Diskriminasi temu lawak, temu mangga, temu hitam, dan kunyit menggunakan spektrum ultraviolet-tampak dan kemometrika

DISKRIMINASI TEMU LAWAK, TEMU MANGGA, TEMU
HITAM, DAN KUNYIT MENGGUNAKAN SPEKTRUM
ULTRAVIOLET-TAMPAK DAN KEMOMETRIKA

RAODATUL JANNAH

DEPARTEMEN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Diskriminasi Temu
Lawak, Temu Mangga, Temu Hitam, dan Kunyit Menggunakan Spektrum
Ultraviolet-Tampak dan Kemometrika adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks
dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, November 2014
Raodatul Jannah
NIM G44100025

ABSTRAK
RAODATUL JANNAH. Diskriminasi Temu Lawak, Temu Mangga, Temu
Hitam, dan Kunyit Menggunakan Spektrum Ultraviolet-Tampak dan
Kemometrika. Dibimbing oleh MOHAMAD RAFI dan RUDI HERYANTO.
Temu lawak, temu mangga, temu hitam, dan kunyit termasuk ke dalam
genus Curcuma yang banyak digunakan di Indonesia sebagai obat tradisional
(jamu) untuk mengobati berbagai penyakit. Tujuan penelitian ini adalah
mendiskriminasikan sampel keempat simplisia yang berasal dari berbagai daerah
di Pulau Jawa dengan menggunakan spektrum ultraviolet-tampak yang
dikombinasikan dengan kemometrika. Prapemrosesan sinyal untuk data matriks
spektrum ultraviolet-tampak pada daerah 200500 nm telah dilakukan
menggunakan variat normal standar sebelum diolah dengan analisis multivariat,
seperti principal component analysis (PCA), linear discriminant analysis (LDA),
dan soft independent modeling of class analogy (SIMCA). Sampel dapat

dikelompokkan menggunakan metode PCA, namun hasil pengelompokan tersebut
belum memberikan keterpisahan antarsampel, begitu pula dengan klasifikasi
sampel menggunakan SIMCA yang belum memberikan hasil keterpisahan
antarsampel. Keempat sampel dapat didiskriminasikan menggunakan metode
LDA dan validasi silang model LDA memberikan nilai akurasi sebesar 94.2%.
Kata kunci: Curcuma, diskriminasi, kemometrika, spektrum ultraviolet-tampak

ABSTRACT
RAODATUL JANNAH. Discrimination of Java Turmeric, Mango Ginger, Black
Turmeric, and Turmeric Using Ultraviolet-Visible Spectrum and Chemometrics.
Supervised by MOHAMAD RAFI and RUDI HERYANTO.
Java turmeric, mango ginger, black turmeric, and turmeric belong to
Curcuma genus that are widely used by Indonesian as traditional medicines
(herbal remedies) to treat various diseases. The purpose of this study was to
discriminate sample of these four species from various regions in Java Island by
using ultraviolet-visible spectrum combined with chemometrics. Signal
preprocessing for data matrix from the ultraviolet-visible spectrum in the region of
200500 nm has been done using the standard normal variate prior to multivariate
analysis, such as principal component analysis (PCA), linear discriminant analysis
(LDA), and soft independent modeling of class analogy (SIMCA). The samples

can be grouped using PCA, however the result does not give separation among the
samples, as well as that the classification of the samples using SIMCA does not
give separation among them. These four samples can be discriminated using LDA
methods with accuracy level of 94.2% using cross validation method.
Keywords: chemometrics, Curcuma, discrimination, ultraviolet-visible spectrum

DISKRIMINASI TEMU LAWAK, TEMU MANGGA, TEMU
HITAM, DAN KUNYIT MENGGUNAKAN SPEKTRUM
ULTRAVIOLET-TAMPAK DAN KEMOMETRIKA

RAODATUL JANNAH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains
pada
Departemen Kimia

DEPARTEMEN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR
BOGOR
2014

Judul Skripsi : Diskriminasi Temu Lawak, Temu Mangga, Temu Hitam, dan Kunyit
Menggunakan Spektrum Ultraviolet-Tampak dan Kemometrika
Nama
: Raodatul Jannah
NIM
: G44100025

Disetujui oleh

Dr Mohamad Rafi
Pembimbing I

Rudi Heryanto, SSi, MSi
Pembimbing II

Diketahui oleh

Prof Dr Dra Purwantiningsih Sugita, MS
Ketua Departemen

Tanggal Lulus:

PRAKATA
Segala Puji dan syukur penulis panjatkan kepada Allah subhanahu wa
ta’ala atas rahmat-Nya sehingga penulis mampu menyelesaikan karya ilmiah ini.
Penelitian ini dilaksanakan sejak bulan April 2014 dengan tema kontrol kualitas
tanaman genus Curcuma.
Terima kasih penulis ucapkan kepada Bapak Dr Mohamad Rafi dan Bapak
Rudi Heryanto, SSi, MSi selaku pembimbing yang senantiasa memberikan saran,
bimbingan, bantuan, nasihat, dan kritikan yang membangun kepada penulis.
Ungkapan terima kasih juga penulis ucapkan kepada Bapak Eman Suherman, Mas
Eko Firmansyah, Eva Lilis Nurgilis, Baiq Amelia Riyandari, Lestari Pudjiastuti,
Herdiyanto, Anisyah Is Purwati atas bantuannya.
Ucapan terima kasih yang takterhingga juga penulis berikan untuk Ibuku
Triyanti, Bapakku Sudiman, Kakak-kakakku Pratiwi Mardiyanti, Liana Puspita
Sari, dan Akhmad Khoiril Anam yang senantiasa memberikan doa dan kasih

sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, November 2014
Raodatul Jannah

