. Identifikasi Dan Autentikasi Meniran (Phyllanthus Niruri) Menggunakan Kombinasi Spektrum Ultraviolet-Tampak Dan Kemometrika

IDENTIFIKASI DAN AUTENTIKASI MENIRAN (Phyllanthus
niruri) MENGGUNAKAN SPEKTRUM ULTRAVIOLETTAMPAK DAN KEMOMETRIKA

BAYU NURCAHYO

DEPARTEMEN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi dan
Autentikasi Meniran (Phyllanthus niruri) Menggunakan Spektrum UltravioletTampak dan Kemometrika adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.

Bogor, September 2015
Bayu Nurcahyo
NIM G44110069

ABSTRAK
BAYU NURCAHYO. Identifikasi dan Autentikasi Meniran (Phyllanthus niruri)
Menggunakan Kombinasi Spektrum Ultraviolet-Tampak dan Kemometrika.
Dibimbing oleh LATIFAH K. DARUSMAN dan MOHAMAD RAFI.
Meniran (Phyllanthus niruri) merupakan tanaman yang banyak digunakan di
Indonesia sebagai obat tradisional untuk mengobati berbagai penyakit. Daun petai
cina (Leucaena leucocephala) memiliki kemiripan bentuk dengan daun meniran
sehingga dimungkinkan dapat menjadi pemalsu bahan baku meniran. Tujuan
penelitian ini adalah mengembangkan metode identifikasi dan autentikasi meniran
dari petai cina menggunakan kombinasi spektrum ultraviolet-tampak dan
kemometrika. Kondisi optimum preparasi sampel ditentukan berdasarkan 2
parameter, yaitu konsentrasi dan waktu sonikasi. Konsentrasi dan waktu sonikasi
optimum yang digunakan dalam preparasi sampel masing-masing 250 μg/mL dan
60 menit. Prapemrosesan sinyal untuk data matriks spektrum ultraviolet-tampak
telah dilakukan sebelum diolah menggunakan analisis multivariat. Sampel meniran
dan petai cina dapat diautentikasi menggunakan kombinasi metode principal

component analysis dan discriminant analysis dengan hasil 97% sampel
teridentifikasi ke dalam kelompok masing-masing. Metode soft independent
modelling of class analogy digunakan dalam autentikasi sampel dan sebanyak 95%
sampel berhasil diklasifikasikan ke dalam kelas masing-masing.
Kata kunci: kemometrika, meniran, petai cina, spektra ultraviolet-tampak

ABSTRACT
BAYU NURCAHYO. Identification and Authentication Meniran (Phyllanthus
niruri) Using Combination of Ultraviolet-Visible Spectrum and Chemometrics.
Supervised by LATIFAH K. DARUSMAN and MOHAMAD RAFI.
Meniran (Phyllanthus niruri) is widely used in Indonesia as traditional
medicine to treat various diseases. Wild tamarind (Leucaena leucocephala) leaves
have similar shape to meniran leaves, so it is possible as a counterfeit for meniran
raw material. The purpose of this study was to develop a method for identification
and authentication of meniran from wild tamarind using combination of ultravioletvisible spectrum and chemometrics. The determination of optimum condition for
sample preparation has been done with 2 parameters for optimization, i.e.
concentration and sonication time. The optimum concentration and sonication time
used in sample preparation were 250 μg/mL and 60 minutes, respectively. Signal
preprocessing for data matrix from ultraviolet-visible spectrum was done prior to
processing using multivariate analysis. Meniran and wild tamarind samples could

be authenticated using a combination of principal component analysis and
discriminant analysis resulted 97% samples identified in each group. Soft
independent modelling of class analogy method used in the samples authentication
and the final results was 95% samples successfully classified into the respective
class.
Keywords: chemometrics, Leucaena leucocephala, Phyllanthus niruri, ultraviolet
visible spectra

IDENTIFIKASI DAN AUTENTIKASI MENIRAN (Phyllanthus
niruri) MENGGUNAKAN KOMBINASI SPEKTRUM
ULTRAVIOLET-TAMPAK DAN KEMOMETRIKA

BAYU NURCAHYO

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

DEPARTEMEN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
BAYU NURCAHYO

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga penulis mampu menyelesaikan karya ilmiah ini.
Penelitian ini dilaksanakan sejak bulan Maret 2015 dengan tema kontrol kualitas
tumbuhan obat meniran (Phyllanthus niruri).
Terima kasih penulis ucapkan kepada Prof Dr Ir Latifah K. Darusman, MS
dan Dr Mohamad Rafi, MSi selaku pembimbing yang senantiasa memberikan
saran, bimbingan, bantuan, nasihat, dan kritikan yang membangun kepada penulis.
Ungkapan terima kasih juga penulis ucapkan kepada Bapak Eman Suherman, Mas
Eko Firmansyah, Mas Taufik, dan Meri Saharah, atas bantuannya. Ungkapan terima
kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa
dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, September 2015
Bayu Nurcahyo

DAFTAR ISI
DAFTAR TABEL

x

DAFTAR GAMBAR

x

DAFTAR LAMPIRAN

x

PENDAHULUAN

1

METODE

2

Bahan

3

Alat

4

Prosedur

4

Pembuatan Model Identifikasi dan Autentikasi

5

HASIL DAN PEMBAHASAN

5

Penentuan Kondisi Optimum Preparasi Sampel

5

Diskriminasi Meniran Terhadap Petai Cina

7

Autentikasi Meniran Terhadap Petai Cina

10

SIMPULAN DAN SARAN

15

Simpulan

15

Saran

15

DAFTAR PUSTAKA

16

LAMPIRAN

18

RIWAYAT HIDUP

31

DAFTAR TABEL
1

Kode dan asal sampel

3

DAFTAR GAMBAR
1 Spektrum optimasi konsentrasi sampel (a) meniran dan (b) petai cina
(▬) 250 μg/mL, (▬) 500 μg/mL, (▬) 1000 μg/mL, (▬) 1500 μg/mL 6
2 Spektrum waktu sonikasi sampel (a) meniran dan (b) petai cina (▬) 10
menit, (▬) 20 menit, (▬) 30 menit, (▬) 40 menit, (▬) 50 menit, (▬)
60 menit, (▬) 90 menit
6
3 Spektrum sampel (a) meniran dan (b) petai cina
7
4 Plot PC M (∆) dan P (◊)
8
5 Plot DF M (∆) dan P(◊)

9
6 Spektrum sampel campuran
10
7 Plot PC M (∆), 5% P dalam M(○), 25% P dalam M(□), 50% P dalam M
(-), dan P (◊)
11
8 Plot DF M (∆), 5% P dalam M (○), 25% P dalam M (□), 50% P dalam M
(-), dan P (◊)
11
9 Cooman plot M (●) vs P (●) menggunakan variabel panjang
gelombang
12
10 Discrimination Power meniran dengan variabel panjang gelombang 13
11 Cooman plot M (●) vs P (●) menggunakan variabel komponen utama 14
12 Discrimination Power meniran dengan variabel komponen utama
15

