604
JM+L 4.940465 0.140291 -1.11508 -1.16898 -0.09519 -0.31279 0.060603
Lampiran 13 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal Seluruh Sampel
PC-1 PC-2 PC-3 PC-4 PC-5 PC-6 PC-7
L -9.36025 2.920959 -2.83472 0.569424 -0.6837 0.225679 0.311908
L -10.064 3.917585 -2.13708 0.267573 -0.49116 0.437731 0.098299
L -10.0629 3.943455 -2.10722 0.28773 -0.4976 0.441087 0.099414
L -8.1589 1.772889 -0.54001 0.820703 0.973414 -1.01213 -0.59032
L -9.06435 2.529928 -1.41436 1.293293 1.920375 -0.29985 0.33204
L -9.03452 2.609228 -1.36843 1.304001 1.938301 -0.28197 0.329443
L -9.62269 2.377942 -2.27848 -0.21672 -1.16091 -0.09644 -0.54514
L -9.55458 2.441317 -2.21291 -0.19521 -1.15634 -0.07879 -0.54335
L -10.9897 3.149585 -2.36305 -0.31044 -0.1243 0.220181 -0.01491
L -11.0734 3.528721 -2.25002 -0.3171 -0.11081 0.216772 -0.04126
JM -4.97225 -1.12932 1.169631 -0.29086 0.419166 0.350577 -0.47045
JM -4.08307 -0.70073 1.626187 -0.04833 0.194283 0.221473 -0.19144
JM -3.79399 -0.7877 1.734016 0.03356 0.316491 0.35931 -0.12645
JM -3.31773 -0.61472 1.406049 0.027896 -0.33938 -0.14388 0.186175
JM -3.31817 -0.63672 1.410811 0.02462 -0.33604 -0.15269 0.190346
JM -3.09406 -0.56854 1.535122 0.137139 -0.0761 0.138493 0.215013
JM -3.08259 -0.56429 1.550724 0.135621 -0.06805 0.139874 0.216006
JM -3.09058 -0.39433 1.839699 0.137956 -0.0508 0.095463 0.16803
JM -3.10483 -0.42919 1.83285 0.132629 -0.05415 0.077709 0.172167
JM -3.09488 -0.42271 1.83983 0.139381 -0.04967 0.089069 0.170783
JG -3.99036 -1.30725 0.443245 -0.08448 -0.61219 -0.41381 0.154994
JG -3.98855 -1.33434 0.453304 -0.08715 -0.60832 -0.42537 0.159357
JG -3.96373 -1.31425 0.475908 -0.07686 -0.60095 -0.40762 0.156947
JG -4.35097 -0.65673 1.028401 -0.15511 -0.37461 -0.32339 -0.00973
JG -4.34122 -0.65491 1.036862 -0.15163 -0.37053 -0.31767 -0.00884
JG -3.63942 -0.06011 2.261517 -0.03443 0.493204 0.439227 -0.09402
JG -3.64515 -0.08411 2.260266 -0.03892 0.492883 0.426183 -0.08978
JG -3.97718 -0.6674 2.037154 -0.1935 0.296568 0.191199 -0.23145
JG -3.98193 -0.68236 2.04211 -0.19543 0.297323 0.182832 -0.23018
JG -3.96005 -0.65852 2.061687 -0.1907 0.306193 0.197671 -0.23193
JE -3.61279 -0.4345 1.656626 0.124073 -0.09222 0.073722 0.05107
JE -3.60974 -0.45122 1.663232 0.126387 -0.09013 0.07106 0.052554
JE -3.57284 -1.16058 0.94784 0.048121 -0.49227 -0.29037 0.212933
JE -3.59601 -1.19987 0.932099 0.042676 -0.50328 -0.3154 0.216032
JE -3.56102 -1.16166 0.961193 0.05147 -0.48932 -0.29084 0.214157
JE -3.50112 -1.27792 0.793472 0.018384 -0.57205 -0.30388 0.283964
JE -3.50251 -1.28853 0.794639 0.024721 -0.57733 -0.30758 0.283948
JE -4.17821 -0.919 1.683337 -0.09679 0.299458 0.159345 -0.2587
