BAB IV
HASIL DAN PEMBAHASAN
A. Analisis Data Uji Kelarutan dan Optimasi
Analisa data dan optimasi menggunakan RSM (Response Surface Methodology) pada software Desain Expert 11. Dari hasil data RSM akan menunjukan hubungan antara variabel bebas (konsentrasi % kunyit dan kecepatan homogenisasi) terhadap variabel terikat atau respon (kadar kurkumin) kemudian diterjemahkan ke dalam model persamaan fungsi respon terhadap variabel bebas yang telah dipilih.
Tabel 3. Tabel peubah bebas dan kode aras faktor optimasi
Kode Level
Nilai Aras Kunyit (%
b/v)
Kecepatan Homogenisasi (rpm)
-1,41 6,44 6.550,25
-1,00 11,00 8.000,00
0,00 22,00 11.500,00
1,00 33,00 15.000,00
+1,41 37,56 16.449,70
Berdasarkan dengan nilai aras pada Tabel 3 di atas maka dapat ditentukan faktor optimasi dispersi padat. Hasil Optimasi RSM menggunakan 13 perlakuan. Pada Tabel 4 menunjukkan konsentrasi 13 perlakuan.
Tabel 4. Kadar Kelarutan Kurkumin dengan Metode Dispersi Padat
No Kunyit (% b/v) Homogenisasi (rpm)
Kadar KUR (μg/mL)
1 2,20 11.500 1,41
2 3,75 11.500 0,91
3 2,20 11.500 1,34
4 3,30 8.000 0,84
5 3,30 15.000 1,24
6 0,64 11.500 1,47
7 1,10 8.000 1,73
8 2,20 11.500 1,43
9 2,20 16.449,74 1,63
10 1,10 15.000 2,02
11 2,20 6.550,25 1,17
12 2,20 11,500 1,45
13 2,20 11,500 1,78
Berdasarkan pengolahan data pada Tabel 4 didapatkan beberapa hasil model ragam dengan R-Squared, Adjusted R-Squared, dan Predicted R-Squared yang berbeda.
Berdasarkan beberapa model ragam ini harus dipilih untuk hasil optimasi yang terbaik.
Prediksi model ragam ditampilkan pada Tabel 5.
Tabel 5. Prediksi Model Ragam
Model
Ragam R-
Squared
Adjusted R- Squared
Predicted R- Squared
Linear 0,8995 0,8771 0,8696
2FI 0,9016 0,8647 0,8729
Quadratic 0,9095 0,8341 0,8535 Cubic 0,9098 0,7520
Berdasarkan data pada Tabel 5 diatas untuk nilai R-Squared tertinggi pada model ragam cubic akan tetapi nilai Predicted R-Squared aliased atau karena terlalu kecil hingga tidak terbaca. Berdasarkan Adjusted R-Squared dan Predicted R-Squared model ragam linear memiliki nilai yang paling tinggi dibandingkan model ragam lainnya. Oleh karena itu model ragam yang digunakan adalah linear.
Keakuratan model tersebut dapat diketahui dari harga R-squared (R2) yaitu 0,8995.
Dalam uji Sum of square, suatu model dinyatakan sesuai apabila nilai Adj R2 dan juga Pred R2 memiliki selisih nilai lebih kecil dari 0,2 (Meriatna et al., 2021). Bila dihat dari hasil penelitian yang didapatkan nilai dari Adj R2 adalah 0,8771 dan nilai dari Pred R2 adalah 0,8696 yang menunjukkan bahwa model ini sesuai karena selisih dari nilai Adj R2 dan juga Pred R2 lebih kecil dari 0,2 yaitu 0,0075 atau 0,0075 > 0,2.
Berdasarkan permodelan linear, pada Tabel 5 akan menunjukan p-value yang paling signifikan berinteraksi dengan variabelyang diuji pada pembuatan dispersi padat ini.