DAFTAR LAMPIRAN
1
2

3
4

Bagan alir identifikasi dan autentikasi sampel tunggal
18
Bagan alir identifikasi dan autentikasi sampel campuran
19
Data hasil identifikasi sampel meniran dan petai cina
20
Tabulasi data hasil analisis sampel menggunakan spektrofotometer
ultraviolet-tampak
27
5 Panjang gelombang (nm) serapan senyawa golongan flavonoid (Markham
1988)
27
6 Hasil klasifikasi menggunakan SIMCA
28

PENDAHULUAN
Tanaman obat adalah salah satu bagian penting dalam penanganan kesehatan.
Tanaman obat merupakan jenis tanaman yang diketahui memiliki khasiat dan telah
digunakan sebagai bahan baku obat tradisional. Penggunaan tanaman obat oleh
masyarakat sebagai bahan baku obat tradisional semakin meningkat (Supardi et al.
2005). Sebanyak 55.3% penduduk Indonesia menggunakan ramuan obat tradisional
(jamu) untuk memelihara kesehatan (Balitbangkes 2010). Hal ini disebabkan
karena efek samping obat tradisional yang cenderung lebih kecil dibandingkan
dengan obat modern. Genus Phyllanthus merupakan salah satu kelompok tanaman
yang sebagian besar anggotanya telah digunakan sebagai obat herbal. Salah satu
tanaman anggota genus Phyllanthus yang digunakan sebagai bahan baku obat
herbal adalah meniran (Phyllanthus niruri). Berdasarkan penelitian, meniran
memiliki aktivitas biologis sebagai antioksidan dan hepatoprotektif (Harish et al.
2004), antihiperurisemia (Murugaiyah dan Chan 2009), imunomodulator (Jose et
al. 2014), antimikrobial (Mathur 2012), antiplasmodial (Soh et al. 2009, Ifeoma et
al. 2012), dan gastroprotektif (Abdulla et al. 2010). Efek farmakologis tersebut
disebabkan oleh adanya senyawa kimia dalam herba meniran yang termasuk dalam
golongan flavonoid, alkaloid, terpenoid, lignan, polifenol, tanin, kumarin, dan
saponin (Bagalkotkar et al. 2006). Selain itu berbagai kajian fitokimia telah
menemukan kandungan senyawa kimia herba meniran yang lebih rinci, yaitu
antosianin, filantin, dan hipofilantin (Oktavidianti 2012) serta katekin dan
sapogenin steroidal (Nakweti et al. 2013)
Meniran merupakan salah satu tanaman obat yang telah digunakan untuk
produk fitofarmaka di Indonesia. Fitofarmaka adalah sediaan obat bahan alam yang
telah dibuktikan keamanan dan khasiatnya secara ilmiah dengan uji praklinik dan
uji klinik serta bahan baku dan produk jadinya telah distandardisasi (BPOM RI
2005). Produk fitofarmaka berbasis meniran yang beredar di Indonesia yaitu
Stimuno®. Selain itu terdapat pula produk obat herbal lainnya yang berbasis
meniran seperti Divens®, Fituno®, Hepimun®, Imboost®, dan Imulan®. Meniran
umumnya tumbuh liar dan sulit untuk dibudidayakan. Tanaman ini memiliki bentuk
daun majemuk, berseling, berwarna hijau, bentuk bulat telur, panjang 1,5 cm, lebar
7 mm, tepi rata, ujung tumpul, dan pangkal membulat. Pemalsuan dapat terjadi
terhadap bahan baku simplisia meniran oleh simplisia lain yang memiliki kesamaan
morfologi. Bentuk daun meniran memiliki kesamaan dengan bentuk daun petai cina
(Leucaena leucocephala) meskipun keduanya merupakan tumbuhan yang berbeda
genus dan famili. Hal ini menyebabkan daun petai cina dapat menjadi bahan
pemalsu yang potensial terhadap daun meniran. Kedua tanaman ini akan sulit
dibedakan jika diperjualbelikan dalam bentuk simplisia atau serbuk yang hampir
mirip satu sama lainnya. Oleh karena itu, identifikasi dan autentikasi daun meniran
terhadap daun petai cina yang diperjualbelikan dalam bentuk simplisia dan serbuk
sebagai bagian dari kendali mutu menjadi sangat penting untuk menjamin keaslian,
kualitas, keamanan, dan efikasi sebelum dikonversi menjadi produk akhirnya.
Identifikasi dan autentikasi bahan baku bertujuan untuk memastikan bahwa
bahan baku yang digunakan merupakan bahan baku asli tanpa adanya kontaminasi
dari bahan baku lain yang dapat menyebabkan inkonsistensi khasiat yang
ditimbulkan. Salah satu metode yang dapat digunakan dalam identifikasi dan

2
autentikasi adalah melalui pendekatan multikomponen seperti pola spektrum sidik
jari yang saat ini umum dilakukan untuk kontrol kualitas bahan baku obat herbal
(Mok dan Chau 2006). Pendekatan tersebut digunakan karena obat herbal secara
kimia adalah suatu sistem multikomponen, sehingga melalui pola spektrum sidik
jari dapat diperoleh informasi yang lebih akurat dan realistis (Purwakusumah et al.
2014).
Salah satu teknik yang dapat digunakan untuk identifikasi dan autentikasi
adalah analisis menggunakan spektroskopi ultraviolet-tampak. Teknik spektroskopi
ultraviolet-tampak memiliki beberapa kelebihan, diantaranya adalah cepat, murah,
dan mudah dalam preparasi maupun pengujian sampel sehingga lebih efisien bila
digunakan dalam proses kendali mutu (Sanchez et al. 2008). Teknik ini telah
banyak diterapkan dalam kendali mutu bahan baku pangan maupun produk herbal.
Urbano et al. (2005) telah melakukan diferensiasi dan klasifikasi jenis anggur,
Boggia et al. (2012) telah melakukan penapisan terhadap bahan pengisi jus
pomegrana, dan Morillo et al. (2012) melakukan diferensiasi terhadap varietas teh.
Pola spektrum yang kompleks dari spektrofotometer ultraviolet-tampak
menyebabkan interpretasi secara langsung dan visual menjadi tidak mudah,
sehingga dibutuhkan bantuan teknik kemometrika untuk mempermudah
interpretasi data. Teknik kemometrika berupa analisis multivariat dapat digunakan
untuk mendapatkan informasi yang diinginkan seperti diskriminasi tumbuhan yang
berkerabat dekat atau autentikasi terhadap tumbuhan yang berpotensi menjadi
bahan pemalsu. Kendali mutu menggunakan analisis multivariat telah banyak
diterapkan untuk keperluan identifikasi, autentikasi, dan diskriminasi. Rafi et al.
(2013) telah melakukan diskriminasi terhadap tiga varietas jahe asal Indonesia,
Purwakusumah et al. (2014) melakukan identifikasi dan autentikasi jahe merah, dan
Rohaeti et al. (2014) melakukan diskriminasi terhadap C. longa, C xanthorriza,
dan Z. cassumunar. Metode autentikasi yang lazim digunakan untuk
mengklasifikasikan sampel dalam kemometrika, yaitu principal component
analysis (PCA), discriminant analysis (DA), dan soft independent modelling of
class analogy (SIMCA). Pengolahan data spektrum ultraviolet-tampak yang
dikombinasikan dengan analisis multivariat tersebut akan memudahkan dalam
identifikasi dan autentikasi sampel tumbuhan yang memiliki kemiripan atau
berkerabat dekat. Penelitian ini bertujuan untuk mengetahui karakteristik spektrum
ultraviolet-tampak dari metabolit sekunder yang terkandung dalam meniran dalam
rangka mengembangkan metode identifikasi dan autentikasi meniran terhadap petai
cina yang ada di pasaran untuk mencegah pemalsuan simplisia.