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

METODE

2

Bahan

2

Alat

4

Prosedur

4

HASIL DAN PEMBAHASAN

5

Penentuan Kondisi Optimum Preparasi Sampel

5

Proses Pendahuluan dan Klasifikasi Menggunakan PCA

6

Diskriminasi Menggunakan PCA-LDA

7

Klasifikasi Menggunakan SIMCA

9

SIMPULAN DAN SARAN

11

Simpulan

11

Saran

11

DAFTAR PUSTAKA

11

LAMPIRAN

13

RIWAYAT HIDUP

19

DAFTAR TABEL
1 Kode dan asal sampel

2

DAFTAR GAMBAR
1 Score plot hasil PCA sampel temu lawak (L), temu mangga (M), temu
hitam (H), dan kunyit (K) ................................................................................ 7
2 Hasil analisis LDA sampel temu lawak ( ), temu mangga ( ), temu
hitam ( ), dan kunyit ( ) ............................................................................... 8
3 Cooman plot kunyit dan temu lawak ................................................................ 9
4 Discrimination power kunyit dan temu lawak................................................ 10

DAFTAR LAMPIRAN
1 Bagan alir penelitian
2 Tabulasi data hasil analisis sampel menggunakan spektrofotometer
ultraviolet-tampak

3 Penentuan kondisi optimum preparasi sampel
4 Hasil klasifikasi menggunakan SIMCA

13
14
15
17

PENDAHULUAN
Genus Curcuma dari keluarga Zingiberaceae merupakan genus besar yang
terdiri atas 70 spesies yang tumbuh sebagai tanaman liar maupun yang
dibudidayakan (Jarikasem et al. 2005). Tanaman jenis temu-temuan ini banyak
digunakan di Indonesia sebagai obat tradisional (jamu). Tanaman genus Curcuma
yang lazim digunakan sebagai bahan baku pembuatan jamu adalah temu lawak (C.
xanthorrhiza Roxb.), temu mangga (C. mangga Val.), temu hitam (C. aeruginosa
Roxb.), dan kunyit (C. longa Linn.). Keempat tanaman tersebut sering
dimanfaatkan dalam pengobatan tradisional, di antaranya mengobati diare, obat
jerawat, gatal-gatal (Rukmana 2004), dan sebagai obat infeksi yang disebabkan
oleh mikrob patogen (Jawetz et al. 2005).
Bagian tanaman tersebut yang paling banyak digunakan sebagai bahan baku
obat dan jamu adalah rimpangnya. Banyaknya pemanfaatan rimpang tanaman
temu lawak, temu mangga, temu hitam, dan kunyit sebagai obat atau jamu harus
diimbangi dengan pengawasan terhadap mutunya. Dalam bentuk rimpang,
keempat tanaman tersebut masih dapat dibedakan, tetapi menjadi sulit dibedakan
lagi bila sudah dalam bentuk serbuk. Pemalsuan bahan baku obat antara satu dan
lainnya kerap terjadi, antara lain disebabkan oleh adanya perbedaan harga.
Menurut Rafi et al. (2011), komponen kimia aktif dalam tanaman obat merupakan
sumber khasiat tanaman obat tersebut. Kendali mutu diperlukan agar khasiat,
keamanan, dan mutu tanaman obat tetap terjaga.
Kendali mutu tanaman genus Curcuma dilakukan dengan cara diskriminasi,
yaitu proses membedakan satu sampel dengan sampel lainnya dengan menemukan
kesamaan antarsampel. Zhang et al. (2013) telah mendiskriminasikan beberapa
jenis tanaman genus Curcuma lainnya, yaitu C. wenyujin, C. kwangsiensis, C.
phaeocaulis, dan C. longa asal Tiongkok menggunakan kromatografi gas dan
spektrometri massa. Ni et al. (2011) juga telah melakukan klasifikasi C.
kwangsiensis, C. phaeocaulis, dan C. wenyujin menggunakan kromatografi gas,
spektrometri massa, dan kromatografi cair kinerja tinggi. Teknik-teknik tersebut
memiliki beberapa kelebihan, yaitu analisis yang cepat, resolusi yang tinggi,
detektor yang sensitif, akurasi yang tinggi, dan sampel yang diperlukan sedikit.
Namun, preparasi yang rumit dan lama serta biaya analisis yang relatif mahal
menjadikan teknik tersebut bukan pilihan yang atraktif. Oleh karena itu,
diperlukan teknik alternatif lainnya dalam kendali mutu tanaman obat genus
Curcuma asal Indonesia.
Salah satu teknik alternatif yang dapat digunakan dalam kendali mutu
tanaman
obat
adalah
spektrofotometri
(ultraviolet-tampak).
Teknik
spektrofotometri ultraviolet-tampak sering digunakan untuk tujuan analisis karena
memiliki sifat sensitif dan kuantitatif. Kelebihan lainnya dari teknik ini adalah
cepat, murah, dan mudah dalam preparasi maupun pengujian sampel, sehingga
lebih efisien bila digunakan dalam proses kendali mutu (Sanchez et al. 2008).
Kendali mutu menggunakan spektrofotometer ultraviolet-tampak telah banyak
diterapkan untuk autentikasi, identifikasi, dan diskriminasi tanaman yang
berkerabat dekat maupun produk pangan. Morillo et al. (2012) telah melakukan
diferensiasi terhadap varietas teh, Gad et al. (2012) mengembangkan metode
autentikasi untuk beberapa tanaman genus Thymus, Sanchez et al. (2008)

2
melakukan kendali mutu terhadap Crocus sativus L., dan Garcia et al. (2007)
melakukan diskriminasi senyawa kimia pada minuman tequila.
Spektrum serapan ultraviolet-tampak dari ekstrak tumbuhan yang kompleks
ini memerlukan suatu metode kemometrika berupa analisis multivariat untuk
mendapatkan informasi yang diinginkan seperti diskriminasi tumbuhan yang
berkerabat dekat. Metode diskriminasi yang lazim digunakan untuk
mengklasifikasikan sampel dalam kemometrika, yaitu principal component
analysis (PCA), linear discriminant analysis (LDA), dan soft independent
modeling of class analogy (SIMCA). Spektrum ultraviolet-tampak yang
dikombinasikan
dengan
kemometrika
akan
memudahkan
dalam
mendiskriminasikan atau mengklasifikasikan sampel tanaman yang memiliki
kemiripan atau berkerabat dekat. Penelitian ini bertujuan mendiskriminasikan C.
xanthorrhiza Roxb, C. mangga Val., C. aeruginosa Roxb., dan C. longa Linn.
yang berasal dari berbagai daerah di Pulau Jawa dengan menggunakan spektrum
ultraviolet-tampak yang dikombinasikan dengan kemometrika.