JE -4.1913 -0.93699 1.677249 -0.09479 0.29669 0.155054 -0.25933
Lampiran 13 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal Seluruh Sampel (Lanjutan)
JM+JE 3.188579 -0.97748 -1.76736 -1.06506 0.344021 -0.05341 0.010399
JM+JE 5.244026 0.368592 -0.58789 -0.74691 0.274714 0.064002 0.127512
JM+JE 3.094776 -1.12352 -1.82305 -1.03659 0.328722 -0.03434 0.034018
JM+JE 5.148839 0.222618 -0.64223 -0.71992 0.255652 0.081987 0.153878
JM+JE 2.999438 -1.27092 -1.87903 -0.99958 0.321965 -0.0253 0.035076
JM+JE 5.0535 0.075218 -0.69821 -0.68291 0.248894 0.09102 0.154936
JM+JE 2.904102 -1.41832 -1.935 -0.96257 0.315208 -0.01627 0.036135
JM+JE 4.958162 -0.07218 -0.75418 -0.6459 0.242135 0.100053 0.155993
JM+JE 2.808765 -1.56572 -1.99098 -0.92555 0.308451 -0.00724 0.037193
JM+JE 4.862829 -0.21958 -0.81016 -0.60889 0.235382 0.109088 0.157053
JM+JG 9.076515 2.327451 0.32573 -0.80685 0.211396 -0.31665 -0.08217
JM+JG 1.20925 -1.97903 -1.81944 -0.66947 0.266715 0.235935 0.291922
JM+JG 8.296484 1.164419 -0.0961 -0.41907 0.185235 -0.31726 -0.24689
JM+JG 0.435897 -3.14692 -2.25623 -0.33861 0.218292 0.284565 0.229814
JM+JG 7.53628 -0.01091 -0.54245 -0.12393 0.131351 -0.24523 -0.23845
JM+JG 6.728512 -1.25988 -1.01674 0.189668 0.074124 -0.16867 -0.22947
JM+JG 6.776034 -1.18616 -0.98881 0.171234 0.077428 -0.17323 -0.23004
JM+JG 4.84076 -4.17842 -2.12511 0.922562 -0.05969 0.010181 -0.20853
JM+JG 4.578429 -4.584 -2.27914 1.024408 -0.07829 0.035036 -0.20562
JM+JG 4.08058 -5.35379 -2.57145 1.217685 -0.11355 0.082224 -0.20008
JM+L 14.37251 5.147904 1.641312 -0.16139 -0.09116 -0.10256 -0.01105
JM+L 3.702267 -0.71809 -1.51288 -1.02241 0.325553 -0.07919 0.044763
JM+L 14.04698 4.644616 1.450181 -0.03501 -0.11423 -0.07171 -0.00743
JM+L 11.28268 0.370799 -0.17286 1.038192 -0.31016 0.190208 0.023246
JM+L 13.72145 4.141326 1.259049 0.091375 -0.13731 -0.04087 -0.00382
JM+L 10.95715 -0.13249 -0.36399 1.164573 -0.33324 0.221052 0.026859
JM+L 13.39593 3.638038 1.067919 0.217756 -0.16038 -0.01002 -0.00021
JM+L 10.63162 -0.63578 -0.55512 1.290954 -0.35631 0.251896 0.030472
JM+L 13.0704 3.134748 0.876787 0.344137 -0.18345 0.02082 0.003405
Lampiran 14 Tabel Score PCA 7 Komponen Utama Pertama Spektrum Normal JE, JG dan JM
PC-1 PC-2 PC-3 PC-4 PC-5 PC-6 PC-7
JM -0.0172 1.54176 -0.22929 -0.3864 -0.02905 -0.07421 -0.08031
JM 0.373957 0.428497 -0.10518 -0.23043 0.1033 -0.07403 -0.01139
JM 0.526925 0.20833 -0.34967 -0.15588 -0.01223 0.004334 -0.00873
JM -0.08879 -0.56157 0.115833 -0.06014 0.068542 -0.14929 0.077053
JM -0.09649 -0.55734 0.103345 -0.04253 0.076647 -0.14621 0.069129
JM 0.247748 -0.71121 -0.15713 -0.13861 -0.12744 -0.06302 0.02088