METODE
Penelitian ini terdiri atas beberapa tahapan, yaitu penentuan kondisi optimum
preparasi sampel, ekstraksi sampel berdasarkan kondisi optimum yang telah
diperoleh, analisis sampel tunggal menggunakan spektrofotometer ultraviolettampak pada panjang gelombang 200-800 nm, analisis sampel campuran
menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm, dan pengolahan data menggunakan metode kemometrika.

3
Bahan
Bahan-bahan yang digunakan dalam penelitian ini adalah metanol p.a, 46
sampel yang terdiri atas 30 sampel meniran dan 16 sampel petai cina yang
dikumpulkan dari 3 provinsi di Pulau Jawa, Indonesia (Tabel 1). Seluruh sampel
telah diidentifikasi di Herbarium Bogoriense, Bidang Botani Pusat Penelitian
Biologi LIPI, Bogor (Lampiran 3).
Tabel 1 Kode dan asal sampel
Kode
Sumber (Wilayah,
Sampel a Kabupaten, Provinsi)
Semplak, Bogor, Jawa
M1
Barat
Ciomas (I), Bogor, Jawa
Barat
M2
Ciomas (II), Bogor, Jawa
Barat
M3
Ciomas (III), Bogor,
M4
Jawa Barat
Cilibende, Bogor, Jawa
M5
Barat
Dramaga, Bogor, Jawa
M6
Barat
Nanggewer, Bogor, Jawa
M7
Barat
Ciutara, Sukabumi, Jawa
Barat
M8
Cisaat, Sukabumi, Jawa
M9
Barat
Benda, Sukabumi, Jawa
M10
Barat
Sukaraja, Sukabumi,
M11
Jawa Barat
Caringin (I), Sukabumi,
M12
Jawa Barat
Caringin (II), Sukabumi,
M13
Jawa Barat
Cicantayan, Sukabumi,
M14
Jawa Barat
Pasir Gede, Cianjur,
M15
Jawa Barat
Cugenang, Cianjur, Jawa
M16
Barat

Kode
Sumber (Wilayah,
Sampel a Kabupaten, Provinsi)
Rajapolah (II), Tasikmalaya,
M24
Jawa Barat
Guyangan, Purworejo, Jawa
Tengah
M25
Weleri, Kendal, Jawa
Tengah
M26
Wonosari, Gunungkidul,
M27
Yogyakarta
Kebonrejo, Kulonprogo,
M28
Yogyakarta
Bantul, Ponorogo, Jawa
M29
Timur
Ngampel, Ponorogo, Jawa
M30
Timur
Sindangbarang, Bogor, Jawa
Barat
P1
P2

Dramaga, Bogor, Jawa Barat

P3

Cipayung, Bogor, Jawa Barat

P4

Cisarua, Bogor, Jawa Barat
Ciutara, Sukabumi, Jawa
Barat
Cimacan, Sukabumi, Jawa
Barat
Cibadak, Sukabumi, Jawa
Barat
Cibereum, Cianjur, Jawa
Barat
Pasir Gede, Cianjur, Jawa
Barat

P5
P6
P7
P8
P9

4
Tabel 1 Kode dan asal sampel (lanjutan)
Kode
Sumber (Wilayah,
Sampel a Kabupaten, Provinsi)
Karangtengah, Cianjur,
Jawa Barat
M17
Jatinangor, Bandung,
M18
Jawa Barat
Padalarang, Bandung,
M19
Jawa Barat
Indihiang (I),
M20
Tasikmalaya, Jawa Barat
Indihiang (II),
M21
Tasikmalaya, Jawa Barat
Cisayong, Tasikmalaya,
M22
Jawa Barat
Rajapolah (I),
M23
Tasikmalaya, Jawa Barat
a

Kode
Sumber (Wilayah,
Sampel a Kabupaten, Provinsi)
Cugenang, Cianjur, Jawa
Barat
P10
P11
P12
P13
P14
P15
P16

Cibubur, Jakarta, Jakarta
BPTO Tawangmangu,
Karanganyar, Jawa Tengah
Cepogo, Boyolali, Jawa
Tengah
Guyangan, Purworejo, Jawa
Tengah
Kebonrejo, Kulonprogo,
Yogyakarta
Ngampel, Ponorogo, Jawa
Timur

M: Meniran, P: Petai cina

Alat
Alat-alat yang digunakan dalam penelitian ini adalah spektrofotometer
ultraviolet-tampak 1700 PC (Shimadzu, Kyoto, Jepang), ultrasonic cleaner US-3
38 Khz (Ogawa Seiki Co., Ltd., Tokyo, Jepang), dan peranti lunak XLSTAT versi
2012 (Addinsoft, New York, Amerika Serikat) dan The Unscrambler X versi 10.1
(CAMO, Oslo, Norwegia).

Prosedur
Penentuan Kondisi Optimum Preparasi Sampel
Sampel (meniran dan petai cina) ditimbang sebanyak ± 0.0100 g dan
ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi dalam waktu
tertentu (10, 20, 30, 40, 50, 60, 90 menit) pada suhu ruang. Campuran disaring
dalam labu takar 10 mL kemudian dibilas dan ditera dengan metanol. Larutan
tersebut diencerkan menggunakan metanol dalam labu takar 10 mL hingga berbagai
konsentrasi. Selanjutnya larutan diukur serapannya menggunakan spektrofotometer
ultraviolet-tampak pada panjang gelombang 200-800 nm dengan menggunakan
metanol sebagai blangko. Kondisi optimum preparasi sampel ditentukan dari dua
parameter, yaitu konsentrasi sampel dan waktu sonikasi. Sampel yang digunakan
untuk penentuan kondisi optimum preparasi sampel berasal dari daerah Bogor,
Jawa Barat.
Analisis Sampel Tunggal Menggunakan Spektrofotometer UltravioletTampak
Sebanyak ± 0.0100 g sampel (meniran dan petai cina) ditimbang dan
ditambahkan 10 mL metanol kemudian diekstrak secara sonikasi pada suhu ruang