METODE
Penelitian ini terdiri atas beberapa tahapan, yaitu penentuan kondisi
optimum preparasi sampel, ekstraksi sampel berdasarkan kondisi optimum yang
telah diperoleh, analisis seluruh sampel menggunakan spektrofotometer
ultraviolet-tampak pada panjang gelombang 200800 nm, dan pengolahan data
menggunakan metode kemometrika.

Bahan
Bahan-bahan yang digunakan dalam penelitian ini adalah metanol, 70
sampel yang terdiri atas 15 sampel temu hitam, 19 sampel temu lawak, 24 sampel
kunyit, dan 12 sampel temu mangga yang dikumpulkan dari 3 provinsi di Pulau
Jawa, Indonesia (Tabel 1). Seluruh sampel telah berbentuk serbuk.
Tabel 1 Kode dan asal sampel
Kode
Sampel a
H1
H2
H3
H4
H5
H6

Sumber (Wilayah,
Kabupaten, Provinsi)
Tirtomoyo, Wonogiri, Jawa
Tengah
Wonogiri (1), Wonogiri,
Jawa Tengah
Wonogiri (2), Wonogiri,
Jawa Tengah
Songgolangit, Ponorogo,
Jawa Tengah
Balidono, Purworejo, Jawa
Tengah
Minulyo, Pacitan, Jawa

Kode
Sampel a
K2
K3
K4
K5
K6
K7

Sumber (Wilayah,
Kabupaten, Provinsi)
Wonogiri (1), Wonogiri,
Jawa Tengah
Wonogiri (2), Wonogiri,
Jawa Tengah
Songgolangit, Ponorogo,
Jawa Tengah
Balidono, Purworejo, Jawa
Tengah
Minulyo, Pacitan, Jawa
Timur
Tegalombo, Pacitan, Jawa

3

H7
H8
H9
H10
H11
H12
H13
H14
H15
L1
L2
L3
L4
L5
L6
L7
L8
L9
L10
L11
L12
L13
L14
L15

Timur
Tegalombo, Pacitan, Jawa
Timur
Tawangmangu,
Karanganyar, Jawa Tengah
Karangpandan,
Karanganyar, Jawa Tengah
Kutoarjo, Purworejo, Jawa
Tengah
Kuniran, Ngawi, Jawa
Timur
Leuwiliang, Bogor, Jawa
Barat
Tegalwaru, Bogor, Jawa
Barat
Pulung (1), Ponorogo, Jawa
Timur
Baturetno, Wonogiri, Jawa
Tengah
Tirtomoyo, Wonogiri, Jawa
Tengah
Wonogiri (1), Wonogiri,
Jawa Tengah
Wonogiri (2), Wonogiri,
Jawa Tengah
Songgolangit, Ponorogo,
Jawa Tengah
Balidono, Purworejo, Jawa
Tengah
Minulyo, Pacitan, Jawa
Timur
Tegalombo, Pacitan, Jawa
Timur
Tawangmangu,
Karanganyar, Jawa Tengah
Karangpandan,
Karanganyar, Jawa Tengah
Kutoarjo, Purworejo, Jawa
Tengah
Kuniran, Ngawi, Jawa
Timur
Leuwiliang, Bogor, Jawa
Barat
Tegalwaru, Bogor, Jawa
Barat
Pulung (1), Ponorogo, Jawa
Timur
Gondang, Sragen, Jawa

K8
K9
K10
K11
K12
K13
K14
K15
K16
K17
K18
K19
K20
K21
K22
K23
K24
M1
M2
M3
M4
M5
M6
M7

Timur
Tawangmangu,
Karanganyar, Jawa Tengah
Karangpandan,
Karanganyar, Jawa Tengah
Kutoarjo, Purworejo, Jawa
Tengah
Kuniran, Ngawi, Jawa
Timur
Leuwiliang, Bogor, Jawa
Barat
Tegalwaru, Bogor, Jawa
Barat
Pulung (1), Ponorogo, Jawa
Timur
Baturetno, Wonogiri, Jawa
Tengah
Gondang, Sragen, Jawa
Tengah
Ciampea, Bogor, Jawa
Barat
Ciemas, Sukabumi, Jawa
Barat
Tanjung Kerta, Sumedang,
Jawa Barat
Nagrak, Sukabumi, Jawa
Barat
Ngadirojo, Wonogiri, Jawa
Tengah
Cimalaka, Sumedang, Jawa
Barat
Arjosari, Pacitan, Jawa
Timur
Pulung (2), Ponorogo, Jawa
Timur
Tirtomoyo, Wonogiri, Jawa
Tengah
Wonogiri (1), Wonogiri,
Jawa Tengah
Wonogiri (2), Wonogiri,
Jawa Tengah
Songgolangit, Ponorogo,
Jawa Tengah
Balidono, Purworejo, Jawa
Tengah
Minulyo, Pacitan, Jawa
Timur
Tegalombo, Pacitan, Jawa

4
Tengah
Ciampea, Bogor, Jawa Barat

Timur
Tawangmangu, Pacitan,
L16
M8
Jawa Timur
Ciemas, Sukabumi, Jawa
Karangpandan,
L17
M9
Barat
Karanganyar, Jawa Tengah
Tanjung Kerta, Sumedang,
Kutoarjo, Purworejo, Jawa
L18
M10
Jawa Barat
Tengah
Nagrak, Sukabumi, Jawa
Kuniran, Ngawi, Jawa
L19
M11
Barat
Timur
Tirtomoyo, Wonogiri, Jawa
Leuwiliang, Bogor, Jawa
K1
M12
Tengah
Barat
a
H: Temu Hitam, L: Temu Lawak, K: Kunyit, M: Temu Mangga.