Tabel 6. Optimasi Uji Kelarutan
Source F-Value p-value
Model 40,28 < 0,0001 Signifikan X1 – Kunyit 65,45 < 0,0001
X2 – Homogenisasi 15,11 0,0037
Lack of Fit 0,092 0,9890 Tidak signifikan
Berdasarkan data uji kelarutan di lakukan uji ANOVA. Hasil menunjukan model dapat dikatakan memiliki pengaruh yang signifikan jika model memiliki nilai probabiliti P<0,05. Namun jika nilai probabiliti (Prob >F) lebih besar dari 0,05 maka model yang ditunjukkan tidak signifikan. Uji ANOVA untuk model dan variabel kuadrat X1, X2
memiliki nilai probabiliti (Prob>F) lebih kecil dari 0,05 seperti yang ditunjukkan pada Tabel 5. Hal ini menunjukkan bahwa model linear dan variabel kuadrat X1, X2
berpengaruh secara nyata terhadap kadar kurkumin. Dengan permodelan linear didapatkan persamaan regresi model orde I.
Data test Lack of Fit menunjukan model linear memiliki F-Value lebih tinggi dibanding dengan model lainnya. F-value pada tabel menunjukkan nilai signifikasi model yang dihasilkan. Hasil uji lack of fit yang tidak signifikan dapat diartikan bahwa kadar kurkumin aktual dan prediksi tidak berbeda nyata. Model yang dicapai memiliki koefisien variasi yang relative rendah seperti yang ditunjukkan pada Tabel 7.
Tabel 7. Standar Deviasi, Mean, C.V. % Std. Dev. 0,121
Mean 1,416 C.V. % 8,609
Berdasarkan data diatas didapatkan persamaan regresi linear pada persamaan (2):
𝑌 = 1,7306 − 0,3713𝑋1 + 0,000047 𝑋2 ………(2) Keterangan:
Y = Kadar KUR X1 = Kunyit (%)
X2 = Homogenisasi (rpm)
Persamaan diatas merupakan permodelan untuk memprediksi kondisi optimal pembentukan misel kurkumin dengan agen pemodifikasi STG/ETL. Persamaan diatas menggambarkan bahwa pengaruh konsentrasi % kunyit berbanding terbalik dengan kadar kurkumin, sementara kecepatan homogen berbanding lurus dengan kadar kurkumin yang dihasilkan.
Kadar kurkumin akan memiliki nilai yang semakin rendah saat konsentrasi kunyit dinaikkan dan kecepatan homogen memiliki nilai yang lebih kecil. Hal ini juga ditunjukkan dengan tanda negatif (-) pada koefisien X1 yang berlawanan dengan konstanta pada model. Nilai positif (+) ditunjukkan oleh koefisien X2 dan konstanta pada model.
Design-Expert® Software Factor Coding: Actual Kadar KUR (mg/mL)
Design points above predicted value Design points below predicted value 2.02746
0.841929 X1 = A: Kunyit X2 = B: Homogenisasi
8000 9000
10000 11000
12000 13000
14000 15000 1.1
1.65 2.2
2.75 3.3 0.8
1 1.2 1.4 1.6 1.8 2 2.2
Kadar KUR (mg/mL)
A: Kunyit (%) B: Homogenisasi (rpm)
Gambar 4. Surface plot Uji Kelarutan
Kemudian dari model ini menunjukkan bahwa kadar kurkumin hanya dipengaruhi oleh konsentrasi % kunyit serta kecepatan homogen dan bukan dari interaksi keduanya. Pada persamaan ini, konsentrasi % kunyit masih memberikan pengaruh yang lebih dominan pada respon kadar kurkumin dibandingkan pengaruh kecepatan homogen. Hal ini dapat dilihat dari koefisien X1 dengan nilai 0,371 mengindikasikan pengaruh yang lebih besar dibandingkan dengan keofisien X2 dengan nilai 4.7 x10-6 (Hepi et al., 2021).
Dari data permodelan tersebut kemudian dioptimasi dengan in range karena menggunakan rentang %kunyit, kecepatan homogenasi dan kadar Kur dari data terendah hingga tertinggi.
Pada hasil solutions dipilih kombinasi yang memiliki prediksi respon kadar kurkumin paling tinggi pada 1,011% kunyit pada kesepatan homogenasi 13.085 rpm dengan nilai desirability 1,00. Model dikatakan baik karena memiliki nilai desirability sempurna sebesar 1. Hal ini menunjukkan bahwa dengan kombinasi konsentrasi % kunyit dan kecepatan homogenisasi optimum yang terpilih dapat mencapai respon sesuai dengan kriteria yang diharapkan sebesar 100%. Kemudian dibuat Dispersi Padat sesuai data prediksi dengan perakuan yang sama dan diuji kelarutannya. Pada Tabel 8 dapat terlihat konsentrasi Aktualnya lebih tinggi dari prediksi.