5
berdasarkan waktu optimum yang telah diperoleh. Campuran disaring dalam labu
takar 10 mL kemudian dibilas dan ditera dengan metanol. Larutan tersebut
diencerkan menggunakan metanol dalam labu takar 10 mL hingga konsentrasi
optimum yang telah diperoleh sebelumnya. Larutan tersebut diukur serapannya
menggunakan spektrofotometer ultraviolet-tampak pada panjang gelombang 200800 nm dengan menggunakan metanol sebagai blangko. Spektrum yang dihasilkan
memuat data berupa panjang gelombang dan absorbans yang dikonversi ke dalam
MS. Excel (Microsoft, Washington, Amerika Serikat).
Analisis Sampel Campuran Menggunakan Spektrofotometer UltravioletTampak
Sebanyak ± 0.0100 g sampel campuran (meniran serbuk + petai cina serbuk
5%, meniran serbuk + petai cina serbuk 25%, dan meniran serbuk + petai cina
serbuk 50%) ditimbang dan ditambahkan 10 mL metanol kemudian diekstrak
secara sonikasi pada suhu ruang berdasarkan waktu optimum yang telah diperoleh.
Campuran disaring dalam labu takar 10 mL kemudian dibilas dan ditera dengan
metanol. Larutan tersebut diencerkan menggunakan metanol dalam labu takar 10
mL hingga konsentrasi optimum yang telah diperoleh sebelumnya. Larutan tersebut
diukur serapannya menggunakan spektrofotometer ultraviolet-tampak pada
panjang gelombang 200-800 nm dengan menggunakan metanol sebagai blangko.
Spektrum yang dihasilkan memuat data berupa panjang gelombang dan absorbans
yang dikonversi ke dalam MS. Excel (Microsoft, Washington, Amerika Serikat).
Pembuatan Model Identifikasi dan Autentikasi
Data spektrum ultraviolet-tampak yang telah diperoleh perlu diberi proses
pendahuluan. Proses pendahuluan yang digunakan dalam data spektrum adalah
smoothing dan standard normal variate (SNV). Data spektrum yang telah melalui
proses pendahuluan kemudian diolah dengan analisis multivariat PCA dan DA
menggunakan perangkat lunak XLSTAT versi 2012 (Addinsoft, New York,
Amerika Serikat) dan SIMCA menggunakan perangkat lunak The Unscrambler X
versi 10.1 (CAMO, Oslo, Norwegia) sehingga dapat dilakukan identifikasi dan
autentikasi meniran terhadap petai cina.

HASIL DAN PEMBAHASAN
Penentuan Kondisi Optimum Preparasi Sampel
Identifikasi sampel dilakukan sebagai tahap awal dalam penelitian ini.
Identifikasi dilakukan pada seluruh sampel tanaman yang telah dikoleksi dari
berbagai daerah di Pulau Jawa. Tujuan identifikasi sampel adalah untuk
memastikan bahwa spesies tanaman yang digunakan merupakan tanaman meniran
dan petai cina. Berdasarkan hasil identifikasi tanaman, sebanyak 30 sampel
tanaman merupakan tanaman meniran dan 16 sampel merupakan tanaman petai
cina.

6
Sampel daun segar dikeringkan dengan metode penjemuran di bawah sinar
matahari dengan lama pengeringan selama dua hari. Sampel yang telah kering
kemudian dihaluskan dan disaring menggunakan saringan berukuran 100 mesh
sehingga diperoleh ukuran partikel simplisia yang seragam. Penentuan kondisi
optimum preparasi sampel dilakukan berdasarkan dua parameter, yaitu konsentrasi
dan waktu sonikasi sampel. Sampel diekstraksi menggunakan pelarut metanol agar
dapat mengikat senyawa kimia yang bersifat polar dalam sampel meniran dan petai
cina. Metode ekstraksi yang digunakan adalah sonikasi. Ekstraksi sampel dengan
metode ini memiliki beberapa kelebihan, diantaranya adalah keterulangan ekstraksi
yang baik, waktu ekstraksi lebih singkat, lebih efisien, dan dapat digunakan untuk
ukuran sampel yang beragam. Penentuan kondisi optimum ditentukan dengan
mengukur serapan ekstrak menggunakan spektrofotometer ultraviolet-tampak pada
panjang gelombang 200-800 nm.
Konsentrasi 250 μg/mL dipilih sebagai konsentrasi optimum untuk
pembuatan spektrum ultraviolet-tampak seluruh sampel. Penentuan konsentrasi ini
dipilih berdasarkan pada pengukuran konsentrasi optimum sampel (Gambar 1).

Gambar 1 Spektrum optimasi konsentrasi sampel (a) meniran dan (b) petai cina
(▬) 250 μg/mL, (▬) 500 μg/mL, (▬) 1000 μg/mL, (▬) 1500 μg/mL
Konsentrasi 250 μg/mL dipilih sebagai konsentrasi optimum karena menghasilkan
puncak spektrum yang halus dan tidak bertumpang tindih. Konsentrasi optimum
yang diperoleh kemudian digunakan untuk menentukan waktu sonikasi. Waktu
sonikasi yang digunakan adalah 10, 20, 30, 40, 50, 60, dan 90 menit (Gambar 2).

Gambar 2 Spektrum waktu sonikasi sampel (a) meniran dan (b) petai cina (▬)
10 menit, (▬) 20 menit, (▬) 30 menit, ( ▬) 40 menit, (▬) 50 menit,
(▬) 60 menit, (▬) 90 menit

7
Waktu sonikasi optimum diperoleh pada waktu 60 menit. Waktu optimum ini
dipilih karena pada waktu sonikasi 90 menit, serapan sampel cenderung menurun.
Penurunan serapan sampel ini dapat diakibatkan oleh terjadinya dekomposisi
sampel pada saat proses ekstraksi secara sonikasi. Kondisi optimum yang telah
diperoleh kemudian digunakan untuk pengukuran sampel meniran dan petai cina
(Gambar 3).

Gambar 3 Spektrum sampel (a) meniran dan (b) petai cina
Berdasarkan hasil pengukuran spektrum tunggal kedua sampel, kemudian
dilakukan pemilihan spektrum yang menunjukkan serapan paling tinggi, sedang,
dan rendah sehingga tiap sampel dipilih empat spektrum dengan kriteria tersebut
untuk selanjutnya dilakukan pencampuran sampel.
Tahap pencampuran sampel kemudian dilakukan terhadap kedelapan sampel
terpilih. Keempat sampel meniran terpilih dikombinasikan dengan keempat sampel
petai cina terpilih yang bertindak sebagai bahan pemalsu dengan tiga perbandingan
konsentrasi sehingga diperoleh 48 kombinasi sampel campuran. Sampel campuran
lalu diukur kembali serapannya dengan kondisi optimum pada panjang gelombang
200-800 nm.