Alat
Alat-alat yang digunakan dalam penelitian ini adalah spektrofotometer
ultraviolet-tampak 1700 PC, Ultrasonic cleaning bath, dan peranti lunak The
Unscrambler X versi 10.2 (CAMO, Norwegia).

Prosedur
Penentuan Kondisi Optimum Preparasi Sampel
Sampel (temu lawak, temu mangga, temu hitam, dan kunyit) ditimbang
sebanyak 0.0100 g dan ditambahkan 10 mL metanol kemudian diekstrak secara
sonikasi dalam waktu tertentu (10, 20, 30, 40, 50 menit) pada suhu ruang.
Campuran disaring dalam labu takar 10 mL kemudian dibilas dan ditera dengan
metanol. Larutan tersebut diencerkan menggunakan metanol dalam labu takar 10
mL hingga berbagai konsentrasi. Selanjutnya larutan diukur serapannya
menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang
200800 nm dengan menggunakan metanol sebagai blangko. Kondisi optimum
preparasi sampel ditentukan dari 2 parameter, yaitu konsentrasi sampel dan waktu
sonikasi (Lampiran 1). Sampel yang digunakan untuk penentuan kondisi optimum
preparasi sampel berasal dari daerah Tirtomoyo, Wonogiri, Jawa Tengah.
Analisis Sampel Menggunakan Spektrofotometer Ultraviolet-Tampak
Sebanyak 0.0100 g sampel ditimbang dan ditambahkan 10 mL metanol
kemudian diekstrak secara sonikasi pada suhu ruang berdasarkan waktu optimum
yang telah didapatkan. Campuran disaring dalam labu takar 10 mL kemudian
dibilas dan ditera dengan metanol. Larutan tersebut diencerkan menggunakan
metanol dalam labu takar 10 mL hingga konsentrasi optimum yang telah
didapatkan sebelumnya. Larutan tersebut diukur serapannya menggunakan
spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm
dengan menggunakan metanol sebagai blangko. Spektrum yang dihasilkan

5
memuat data berupa panjang gelombang dan absorbans yang dikonversi ke dalam
MS. Excel.
Analisis Kemometrika
Data matriks yang diperoleh terdiri atas 1202 kolom (panjang gelombang)
sebagai variabel dan 70 baris (sampel) seperti yang ditunjukkan pada Lampiran 2.
Daerah pada panjang gelombang 200500 nm dipilih sebagai daerah yang
digunakan untuk klasifikasi sampel. Sebelum dilakukan analisis multivariat,
matriks data yang dipilih kemudian dilakukan proses pendahuluan berupa
transformasi variat normal standar (VNS). Selanjutnya dilakukan analisis
kemometrika berupa PCA untuk pengelompokan sampel dengan mereduksi
jumlah variabel. Metode LDA dan SIMCA juga digunakan untuk
mengklasifikasikan sampel. Peranti lunak yang digunakan adalah The
Unscrambler X versi 10.2 (CAMO, Norwegia).

HASIL DAN PEMBAHASAN
Penentuan Kondisi Optimum Preparasi Sampel
Penentuan kondisi optimum preparasi sampel dilakukan sebagai tahap awal
dalam penelitian ini. Parameter yang dicakup, yaitu konsentrasi dan waktu
sonikasi sampel. Sampel diekstraksi menggunakan pelarut metanol agar dapat
mengikat komponen kimia yang bersifat polar dalam sampel temu lawak, temu
mangga, temu hitam, dan kunyit. Ekstraksi sampel dilakukan dengan cara sonikasi,
kelebihan ekstraksi dengan cara ini adalah keterulangan ekstraksi yang baik,
waktu ekstraksi lebih singkat, lebih efisien, dan dapat digunakan untuk ukuran
sampel yang beragam (Susilowati 2006). Penentuan kondisi optimum ditentukan
dengan mengukur serapan sampel temu lawak, temu mangga, temu hitam, dan
kunyit (hasil ekstraksi) menggunakan spektrofotometer ultraviolet-tampak pada
panjang gelombang 200800 nm.
Konsentrasi sampel dibuat sedemikian rupa sehingga didapatkan konsentrasi
optimum keempat sampel sebesar 0.015% (b/v). Konsentrasi tersebut dipilih
karena memberikan nilai absorbans kurang dari 2 dengan tujuan meminimalkan
kesalahan. Pengukuran absorbans yang baik untuk meminimalkan kesalahan,
yaitu pada nilai absorbans 0.12. Berdasarkan hukum Lambert-Beer, jumlah
radiasi cahaya yang diserap berbanding lurus dengan konsentrasi dan tebal kuvet
(Pavia et al. 2009). Konsentrasi optimum yang didapat kemudian digunakan untuk
menentukan waktu sonikasi. Waktu sonikasi yang digunakan adalah 10, 20, 30, 40,
dan 50 menit. Kondisi optimum dilihat berdasarkan respon terbaik atau serapan
terbesar dari larutan setiap sampel. Berdasarkan hasil yang telah didapat, serapan
terbesar untuk sampel temu mangga ditunjukkan pada waktu sonikasi selama 50
menit (Lampiran 3). Namun, serapan terbesar untuk sampel temu lawak, temu
hitam, dan kunyit dihasilkan pada waktu sonikasi selama 40 menit, sehingga
digunakan waktu sonikasi selama 40 menit sebagai waktu sonikasi optimum untuk
preparasi seluruh sampel.