Tabel 8. Hasil Prediksi dan Aktual optimal Kondisi Kunyit w/v (%) Kecepatan
Homogenisasi (rpm)
Konsentrasi (µg/mL)
Prediksi 1,011 13.085 1,992
Aktual 1,011 13.000 2,6280
Uji t dilakukan untuk membuktikan data prediksi dengan aktual dapat diterima atau tidak serta termasuk dalam tidak berbeda nyata atau berbeda nyata. Berdasarkan data uji t pada Tabel 7 membuktikan hasil prediksi dan aktual dapat diterima dan hipotesis hasil prediksi DE dan hasil lab tidak berbeda nyata.
B. Penetapan kadar kurkumin dalam Dispersi padat KUR-STG/ETL yang optimal menggunakan High Performance Liquid Chromatography (HPLC).
Penetapan kadar senyawa kurkumin menggunakan instrumen HPLC. Sampel optimasi yang telah dibuat kemudian ditambahkan pelarut aquades yang kemudian diekstraksi menggunakan alat ultra sonikasi. Kemudian sampel dispersi padat dianalisis dan ditetapkan kadar kurkuminnya menggunakan HPLC. Hasil kromatogram penetapan kadar kurkumin dengan HPLC ditunjukkan pada Tabel 8.
Tabel 9. Data HPLC penetapan kadar kurkumin dalam sampel kontrol dan optimal
No
Kode Area [Kurkumin] Uji
Sampel (mAU.mnt) [mg/ml]
1 Sampel kontrol ND ND
2 Sampel optimasi 1,101% ND ND
(a)
(b)
Gambar 5. Kromatogram (a) sampel kontrol 1.011% dan (b) sampel optimasi 1.011%
dengan modifier
Berdasarkan kromatogram dalam pada Gambar 4. Menunjukan sampel kontrol dan sampel optimasi kurkumin tidak terdeteksi pada pelarut air. Hasil ini menunjukan kelarutan kurkumin dalam air sangat rendah (Esananda, 2018). Disisi lain modifikasi kurkumin dalam bentuk dispersi padat ekstrak etanol kunyit masih belum dapat menaikan kelarutan kurkumin dalam air. Hal ini diduga terjadi pada saat homogenisasi dengan ultra turax belum mencapai titik kritis critical mass concentration (CMC).
Salah satu faktor penting dalam pencapaian CMC untuk pembentukan misel adalah pemanasan. Pada penelitian ini tidak adanya proses pemanasan saat pembuatan sampel menyebabkan belum tercapainya CMC sehingga ada misel yang diharapkan belum terbentuk.
Pembentukan CMC dipengaruhi oleh berbagai faktor. Karena ada penguapan pelarut dengan evaporator yang berlangsung sangat cepat menyebabkan kurkumin tidak sempat menata diri sehingga kurkumin tidak tesusun beraturan (Goldberg et al., 1965).
Selain itu peningkatan kelarutan dispersi padat tergantung pada jumlah modifier didalamnya.
Semakin sedikit pembawa modifier yang digunakan maka kemungkinan terjadi kristalisasi semakin besar (Purohit & Taylor, 2015). Kelarutan akan semakin rendah jika dispersi padat berbentuk kristal (Janssens & Van den Mooter, 2009). Hasil ini diduga kurkumin belum bisa terlarut dalam air dalam bentuk kristal dan tersaring pada kertas saring Whatman sebelum disuntikkan pada sistem HPLC. Perbandingan larutan
sampel yang telah disaring sebelum disuntikkan ke HPLC ternyata berwarna bening (seperti pada Gambar 5). Terlihat pada kertas saring banyak partikel kurkumin yang tidak lolos kertas saring Whatman sehingga salah satu penyebab senyawa kurkumin tidak terdeteksi oleh instrumen HPLC.
Gambar 6. Sampel sebelum di saring (dalam tabung reaksi), Sampel setelah disaring (Pada botol sampel), dan Kertas saring Whatman