JM 0.265312 -0.72066 -0.1608 -0.1324 -0.12433 -0.06231 0.018254
JM 0.531567 -0.73828 -0.02376 -0.06592 0.055851 0.005325 -0.0006
JM 0.503176 -0.7204 -0.0347 -0.04633 0.068938 0.010717 -0.01205
JM 0.517479 -0.72956 -0.04186 -0.05057 0.063226 0.010332 -0.0064
JG -1.3157 0.178317 0.057798 -0.008 -0.10568 -0.04799 0.031401
JG -1.32236 0.181315 0.041695 0.01638 -0.09371 -0.04347 0.020709
JG -1.2867 0.156292 0.034275 0.012533 -0.09942 -0.04549 0.027287
JG -0.50379 0.449236 0.576654 -0.05862 0.044701 0.007489 -0.00392
JG -0.49261 0.440275 0.570221 -0.0573 0.04254 0.007162 -0.00322
JG 1.329947 -0.07396 0.247411 0.034368 -0.21305 0.065784 -0.0231
JG 1.313606 -0.06513 0.239253 0.050508 -0.20354 0.070626 -0.03358
JG 0.73588 0.367357 -0.00988 0.267869 0.050008 -0.12162 -0.03449
JG 0.730174 0.37397 -0.01558 0.281007 0.058716 -0.11812 -0.04063
JG 0.764704 0.351909 -0.01596 0.275364 0.05231 -0.12059 -0.03605
JE 0.330709 -0.22811 0.139277 -0.14586 0.099299 0.130187 -0.01588
JE 0.328477 -0.22791 0.125345 -0.13295 0.105032 0.133441 -0.02161
JE -0.78792 -0.23221 -0.10514 0.064591 0.056376 0.078343 -0.03563
JE -0.83096 -0.20703 -0.11068 0.083811 0.072792 0.085403 -0.04823
JE -0.77724 -0.24278 -0.11176 0.071886 0.061486 0.081934 -0.0387
JE -0.98542 -0.30467 -0.15438 0.135037 -0.05648 0.029995 -0.049
JE -0.99295 -0.30379 -0.1616 0.141071 -0.05025 0.033628 -0.04886
JE 0.350305 0.634112 -0.14664 0.088494 0.008266 0.101092 0.095023
JE 0.334859 0.648539 -0.15424 0.09371 0.012853 0.104077 0.094864
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 R2prediksi 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.
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
NIM
: G44061146
Menyetujui,
Pembimbing I,
Pembimbing II,
Rudi Heryanto, S.Si., M.Si
Utami Dyah Syafitri, S. Si., M.Si
NIP 19760428 200501 1 002
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
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
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.
DAFTAR GAMBAR ... viii
DAFTAR TABEL ... viii
DAFTAR LAMPIRAN ... ix
PENDAHULUAN ... 1
TINJAUAN PUSTAKA
Jahe ... 1 Kontrol Kualitas Tanaman Obat ... 2 Spektroskopi Inframerah Transformasi Fourier (FTIR) ... 3 Analisis Kemometrik Spektrum FTIR ... 3 Analisis Komponen Utama ... 4 Partial Least Square(Kuadrat Terkecil Parsial) ... 4 Partial Least Square Discriminant Analysis(PLSDA)... ... 4 BAHAN DAN METODE
Alat dan Bahan ... 5 Tahapan Penelitian ... 5
HASIL DAN PEMBAHASAN
Analisis FTIR dan KCKT ... 6 Analisis Komponen Utama ... 7 Partial Least SquareDiscriminant Analysis(PLSDA) ... 8 SIMPULAN DAN SARAN
Simpulan ... 9 Saran ... 10