6
Proses Pendahuluan dan Klasifikasi Menggunakan PCA
Sampel dianalisis menggunakan spektrofotometer ultraviolet-tampak pada
panjang gelombang 200800 nm. Cahaya yang diserap suatu senyawa pada
daerah ultraviolet-tampak bergantung pada struktur senyawa tersebut. Spektrum
ultraviolet-tampak senyawa-senyawa organik berkaitan dengan transisi elektronik
dari tingkat energi yang lebih rendah ke tingkat energi yang lebih tinggi.
Informasi yang didapat cenderung untuk senyawa secara keseluruhan. Keempat
sampel menunjukkan spektrum absorbsi dengan pola yang sama pada daerah
panjang gelombang 210350 nm. Kesamaan pada serapan tersebut diperkirakan
karena adanya serapan dari senyawa flavonoid. Menurut Tsimogiannis et al.
(2007), gugus aromatik yang ada pada senyawa flavonoid terserap pada panjang
gelombang 250290 nm, diduga adanya transisi elektron � → � ∗ pada C=C
terkonjugasi dari gugus aromatik. Spektrum absorbsi sampel memuat data berupa
panjang gelombang dan absorbans yang digunakan dalam analisis kemometrika.
Data yang diperoleh dari hasil pengukuran serapan sampel menggunakan
spektrofotometer ultraviolet-tampak terdiri atas 1202 kolom (panjang gelombang)
sebagai variabel dan 70 baris (sampel). Banyaknya jumlah variabel dan analisis
spektrum yang rumit memerlukan metode kemometrika berupa analisis
multivariat. Matriks data yang digunakan untuk analisis multivariat dipilih
berdasarkan daerah yang lebih berpengaruh atau daerah yang memberikan respons
yang baik pada keempat jenis sampel yang digunakan. Sehingga dipilih daerah
pada panjang gelombang 200500 nm untuk klasifikasi sampel. Sebelum
dilakukan analisis, matriks data diberikan proses pendahuluan berupa VNS.
Teknik ini merupakan proses transformasi baris yang digunakan untuk tiap
spektrum individual (Jorgensen 2000). Setiap nilai dalam baris data
ditransformasikan dengan rumus:
��� � � � − �
(
� � �)
Nilai baru =
�� (
� � �)
VNS didapatkan dari nilai setiap titik absorbans dikurangi rerata baris dan
hasilnya dibagi dengan standar deviasinya. Proses pendahuluan ini dilakukan
untuk perbaikan informasi data yang akan menghilangkan efek pencar dari data
spektrum. VNS akan menstandardisasi setiap spektrum hanya dengan
menggunakan data dari spektrum tersebut. Setelah dilakukan tahap pendahuluan
kemudian dilakukan analisis multivariat.
Sampel diklasifikasikan menggunakan PCA. Teknik PCA banyak
digunakan untuk mengenali pola dari suatu set data sehingga data dapat
dikelompokkan berdasarkan persamaan polanya (Brereton 2003). PCA digunakan
untuk mereduksi dimensi variabel dengan tetap mempertahankan informasi data.
Metode statistik multivariat takterawasi ini mencari komponen utama yang
merupakan kombinasi linear dari peubah asli (Miller dan Miller 2000). Komponen
utama (PC) adalah variabel baru yang merupakan kombinasi linear dari variabelvariabel dalam set data dan memiliki sifat varians yang semakin mengecil.
Komponen-komponen utama dipilih sedemikian rupa sehingga PC1
memiliki varians terbesar dalam set data, sedangkan komponen utama kedua tegak
lurus terhadap komponen utama pertama dan memiliki varians terbesar berikutnya
(Brereton 2003). Keragaman cenderung terkumpul pada beberapa komponen
utama pertama dan semakin sedikit yang terkumpul pada komponen utama

7
terakhir, sehingga komponen-komponen utama pada urutan terakhir dapat
diabaikan tanpa kehilangan informasi. Melalui cara tersebut PCA dapat digunakan
untuk mereduksi variabel-variabel.

Gambar 1 Score plot hasil PCA sampel temu lawak (L), temu mangga (M), temu
hitam (H), dan kunyit (K)
Pengelompokan keempat sampel berdasarkan asal daerah dengan
menggunakan PCA ditunjukkan dengan plot nilai score dari dua PC pertama
dalam bentuk dua dimensinya (Gambar 1). PC1 dan PC2 biasanya paling berguna
dalam klasifikasi sampel menggunakan PCA karena kedua PC ini memiliki paling
banyak keragaman data. Jumlah varians kedua PC ini adalah 74%, yang artinya
dua PC mewakili 74% dari seluruh data.

Diskriminasi Menggunakan PCA-LDA
Analisis menggunakan PCA belum memberikan keterpisahan antarsampel.
Hal ini menandakan bahwa keempat sampel memiliki beberapa kemiripan satu
sama lainnya seperti mengandung beberapa senyawa kimia yang sama. Spektrum
keempat sampel (Lampiran 3) menunjukkan pola serapan yang sama pada daerah
panjang gelombang 210350 nm. Kesamaan serapan keempat sampel tersebut
diduga karena adanya komponen kimia yang sama pada keempat sampel tersebut
seperti senyawa flavonoid. Oleh karena itu, digunakan metode analisis multivariat
terawasi seperti LDA dengan VNS sebagai proses pendahuluan. LDA
mengklasifikasikan berdasarkan analisis matriks penyebaran yang tujuannya
adalah menemukan proyeksi optimal sehingga dapat memproyeksikan data input
pada ruang dengan dimensi yang lebih kecil dan semua pola dapat dipisahkan
semaksimal mungkin. LDA mencoba memaksimalkan penyebaran data-data
diantara kelas-kelas yang berbeda dan meminimalkan penyebaran data pada kelas
yang sama (Berrueta et al. 2007). Metode LDA yang digunakan merupakan
penggabungan antara PCA dengan LDA yang diharapkan akan menghasilkan