Diskriminasi Meniran Terhadap Petai Cina
Principal Component Analysis
Analisis multivariat yang dapat digunakan sebagai tahap awal diskriminasi
sampel adalah principal component analysis (PCA). PCA merupakan suatu metode
kemometrika yang sering digunakan dalam pembuatan model diskriminan tanaman
yang berkerabat dekat yang termasuk ke dalam teknik pengenalan pola tak terawasi
(Purwakusumah et al. 2014). Prinsip PCA adalah mencari komponen utama yang
merupakan kombinasi linear dari variabel asli. Komponen-komponen utama ini
dipilih sedemikian rupa sehingga komponen utama pertama memiliki varians
terbesar dalam gugus data, sedangkan komponen utama kedua tegak lurus terhadap
komponen utama pertama dan memiliki varians terbesar berikutnya (Miller dan
Miller 2000). Kedua komponen utama pertama ini pada umumnya digunakan
sebagai bidang proyeksi untuk pemeriksaan visual data multivariat. Jika jumlah

8
varians dari komponen utama satu (PC1) dan dua (PC2) lebih besar dari 70%, maka
plot skor komponen utama memperlihatkan visualisasi dua dimensi yang baik.
Matriks data yang diperoleh terdiri atas 1202 kolom (panjang gelombang)
sebagai variabel dan 46 baris (sampel). Sebanyak 46 sampel yang terdiri dari 30
sampel meniran dan 16 sampel petai cina diklasifikasikan menggunakan PCA.
Proses pendahuluan pada data sampel diperlukan sebelum dianalisis menggunakan
PCA. Tahap pertama yang digunakan untuk proses pendahuluan adalah smoothing.
Smoothing merupakan metode yang dapat digunakan untuk mengurangi derau
(noise). Proses pendahuluan selanjutnya yang dapat digunakan adalah SNV. Teknik
ini merupakan proses transformasi baris yang digunakan untuk tiap spektrum
individual. SNV didapatkan dari nilai setiap titik absorbans dikurangi rerata baris
dan hasilnya dibagi dengan standar deviasinya. Proses pendahuluan ini dilakukan
untuk perbaikan informasi data yang akan menghilangkan efek pencar dari data
spektrum. SNV akan menstandardisasi setiap spektrum hanya dengan
menggunakan data dari spektrum tersebut (Jannah 2014). Plot score PCA dengan
proses smoothing dan SNV ditunjukkan pada Gambar 4. Plot PC dua PC awal
mampu menjelaskan 92.54% dari total varians (PC-1 = 57.57%, PC-2 = 34.97%).
Pola pengelompokkan sampel menggunakan PCA telah dapat membedakan kedua
jenis spesies tanaman.

Gambar 4 Plot PC M (∆) dan P (◊)
Discriminant Analysis
Analisis multivariat selanjutnya yang dapat digunakan untuk tujuan
diskriminasi kedua sampel adalah discriminant analysis (DA) yang termasuk ke
dalam teknik pengenalan pola terawasi. DA merupakan salah satu metode
kemometrika yang juga banyak digunakan dalam membedakan tanaman yang
berkerabat dekat. Metode ini akan membuat suatu fungsi diskriminan (DF) untuk
tiap grup dengan mencari kombinasi linear dari data yang akan memberikan

9
pemisahan dari dua atau lebih grup observasi (Gad et al. 2012). DA
mengklasifikasikan berdasarkan analisis matriks penyebaran yang tujuannya adalah
menemukan proyeksi optimal sehingga dapat memproyeksikan data input pada
ruang dengan dimensi yang lebih kecil dan semua pola dapat dipisahkan
semaksimal mungkin. DA dapat memaksimalkan penyebaran data-data diantara
kelas-kelas yang berbeda dan meminimalkan penyebaran data pada kelas yang
sama (Berrueta et al. 2007).
Korelasi yang tinggi diantara data spektrum ultraviolet-tampak tidak
memungkinkan untuk diolah dengan teknik pengenalan pola terawasi seperti DA,
sehingga pengurangan jumlah variabel diperlukan sebelum penggunaan teknik ini.
PCA digunakan untuk mereduksi jumlah variabel dari matriks data awal sehingga
menghasilkan variabel baru berupa komponen utama yang dapat mewakili variabel
dari matriks data awal tanpa kehilangan informasi dari data tersebut. Pemilihan
jumlah komponen utama untuk analisis DA didasarkan pada eigenvalue tiap
komponen. Komponen utama hasil PCA yang memiliki eigenvalue lebih besar dari
1 digunakan dalam DA berdasarkan kriteria yang ditetapkan oleh Kaiser. Setiap
variabel yang diamati berkontribusi satu unit varians terhadap total varians. Jika
eigenvalue lebih besar dari 1, maka setiap komponen utama menjelaskan sejumlah
besar varians dari 1 variabel yang diamati (Morillo et al. 2012). Penentuan
banyaknya komponen utama yang akan digunakan dalam DA juga berdasarkan
pada persentase kumulatif proporsi keragaman total yang mampu dijelaskan
(Purwakusumah et al. 2014). Terdapat 12 komponen utama optimum dari hasil
PCA yang kemudian digunakan untuk membangun model DA. Hasil DA sampel
tunggal ditunjukkan pada Gambar 5.

Gambar 5 Plot DF M (∆) dan P(◊)
Plot DF menghasilkan dua nilai DF awal dengan keragaman untuk DF-1
100.00% dan DF-2 0.00%. Berdasarkan hasil DA, semua sampel terpisah ke dalam

10
kelompoknya masing-masing yang menunjukkan bahwa fungsi diskriminan yang
diperoleh mampu membedakan kedua jenis spesies tanaman. Evaluasi terhadap
kemampuan prediksi dari model yang dihasilkan dilakukan dengan metode validasi
silang (cross validation). Berdasarkan hasil validasi silang, sebanyak 100% sampel
teridentifikasi ke dalam masing-masing kelompok.

Autentikasi Meniran Terhadap Petai Cina
Autentikasi dengan PCA-DA
Autentikasi sampel dilakukan untuk mencegah terjadinya pemalsuan sampel.
Pada penelitian ini, dilakukan pemalsuan simplisia daun meniran melalui
penambahan simplisia daun petai cina sebagai bahan pemalsu. Klasifikasi sampel
campuran perlu dilakukan untuk mengamati keterpisahan antar konsentrasi sampel
pemalsu yang ditambahkan ke dalam sampel utama dalam rangka autentikasi.
Klasifikasi sampel campuran dapat dilakukan menggunakan kombinasi PCA-DA.
Kemampuan diskriminasi dari teknik pengenalan pola tak terawasi dan terawasi ini
telah diselidiki dalam banyak studi. Keduanya dapat membedakan spesies tanaman
dari genus yang sama dan mendeteksi pemalsuan berdasarkan tingkat metabolit
sekunder atau komponen bioaktif utama (Gad et al. 2012).
Sampel meniran yang digunakan sebagai sampel utama yaitu sampel yang
berasal dari Sukabumi 3 (M10), Bandung 2 (M19), Purworejo 1 (M25), dan
Ponorogo 2 (M30). Sedangkan sampel petai cina yang digunakan sebagai bahan
pemalsu adalah Bogor 8 (P1), Cianjur 4 (P8), Jakarta (P11), dan Karanganyar (P12).
Daerah panjang gelombang yang digunakan untuk keperluan autentikasi adalah
pada kisaran 250-700 nm. Kisaran panjang gelombang ini digunakan untuk
memaksimalkan klasifikasi antar konsentrasi bahan pemalsu yang ditambahkan
karena pada kisaran panjang gelombang tersebut serapan sampel campuran cukup
signifikan sehingga data spektrum tersebut sangat berguna dalam proses klasifikasi
(Gambar 6).

Gambar 6 Spektrum sampel campuran

11
Proses pendahuluan yang digunakan sebelum klasifikasi menggunakan PCA
adalah smoothing dan SNV. Gambar 7 menunjukkan hasil plot score PCA sampel
campuran.