8
reduksi dimensi yang optimal. Pemilihan jumlah komponen didasarkan pada
eigenvalue tiap komponen.
Komponen utama hasil PCA yang memiliki eigenvalue lebih besar dari 1
digunakan dalam LDA berdasarkan kriteria yang ditetapkan oleh Kaiser. Setiap
variabel yang diamati berkontribusi satu unit varians terhadap total varians. Jika
eigenvalue lebih besar dari 1, maka setiap komponen utama menjelaskan sejumlah
besar varians dari 1 variabel yang diamati (Morillo et al. 2012). Terdapat 4
komponen utama dari hasil PCA yang kemudian digunakan dalam LDA.
Komponen utama hasil PCA yang digunakan dalam analisis LDA divalidasi
menggunakan metode validasi silang yang digunakan untuk mengetahui seberapa
baik kemampuan prediksi dari model. Metode validasi silang merupakan metode
yang digunakan untuk mengevaluasi model-model regresi dengan menggunakan
suatu ukuran kemampuan prediksi dan memilih satu model yang terbaik. Ukuran
kemampuan prediksi dalam metode validasi silang dicari dengan cara membagi
data menjadi dua bagian, bagian pertama digunakan untuk membuat model regresi
(data training) dan bagian kedua digunakan untuk memvalidasi model (data
testing) agar diketahui seberapa baik kemampuan prediksi dari model tersebut
(Berrueta et al. 2007). Validasi silang yang digunakan adalah leave-one-out, satu
sampel dikeluarkan dari model dan sisanya digunakan untuk membuat model lalu
sampel yang satu diujikan pada model yang baru. Teknik validasi model dengan
cara ini telah sering digunakan, metode ini dapat menghindari adanya overfitting
yang merupakan kondisi terdapat banyak galat acak, kondisi tersebut dapat
menurunkan kemampuan prediksi model.
Gambar 2 menunjukkan hasil LDA sampel temu lawak, temu mangga, temu
hitam, dan kunyit. Hasil diskriminasi mengunakan metode LDA menghasilkan
nilai akurasi sebesar 94.2%. Diskriminasi sampel dengan menggunakan
penggabungan PCA dan LDA memberikan hasil keterpisahan yang lebih baik
daripada PCA karena sebelum dilakukan LDA, telah dilakukan reduksi dimensi
oleh PCA kemudian LDA mengklasifikasikan sampel berdasarkan matriks
penyebaran data pada dimensi yang lebih kecil sehingga pemisahan dapat lebih
optimal.

Gambar 2 Hasil analisis LDA sampel temu lawak ( ), temu mangga ( ), temu
hitam ( ), dan kunyit ( )

9
Klasifikasi Menggunakan SIMCA
Sampel temu lawak, temu mangga, temu hitam, dan kunyit juga
diklasifikasikan menggunakan SIMCA. Teknik analisis multivariat terawasi ini
berbeda dengan metode PCA, namun didasarkan pada pembuatan model PCA
untuk setiap kelas pada data training. Metode klasifikasi ini terdiri atas dua tahap,
yaitu membangun satu model PCA untuk masing-masing kelas dan
mengklasifikasikan setiap sampel pada masing-masing model kemudian
memutuskan apakah sampel tersebut masuk ke dalam kelas yang sesuai. Sampel
baru akan diakui sebagai anggota kelas jika memiliki kemiripan dengan anggota
dalam kelas tersebut (Garcia et al. 2013). SIMCA dapat mengklasifikasikan
sampel ke dalam satu, beberapa kelas, atau tidak terklasifikasikan ke dalam kelas
manapun (Urbano et al. 2005).
Jumlah komponen utama masing-masing kelas pada data training juga
ditentukan oleh validasi silang leave-one-out. Tabel klasifikasi (Lampiran 4)
menunjukkan hasil klasifikasi sampel menggunakan SIMCA. Hasil tersebut
memerlihatkan sampel temu hitam, temu lawak, dan temu mangga terklasifikasi
ke dalam kelasnya masing-masing dan terklasifikasikan ke dalam kelas lainnya,
yang artinya ketiga sampel tersebut memiliki kesamaan satu sama lain
berdasarkan komponen kimianya. Sebanyak 1 sampel temu hitam diakui ke dalam
kelas temu lawak dan kunyit, serta 8 sampel diakui ke dalam kelas temu mangga.
Sama halnya dengan sampel temu lawak, sebanyak 15 sampel diakui ke dalam
kelas temu hitam, 4 sampel ke dalam kelas kunyit, dan 10 sampel ke dalam kelas
temu mangga. Begitu pula dengan sampel temu mangga, sebanyak 8 sampel temu
mangga diakui ke dalam kelas temu hitam dan 1 sampel diakui ke dalam kelas
kunyit. Perbedaan terlihat pada kunyit, sampel kunyit hanya terklasifikasi ke
dalam kelas kunyit saja dan tidak diakui ke dalam kelas lainnya. Hal tersebut
dimungkinkan karena kunyit memiliki perbedaan pada komponen kimia yang
dimilikinya. Namun, terdapat 1 sampel kunyit (K1) yang berasal dari daerah
Tirtomoyo, Jawa Tengah yang tidak terklasifikasikan ke dalam kelas manapun.
Hal tersebut kemungkinan karena sampel K1 memiliki perbedaan komponen
kimia pada sampel lainnya atau terjadi galat saat preparasi sampel.

Gambar 3 Cooman plot kunyit dan temu lawak

10
Hasil tabel klasifikasi dievaluasi menggunakan Cooman plot. Sampel yang
baru diklasifikasikan akan ditampilkan dalam warna hijau, sedangkan sampel
kalibrasi untuk dua model ditampilkan dalam warna biru dan merah. Cooman plot
mendiskriminasikan dua kelas yang terpisahkan oleh garis tiap kelas. Berdasarkan
hasil evaluasi menggunakan Cooman plot sampel kunyit dan temu lawak, sampel
kunyit terpisah jauh dari sampel temu lawak, temu hitam, dan kunyit. Beberapa
sampel temu lawak berdekatan dengan model kelas temu hitam dan temu mangga.
Begitu pula beberapa sampel temu hitam yang berdekatan dengan model kelas
temu lawak dan temu mangga. Beberapa sampel temu mangga juga berdekatan
dengan model kelas temu hitam. Hasil tersebut menunjukkan hanya sampel kunyit
yang terdiskriminasi sempurna dari sampel temu lawak, temu mangga, dan temu
hitam.

Gambar 4 Discrimination power kunyit dan temu lawak
Hasil discrimination power yang ditunjukkan pada Gambar 4
memerlihatkan variabel mana yang paling berguna dalam menggambarkan
perbedaan antara dua jenis sampel. Gambar 4 menunjukkan absorbans pada
daerah panjang gelombang 390420 nm memiliki kekuatan diskriminasi yang
paling besar diantara lainnya. Berdasarkan spektrum serapannya (Lampiran 4),
kunyit memberikan serapan yang besar pada daerah panjang gelombang 400450
nm, dapat diperkirakan adanya ikatan � → � ∗ dari C=C terkonjugasi pada
senyawa kurkuminoid yang terlihat pada daerah tampak. Menurut Kim et al.
(2013) senyawa kurkuminoid memiliki spektrum serapan ultraviolet yang luas
pada daerah 300500 nm karena adanya gugus fenolik, sehingga dapat diartikan
bahwa senyawa kurkuminoid yang terkandung dalam kunyit memberikan
pengaruh besar dalam diskriminasi kunyit dengan sampel lainnya. Senyawa
kurkuminoid merupakan pigmen warna kuning dan terdapat pada kunyit sebanyak
3-15%. Senyawa tersebut juga terdapat dalam temu lawak, temu mangga, dan
temu hitam serta spesies Curcuma lainnya, namun kadarnya lebih rendah dari
kunyit (Li et al. 2011). Kandungan senyawa kurkuminoid kunyit yang lebih tinggi
dibandingkan dengan sampel temu lawak, temu mangga, dan temu hitam
menjadikan sampel kunyit dapat dengan mudah terbedakan dengan lainnya. Hasil
diskriminasi sampel temu lawak, temu mangga, temu hitam, dan kunyit dengan

11
menggunakan metode SIMCA belum dapat mendiskriminasikan keempat sampel
tersebut.

SIMPULAN DAN SARAN
Simpulan
Sampel temu lawak, temu mangga, temu hitam, dan kunyit dari berbagai
daerah yang dianalisis menggunakan spektrofotometer ultraviolet-tampak dapat
dikelompokkan menggunakan metode PCA dengan VNS sebagai proses
pendahuluan, namun hasil tersebut belum belum memberikan hasil keterpisahan
antarsampel. Begitu pula dengan klasifikasi sampel menggunakan metode SIMCA
yang belum memberikan hasil keterpisahan antarsampel. Keempat sampel dapat
didiskriminasikan menggunakan LDA dengan nilai akurasi sebesar 94.2%.

Saran
Perlu dilakukan analisis lebih lanjut pada variabel yang lebih berpengaruh
dan menggunakan analisis multivariat lainnya dalam mendiskriminasikan sampel
temu lawak, temu mangga, temu hitam, dan kunyit asal Indonesia yang
memberikan keterpisahan yang lebih baik.

DAFTAR PUSTAKA
Brereton RG. 2000. Chemometrics: Data Analysis for the Laboratory and
Chemical Plant. Chichester: John Wiley and Sons.
Berrueta LA, Alonso RM, Heberger K. 2007. Supervised pattern recognition in
food
analysis.
J.
Chromatogr.
A.
1158:
196-214.
doi:
10.1016/j.chroma.2007.05.024
Gad HA, El-Ahmady SH, Abou-Shoer MI, Al-Azizi MM. 2012. A modern
approach to the authentication and quality assessment of Thyme using UV
spectroscopy and chemometric analysis. Phytochem. Anal. 24: 520–526.
doi: 10.1002/pca.2426.
Garcia OB, Ortiz GR, Maldonado JL, Molina JLP, Nava MAM, Landgrave JEA,
Martinez JC. 2007. UV-vis absorption spectroscopy and multivariate
analysis as a method to discriminate tequila. Spectrochim. Acta Part A. 66:
129–134. doi :10.1016/j.saa.2006.02.033.
Garcia YC, Osorio AC, Dennes EL, Morales AD. 2013. Classification of kerosene
using physicochemical data and multivariate techniques. Ciencias Quim.
44: 13-22.
Jarikasem S, Thubthimthed S, Chawananoraseth K, Suntorntanasat T. 2005.
Essential oils from three Curcuma species collected in Thailand. Acta Hort.
3(677): 37-41.

12
Jawetz E, Melnick JL, Adelberg E. 2005. Mikrobiologi Kesehatan. Jakarta (ID):
Penerbit Buku Kesehatan.
Jorgensen A. 2000. Clustering excipient near infrared spectra using different
chemometric methods. Prosiding seminar, 2000 September 18. Finlandia
(FI): University of Helsinki.
Kim HJ, Kim DJ, Karthick SN, Hemalatha KV, Raj CJ, Ok S, Choe Y. 2013.
Curcumin dye extracted from Curcuma longa L. used as sensitizers for
efficient dye-sensitized solar cells. Int. J. Electrochem. Sci. 8: 8320-8328.
Li S, Yuan W, Deng G, Wang P, Yang P, Aggarwal BB. 2011. Chemical
composition and product quality control of turmeric (Curcuma Longa L.).
Pharm. Crops. 2: 28-54.
Miller JC, Miller JN. 2000. Statistic and Chemometrics for Analytical Chemistry.
Harlow (GD): Pearson Education.
Morillo AP, Alcazar A, Pablos F, Jurado JM. 2012. Differentiation of tea varieties
using UV-Vis spectra and pattern recognition techniques. Spectrochim. Acta
Part A. 103: 79-83. doi:10.1016/j.saa.2012.10.052.
Ni Y, Minghua M, Kokot S. 2011. One- and two-dimensional gas
chromatography-mass spectrometry and high performance liquid
chromatography-diode-array detector fingerprints of complex substances: A
comparison of classification performance of similar, complex Rhizome
Curcumae samples with the aid of chemometrics. Anal. Chim. Acta. 712:
37-44. doi:10.1016/j.aca.2011.11.010.
Pavia DL, Lampman GM, Kriz GS, Vyvyan JR. 2009. Introduction to
Spectroscopy Fourth Edition. Belmont (US): Cencage Learning.
Rafi M, Rohaeti E, Miftahudin A, Darusman LK. 2011. Differentiation of
Curcuma longa, Curcuma xanthorrhiza, and Zingiber cassumunar by thin
layer chromatography fingerprint analysis. Indo. J. Chem. 11 (1): 71-74.
Rukmana R. 2004. Temu-temuan Apotik Hidup di Pekarangan. Yogyakarta (ID):
Kanisius.
Sanchez AM, Carmona M, Zalacain A, Carot JM, Jabaloyes JM, Alonso GL. 2008.
Rapid determination of crocetin esters and picrocrocin from saffron spice
(Crocus sativus L.) using UV-visible spectrophotometry for quality control.
J Agric Food Chem. 56: 3167–3175. doi: 10.1021/jf703725e.
Susilowati E. 2006. Optimalisasi senyawa kurkumin dari rimpang temu lawak
dengan metode sonikasi. [Skripsi]. Bogor (ID): FMIPA IPB.
Tsimogiannis D, Samiotaki M, Panayotou G, Oreopoulou V. 2007.
Characterization of flavonoid subgroups and hydroxy substitution by
HPLC-MS/MS. Molecules. 12: 593-606.
Urbano M, Luque MD, Perez PM, Garcia J, Gomez MA. 2005. Ultraviolet-visible
spectroscopy and pattern recognition methods for differentiation and
classification
of
wines.
Food
Chem.
97:
166-175.
doi:10.1016/j.foodchem.2005.05.001.
Zhang X, Qiu J, Guo L, Wang Y, Li Peng, Yang F, Su H, Wan J. 2013.
Discrimination of multi-origin chinese herbal medicines using gas
chromatography-mass spectrometry-based fatty acid profiling. Molecules.
18: 15329-15343. doi:10.3390/molecules181215329.