Gambar 7 Plot PC M (∆), 5% P dalam M(○), 25% P
dalam M(□), 50% P dalam M (-), dan P (◊)
Plot PC dua PC awal mampu menjelaskan 79.00% dari total varians (PC-1 =
57.64%, PC-2 = 21.36%). Berdasarkan hasil klasifikasi awal menggunakan PCA,
belum terlihat keterpisahan yang baik antar kelompok sampel campuran sehingga
dilakukan analisis multivariat lebih lanjut menggunakan DA.

Gambar 8 Plot DF M (∆), 5% P dalam M (○), 25% P
dalam M (□), 50% P dalam M (-), dan P (◊)

12
Plot DF sampel campuran menghasilkan dua nilai DF awal dengan
keragaman untuk DF-1 75.29% dan DF-2 24.56% (Gambar 8). Berdasarkan hasil
DA, semua sampel (meniran, meniran yang dicampur dengan petai cina, dan petai
cina) terpisah ke dalam masing-masing kelompok. Evaluasi terhadap kemampuan
prediksi dari model yang dihasilkan dilakukan dengan metode validasi silang.
Berdasarkan hasil validasi silang, sebanyak 97% sampel dapat teridentifikasi ke
dalam masing-masing kelompok.
Soft Independent Modelling of Class Analogy
Soft independent modelling of class analogy (SIMCA) merupakan teknik
analisis multivariat terawasi yang digunakan untuk menguji kekuatan diskriminasi
dan klasifikasi sampel. SIMCA digunakan untuk menetapkan sampel ke dalam
kelas yang tersedia dengan tepat. Metode klasifikasi ini didasarkan pada pembuatan
model PCA untuk masing-masing kelas dan mengklasifikasikan setiap sampel pada
masing-masing model PCA. Hasil luaran dari SIMCA berupa tabel klasifikasi
dimana sampel dapat terklasifikasi dalam satu, beberapa kelas, atau tidak
terklasifikasikan ke dalam kelas manapun.
Klasifikasi sampel menggunakan SIMCA dilakukan dengan dua metode.
Metode yang pertama adalah pembuatan model PCA masing-masing kelas
menggunakan variabel panjang gelombang. Panjang gelombang pengukuran yang
digunakan adalah pada kisaran 250-700 nm. Kelima model PCA tersebut kemudian
diolah menggunakan SIMCA dan diperoleh hasil sebanyak 83 sampel (88%)
terklasifikasi ke dalam masing-masing kelas, 10 sampel terklasifikasi ke dalam dua
kelas dan 1 sampel tidak terklasifikasi ke dalam kelas manapun (Lampiran 6).

Sample Distance to Model Petai Cina (5%)

Sample Distance

Sample Distance Model Meniran (5%)

Gambar 9 Cooman plot M (●) vs P (●) menggunakan variabel panjang gelombang

13
Hasil tabel klasifikasi dievaluasi menggunakan Cooman plot (Gambar 9). Plot
ini memberikan jarak ortogonal dari semua objek baru untuk dua kelas yang dipilih
pada waktu yang sama. Suatu sampel termasuk ke dalam kelas tertentu jika terletak
di sebelah kiri garis vertikal atau di bawah garis horizontal (Urbano et al. 2005).
Sebanyak 94 sampel testing yang baru diklasifikasikan akan ditampilkan dalam
warna hijau, sedangkan sampel kalibrasi untuk dua model ditampilkan dalam warna
biru dan merah. Cooman plot mendiskriminasikan dua kelas yang terpisahkan oleh
garis tiap kelas. Berdasarkan hasil evaluasi menggunakan Cooman plot sampel
meniran dan petai cina yang diklasifikasikan dengan model PCA menggunakan
variabel panjang gelombang, sampel meniran (garis vertikal) terpisah jauh dari
sampel petai cina (garis horizontal) dan sampel meniran yang dicampur dengan
petai cina tersebar pada daerah diantara sampel meniran dan petai cina.
Gambar 10 merupakan discrimination power antara sampel meniran dan petai
cina yang menunjukkan variabel (panjang gelombang) yang paling optimal dalam
menggambarkan perbedaan antar dua jenis sampel.

Discrimination Power (Meniran vs Petai Cina)

Discrimination Power

X-Variables

Gambar 10 Discrimination Power meniran dengan variabel panjang gelombang
Serapan pada daerah panjang gelombang 250-340 nm memiliki kekuatan
diskriminasi yang paling besar diantara lainnya. Berdasarkan spektrum serapannya
(Gambar 3), meniran memberikan serapan yang besar pada daerah panjang
gelombang 200-350 nm. Diperkirakan pada daerah panjang gelombang tersebut
terjadi transisi �→ π* dari ikatan C=C terkonjugasi, transisi n  * oleh suatu
gugus -OH, dan n → π* oleh suatu gugus C=O. Diduga senyawa penciri tersebut
merupakan senyawa golongan flavonoid (Lampiran 5) karena senyawa golongan
ini memiliki kandungan terbesar dibandingkan senyawa fitokimia lainnya dalam
meniran (Bagalkotkar et al. 2006).
Metode kedua dalam klasifikasi sampel menggunakan SIMCA adalah
pembuatan model PCA masing-masing kelas menggunakan variabel nilai
komponen utama optimum. Sebanyak 7 komponen utama digunakan dalam
klasifikasi SIMCA. Kelima model PCA tersebut kemudian diolah menggunakan
SIMCA dan diperoleh tabel klasifikasi (Lampiran 6) dengan hasil sebanyak 89

14
sampel (95%) terklasifikasi ke dalam masing-masing kelas, 4 sampel terklasifikasi
ke dalam dua kelas dan 1 sampel tidak terklasifikasi ke dalam kelas manapun.

Sample Distance to Model Petai Cina (5%)

Sample Distance

Sample Distance Model Meniran (5%)

Gambar 11 Cooman plot M (●) vs P (●) menggunakan variabel komponen utama
Berdasarkan hasil evaluasi menggunakan Cooman plot sampel meniran dan
petai cina yang diklasifikasikan dengan model PCA masing-masing kelas
menggunakan variabel komponen utama (Gambar 11), sampel meniran (garis
vertikal) terpisah jauh dari sampel petai cina (garis horizontal) dan sampel meniran
yang dicampur dengan petai cina tersebar pada daerah diantara sampel meniran dan
petai cina. Daerah sampel meniran dan petai cina yang dipisahkan oleh dua garis
Cooman plot yang saling tegak lurus lebih sempit, sehingga klasifikasi meniran
terhadap petai cina dengan metode ini lebih baik dibandingkan metode sebelumnya.
Gambar 12 merupakan discrimination power antara sampel meniran dan petai
cina yang menunjukkan variabel (komponen utama) yang paling optimal dalam
menggambarkan perbedaan antar dua jenis sampel. Sebanyak 4 komponen utama
pertama memiliki kekuatan diskriminasi yang paling besar diantara lainnya.
Berdasarkan perbandingan persentase jumlah sampel yang berhasil terklasifikasi ke
dalam masing-masing kelas, hasil klasifikasi SIMCA dengan metode pembuatan
model PCA menggunakan variabel nilai komponen utama optimum menghasilkan
nilai persentase klasifikasi sampel yang lebih baik yaitu sebesar 95%. Hal ini dapat
disebabkan karena komponen utama merupakan suatu variabel yang dapat
mewakili variabel-variabel yang terdapat pada matriks data awal. Variabel tersebut
dapat digunakan dalam mengekstrak informasi untuk menemukan kombinasi
variabel atau faktor yang dapat menjelaskan kecenderungan mayor dalam suatu set
data (Gad et al. 2012).

15

Discrimination Power (Meniran vs Petai Cina)

Discrimination Power

PC1

PC2

PC3

PC4

PC5

PC6

PC7

X-Variables

Gambar 12 Discrimination Power meniran dengan variabel komponen utama

SIMPULAN DAN SARAN
Simpulan
Hasil identifikasi sampel meniran dan petai cina menunjukkan bahwa seluruh
sampel yang telah dikoleksi merupakan sampel yang sesuai. Penentuan kondisi
optimum preparasi sampel dilakukan berdasarkan dua parameter, yaitu konsentrasi
dan waktu sonikasi. Konsentrasi dan waktu sonikasi optimum yang digunakan
dalam preparasi sampel masing-masing sebesar 250 μg/mL dan 60 menit. Sampel
meniran dan petai cina dapat diautentikasi menggunakan kombinasi metode PCA
dan DA dengan hasil sebanyak 97% sampel teridentifikasi ke dalam kelompok
masing-masing dengan validasi silang. Metode SIMCA digunakan dalam
autentikasi sampel dan diperoleh hasil sebanyak 95% sampel berhasil
diklasifikasikan ke dalam kelas masing-masing.

Saran
Diperlukan penambahan jumlah sampel tanaman meniran dan petai cina
untuk meningkatkan kekuatan model diskriminasi dan autentikasi yang diperoleh.

16

DAFTAR PUSTAKA
Abdulla MA, Ahmed KA, Bayaty FH, Masood Y. 2010. Gastroprotective effect of
Phyllanthus niruri leaf extract against ethanol-induced gastric mucosal
injury in rats. Afr J Pharm Pharmacol. 4(5):226-230.
Bagalkotkar G, Sagineedu SR, Saad MS, Stanslas J. 2006. Phytochemicals from
Phyllanthus niruri and their pharmacological properties: A review. J Pharm
Pharmacol. 58(12):1559-1570.
[Balitbangkes] Badan Penelitian dan Pengembangan Kesehatan. 2010. Laporan
Nasional Riset Kesehatan Dasar. Kementerian Kesehatan Republik
Indonesia. Jakarta (ID): Balitbangkes.
Berrueta LA, Alonso RM, Heberger K. 2007. Supervised pattern recognition in
food
analysis.
J
Chromatogr
A.
1158:196-214.doi:
10.1016/j.chroma.2007.05.024.
Boggia R, Casolino MC, Hysenaj V, Oliveri P, Zunin P. 2012. A screening method
based on UV-Visible spectroscopy and multivariate analysis to asses
addition of filler juices and water to pomegranate juice. Food Chem.
140:735-741.
[BPOM RI] Badan Pengawas Obat dan Makanan Republik Indonesia. 2005.
Peraturan Kepala Badan Pengawas Obat dan Makanan Republik Indonesia
Nomor HK.00.05.41.1384 tentang Kriteria dan Tatalaksana Pendaftaran
Obat Tradisional, Obat Herbal Terstandar, dan Fitofarmaka. Jakarta (ID):
BPOM RI.
Gad HA, El-Ahmady SH, Abou-Shoer MI, Al-Azizi MM. 2012. Application of
chemometrics in authentication of herbal medicines: A review. Phytochem
Anal. 24:1-24.
Harish R, Shivanandappa T. 2004. Antioxidant activity and hepatoprotective
potential of Phyllanthus niruri. Food Chem. 95(2006):180-185.
Ifeoma O, Samuel O, Itohan AM, Adeola SO. 2012. Isolation, fractionation and
evaluation of the antiplasmodial properties of Phyllanthus niruri resident in
its chloroform fraction. APJTM. 100(2013):169-175.
Jose J, Sudhakaran S, Kumar S, Jayaraman S, Jayadevi V. 2014. Study of in vitro
immunomodulatory effect of flavonoid isolated from Phyllanthus niruri on
human blood lymphocytes and evaluation of its antioxidant potential. IJPPR.
6(2):284-289.
Jannah R. 2014. Diskriminasi temu lawak, temu mangga, temu hitam, dan kunyit
menggunakan spektrum ultraviolet-tampak dan kemometrika [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Markham KR. 1988. Techniques of Flavonoid Identification. London: Academic
Pr.
Mathur R. 2012. Phytochemical and antimicrobial effect of Phyllanthus niruri on
human pathogenic microorganisms. IJISD. 2(1):94-105.
Miller JC, Miller JN. 2000. Statistic and Chemometrics for Analytical Chemistry.
Harlow (GD): Pearson Education.
Mok DKW, Chau FT. 2006. Chemical information of Chinese medicine: a
challenge to chemist. Chemom Intell Lab Sys. 82:210-217.

17
Morillo AP, Alcazar A, Pablos F, Jurado JM. 2012. Differentiation of tea varieties
using UV-Vis spectra and pattern recognition techniques. Spectrochim Acta
A. 103:79-83.doi:10.1016/j.saa.2012.10.052.
Murugaiyah V, Chan KL. 2009. Mechanism of antihyperuricemics effect of
Phyllanthus niruri and its lignin constituents. J Ethnopharmacol. 124(2):
233-239.
Nakweti RK, Ndiku SL, Doumas P, Nkung MH, Baissac Y, Kanyanga RC,
Ndofonsu AD, Otono FB, Allemand CJ. 2013. Phytochemical analysis of
Phyllanthus niruri (Phyllanthaceae) extract collected in four geographical
areas in the Democratic Republic of the Congo. Afr J Plant Sci. 7(1):9-20.
Oktavidianti E. 2012. Kajian beberapa aspek agronomi tanaman obat meniran hijau
(Phyllanthus niruri) dan meniran merah (Phyllanthus urinaria L.) [disertasi].
Bogor (ID): Institut Pertanian Bogor.
Purwakusumah ED, Rafi M, Syafitri DU, Nurcholis W, Adzkiya ZAM. 2014.
Identifikasi dan autentikasi jahe merah menggunakan kombinasi
spektroskopi FTIR dan kemometrik. Agritech 34(1):1-6.
Rafi M, Lim WL, Takeuchi T, Latifah KD. 2013. Simultaneous determination of
gingerols and shogaol using capillary liquid chromatography and its
application in discrimination of three ginger varieties from Indonesia.
Talanta. 103(2013):28-32.
Rohaeti E, Rafi M, Syafitri DU, Heryanto R. 2014. Fourier transform infrared
spectroscopy combined with chemometrics for discrimination of Curcuma
longa, Curcuma xanthorriza and Zingiber cassumunar. Spectrochim Acta A.
137(2015):1244-1249.
Soh PN, Banzouzi JT, Mangombo H, Lusakibanza M, Bulubulu FO, Tona L,
Diamuini AN, Luyindula SN, Vical FB. 2009. Antiplasmodial activity of
various part of Phyllanthus niruri according to its geographical distribution.
Afr J Pharm Pharmacol. 3(12):598-601.
Sanchez AM, Carmona M, Zalacain A, Carot JM, Jabaloyes JM, Alonso GL. 2008.
Rapid determination of crocetin esters and picrocrocin from saffron spice
(Crocus sativus L.) using UV-visible spectrophotometry for quality control.
J Agric Food Chem. 56:3167–3175.doi: 10.1021/jf703725e.
Supardi S, Jamal S, Raharni. 2005. Pola penggunaan obat, obat tradisional, dan
cara tradisional dalam pengobatan sendiri di Indonesia. Bul. Penel.
Kesehatan. 33(4):192-198.
Urbano M, Castro MD, Perez PM, Olmo JG, Nieto MA. 2006. Ultraviolet-visible
spectroscopy and pattern recognition methods for differentiation and
classification of wines. Food Chem. 97(2006):166-175.