13

LAMPIRAN
Lampiran 1 Bagan alir penelitian
Sampel
Ditimbang
Metanol
Diekstraksi secara sonikasi selama 10, 20,
30, 40, 50 menit (suhu ruang)
Campuran
Disaring dan ditera di labu takar 10 mL
Diencerkan menggunakan metanol hingga
berbagai konsentrasi
Larutan sampel
Analisis menggunakan spektrofotometer
ultraviolet-tampak (200800 nm)
Spektrum
Pemilihan kondisi optimum preparasi
Konsentrasi (0.015% (b/v))
dan waktu sonikasi (40 menit)
optimum
Preparasi sampel berdasarkan kondisi
optimum
Analisis menggunakan spektrofotometer
ultraviolet-tampak (200-800 nm)
Spektrum
Konversi ke dalam MS. Excel
Panjang gelombang dan absorbans

14
Analisis kemometrika
Data (panjang gelombang dan absorbans) terpilih
VNS
Hasil VNS

PCA tiap kelas

PCA
Score plot

Score plot
tiap kelas

Pemilihan PC
Kategori variabel
LDA

SIMCA
Tabel klasifikasi
Cooman plot
Discrimination power

Hasil LDA

Lampiran 2 Tabulasi data hasil analisis sampel menggunakan spektrofotometer
ultraviolet-tampak
Sampel
H1
H2
H3
...
H15
L1
L2
L3
...
L19
K1
K2
K3
...
K24
M1
M2
M3
...
M12

200
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

200.5
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

201
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

201.5
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

...
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

...
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

800
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

15
Lampiran 3 Penentuan kondisi optimum preparasi sampel

Spektrum serapan sampel temu lawak 0.015% (b/v) dengan variasi waktu sonikasi
( ) 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50
menit

Spektrum serapan sampel temu mangga 0.015% (b/v) dengan variasi waktu
sonikasi ( ) 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( )
50 menit

16

Spektrum serapan sampel temu hitam 0.015% (b/v) dengan variasi waktu sonikasi
( ) 10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50
menit

Spektrum serapan sampel kunyit 0.015% (b/v) dengan variasi waktu sonikasi (
10 menit, ( ) 20 menit, ( ) 30 menit, ( ) 40 menit, dan ( ) 50 menit

)

17
Lampiran 4 Hasil klasifikasi menggunakan SIMCA
Sampel a
H1
H2
H3
H4
H5
H6
H7
H8
H9
H10
H11
H12
H13
H14
H15
L1
L2
L3
L4
L5
L6
L7
L8
L9
L10
L11
L12
L13
L14
L15
L16
L17
L18
L19
K1
K2
K3
K4
K5
K6
K7

Temu
Hitam
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*

Temu
Lawak
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*

*

Kunyit

Temu
Mangga
*

*
*

*
*
*
*
*

*
*
*
*
*
*

18
K8
K9
K10
K11
K12
K13
K14
K15
K16
K17
K18
K19
K20
K21
K22
K23
K24
M2
M3
M4
M5
M6
M7
M8
M9
M10
M11
M12
a

*

*

*

*
*
*
*
*
*
*

*
*

*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*

*
*
*
*
*
*
*
*
*
*

H: Temu Hitam, L: Temu Lawak, K: Kunyit, M: Temu Mangga.

*

*
*
*
*
*
*
*
*
*
*
*

19

RIWAYAT HIDUP
Penulis dilahirkan di Bekasi pada tanggal 23 November 1992. Penulis
merupakan anak ke-4 dari empat bersaudara dari pasangan Bapak Sudiman dan
Ibu Triyanti. Penulis menempuh pendidikan menengah atas di SMAN 11 Bekasi.
Pada tahun 2010, penulis terdaftar sebagai salah satu mahasiswa Departemen
Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam IPB melalui jalur USMI.
Pada bulan Juli-Agustus 2013, penulis mengikuti kegiatan Praktik Lapangan
di Pusat Penelitian Karet, Bogor dengan judul laporan Pembuatan Organobentonit
dari Bentonit Alam sebagai Bahan Pengisi dan Pengaruhnya terhadap Sifat
Vulkanisat Karet Alam. Selama menjadi mahasiswa IPB, penulis memiliki
pengalaman sebagai asisten praktikum Azas Kimia Analitik dan Praktikum
Analisis Instrumental TA 2013/2014 di Laboratorium Kimia Analitik.