18

LAMPIRAN
Lampiran 1 Bagan alir identifikasi dan autentikasi sampel tunggal
Sampel tunggal
Ditimbang

Metanol

Diekstraksi secara sonikasi selama 10,
20, 30, 40 dan 50 menit (suhu ruang)

Campuran
Disaring dan ditera dalam labu takar 10 mL
Diencerkan menggunakan metanol hingga
berbagai konsentrasi
Larutan sampel
Analisis menggunakan spektrofotometer
UV-Vis (200-800 nm)
Spektrum

Pemilihan kondisi optimum
preparasi
Preparasi sampel berdasarkan kondisi
optimum
Spektrum

Analisis menggunakan spektrofotometer
UV-Vis (200-800 nm)

Konversi ke dalam MS. Excel
Panjang gelombang dan absorbans
Proses pendahuluan
(smoothing dan SNV)
Identifikasi dan autentikasi
dengan teknik analisis
multivariat (PCA dan DA)

19
Lampiran 2 Bagan alir identifikasi dan autentikasi sampel campuran
Sampel campuran
Diekstraksi secara sonikasi
berdasarkan kondisi
optimum

Metanol
Campuran

Disaring dan ditera
dalam labu takar 10 mL
Larutan sampel
Analisis menggunakan
spektrofotometer UV-Vis
(200-800 nm)

Spektrum

Konversi ke dalam
MS. Excel
Data panjang gelombang dan absorbans

Proses pendahuluan
(smoothing dan SNV)
Data pascapemrosesan sinyal
PCA tiap kelas

PCA
Score plot

Pemilihan komponen
utama (PC)
DA
Hasil DA

Score plot
tiap kelas

SIMCA

Tabel klasifikasi
Cooman plot
Discrimination power

20
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina

21
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)

22
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)

23
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)

24
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)

25
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)

26
Lampiran 3 Data hasil identifikasi sampel meniran dan petai cina (lanjutan)

27
Lampiran 4 Tabulasi data hasil analisis sampel menggunakan spektrofotometer
ultraviolet-tampak

a

Sampel

200

200.5

201.5

201.5

…

…

800

M1
M2
M3
M4
M5
M6
…
M30
P1
P2
P3
P4
P5
P6
…
P16

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs
Abs

M: Meniran, P: Petai Cina

Lampiran 5 Panjang gelombang (nm) serapan senyawa golongan flavonoid
(Markham 1988)
Jenis Flavonoid
Flavon
Flavonol
Flavonon
Bilavonil
Kalkon
Auron
Antosianidin

Pita II (nm)
250-280
250-280
275-295
270-295
230-270
230-270
270-280

Pita I (nm)
310-350
330-385
300-330
300-320
340-390
380-430
465-560

28
Lampiran 6 Hasil klasifikasi menggunakan SIMCA
Sampela
M10:P1 5%
M10:P8 5%
M10:P11 5%
M10:P12 5%
M19:P1 5%
M19:P8 5%
M19:P11 5%
M19:P12 5%
M25:P1 5%
M25:P8 5%
M25:P11 5%
M25:P12 5%
M30:P1 5%
M30:P8 5%
M30:P11 5%
M30:P12 5%
M10:P1 25%
M10:P8 25%
M10:P11 25%
M10:P12 25%
M19:P1 25%
M19:P8 25%
M19:P11 25%
M19:P12 25%
M25:P1 25%
M25:P8 25%
M25:P11 25%
M25:P12 25%
M30:P1 25%
M30:P8 25%
M30:P11 25%
M30:P12 25%
M10:P1 50%
M10:P8 50%
M10:P11 50%
M10:P12 50%
M19:P1 50%
M19:P8 50%
M19:P11 50%
M19:P12 50%

Variabel (panjang gelombang) Variabel (komponen utama)
5% 25% 50% M
P 5% 25% 50% M P
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*

29
Lampiran 6 Hasil klasifikasi menggunakan SIMCA (lanjutan)
Sampela
M25:P1 50%
M25:P8 50%
M25:P11 50%
M25:P12 50%
M30:P1 50%
M30:P8 50%
M30:P11 50%
M30:P12 50%
M1
M2
M3
M4
M5
M6
M7
M8
M9
M10
M11
M12
M13
M14
M15
M16
M17
M18
M19
M20
M21
M22
M23
M24
M25
M26
M27
M28
M29
M30
P1
P2

Variabel (panjang gelombang)
5% 25% 50% M
P
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*

Variabel (komponen utama)
5% 25% 50% M
P
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*

30
Lampiran 6 Hasil klasifikasi menggunakan SIMCA (lanjutan)
Sampela
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
P13
P14
P15
P16
a

Variabel (panjang gelombang)
5%
25%
50% M
P
*
*
*
*
*
*
*
*
*
*
*
*
*
*

M: Meniran, P: Petai Cina

Variabel (komponen utama)
5%
25%
50% M
P
*
*
*
*
*
*
*
*
*
*
*
*
*
*

31

RIWAYAT HIDUP
Penulis dilahirkan di Tual pada tanggal 6 Maret 1991. Penulis merupakan
anak ke-3 dari empat bersaudara dari pasangan Bapak Purwanto dan Ibu Sri
Praptiyah. Penulis menempuh pendidikan menengah atas di SMAK Bogor. Pada
tahun 2011, penulis terdaftar sebagai salah satu mahasiswa Departemen Kimia
Fakultas Matematika dan Ilmu Pengetahuan Alam IPB melalui jalur SNMPTN.
Pada bulan Juli-Agustus 2014, penulis mengikuti kegiatan Praktik Lapangan
di PT SMART Tbk, Bogor dengan judul laporan Pengaruh Faktor Progeni,
Perlakuan, dan Waktu Pengujian Terhadap Kandungan Asam Absisat Dalam
Tanaman Kelapa Sawit. Selama menjadi mahasiswa IPB, penulis memiliki
pengalaman sebagai asisten praktikum Asas Kimia Analitik dan Praktikum Analisis
Instrumental TA 2014/2015 di Laboratorium Kimia Analitik.