PENGGUNAAN UV-VIS SPECTROSCOPY DAN METODE SIMCA …digilib.unila.ac.id/59393/3/SKRIPSI TANPA BAB PEMBAHASAN.pdf · UNTUK IDENTIFIKASI MADU LEBAH HUTAN (Apis dorsata) BERDASARKAN SUMBER

i

PENGGUNAAN UV-VIS SPECTROSCOPY DAN METODE SIMCA

UNTUK IDENTIFIKASI MADU LEBAH HUTAN (Apis dorsata)

BERDASARKAN SUMBER NEKTAR

(Skripsi)

Oleh

RIZKI FIRMANSYAH

FAKULTAS PERTANIAN

UNIVERSITAS LAMPUNG

BANDAR LAMPUNG

2019

ii

ABSTRAK




Oleh

RIZKI FIRMANSYAH

Nilai jual madu hutan ditentukan oleh kemurnian pada madu, akan tetapi banyak

terjadi proses pencampuran pada madu hutan murni, pencampuran pada madu

bukan hanya penambahan bahan-bahan lain seperti air, sukrosa, fruktosa maupun

zat warna, tetapi juga dapat berupa pencampuran dengan jenis madu lain.

Penelitian identifikasi madu hutan Apis dorsata asal Indonesia menggunakan UV-

Vis Spectroscopy dan metode SIMCA belum pernah dilakukan. Penelitian ini

bertujuan untuk mengidentifikasi tiga jenis madu hutan Apis dorsata berdasarkan

sumber nektar dengan menggunakan UV-Vis Spectroscopy dan metode soft

independent modelling of class analogy (SIMCA).

Jumlah sampel yang digunakan sebanyak 100 sampel madu uniflora durian

(MUD), 100 sampel madu multiflora (MM), dan 100 sampel madu uniflora akasia

(MUA). Sampel madu dipanaskan terlebih dahulu dengan menggunakan

waterbatch pada suhu 60 ℃ selama 30 menit, kemudian 1 ml sampel madu

diencerkan dengan aquades sejumlah 20 ml dan diaduk selama 10 menit

iii

menggunakan magnetic stirrer. Selanjutnya 2 ml sampel hasil pengenceran

dimasukkan ke dalam kuvet dan diambil data spektranya sebanyak 2 kali

pengulangan dengan menggunakan UV-Vis Spectrometer (UV-Vis Genesys 10s,

Thermo Scientific, USA) pada panjang gelombang 190 – 1100 nm. Kemudian

data spektra yang diperoleh dianalisis menggunakan metode PCA dan SIMCA

menggunakan software The Unscrambler versi 9.2.

Hasil klasifikasi menunjukkan bahwa PCA dan SIMCA mampu mengidentifikasi

MUD, MM dan MUA. Hasil analisis PCA terbaik diperoleh melalui proses

perbaikan spektra, dengan menggunakan metode perbaikan spektra kombinasi

multiplicative scatter correction (MSC) dan moving average 9 segmen, pada

panjang gelombang 190 – 1100 nm (panjang gelombang penuh). Pada

pengembangan model spektra kombinasi MSC dan moving average 9 segmen

menghasilkan nilai PC1 sebesar 86% dan PC2 sebesar 12%. Sedangkan untuk

klasifikasi model SIMCA MUD dengan model SIMCA MM diperoleh nilai

akurasi, nilai sensitivitas, dan nilai spesifisitas sebesar 100% dengan nilai false

alarm rate 0%. Pada model SIMCA MUD dengan model SIMCA MUA

diperoleh nilai akurasi, nilai sensitivitas, dan nilai spesifisitas sebesar 100%

dengan nilai false alarm rate 0%. Pada klasifikasi model SIMCA MM dengan

model SIMCA MUA diperoleh nilai akurasi, nilai sensitivitas, dan nilai

spesifisitas sebesar 100% dengan nilai false alarm rate 0%. Berdasarkan analisis

kurva ROC seluruh klasifikasi yang dibangun dapat dinyatakan sebagai excellent

classification.

Kata kunci : Madu, UV-Vis Spectrometer, Principal Component Analysis (PCA),

Soft Independent Modelling of Class Analogy (SIMCA), Receiver

Operating Characteristic (ROC).

iv

ABSTRACT

THE USE OF UV VIS SPECTROSCOPY AND SIMCA METHOD TO

IDENTIFY APIS DORSATA HONEY BASED ON SOURCE OF NECTAR

By

RIZKI FIRMANSYAH

The value of forest honey is determined by the purity of honey, however there is a

lot of mixing in pure honey, mixing in forest honey is not only the addition of

other ingredients such as water, sucrose, fructose or dyes, but also in the form of

mixing with other types of honey. Research on identification of Apis dorsata

forest honey from Indonesia using UV-Vis Spectroscopy and SIMCA methods

has never been done. The purpose of this research to identify three types of Apis

dorsata forest honey based on nectar sources using UV-Vis Spectroscopy and

SIMCA method.

The number of samples used were 100 samples of durian uniflora honey (MUD),

100 samples of multiflora honey (MM), and 100 samples of acacia uniflora honey

(MUA). The honey sample is preheated using a waterbatch at 60 ℃ for 30

minutes, then 1 ml of the honey sample is diluted with 20 ml of distilled water and

stirred for 10 minutes using a magnetic stirrer. Furthermore, 2 ml of the sample

v

that has been diluted, put in a cuvette and the spectral data taken 2 times with the

use of UV-Vis Spectrometers (UV-Vis Genesys 10s, Thermo Scientific, USA) at

a wavelength of 190-1100 nm with the amount. Then the spectra data obtained

were analyzed using the PCA and SIMCA methods using The Unscrambler

software version 9.2.

The result of absorbance data is processed with the unscrambler version 9.2

software. The classification results show that PCA and SIMCA are able to

identify MUD, MM and MUA. The best PCA analysis results are obtained

through a spectral repair process, using a combination of multiplicative scatter

correction (MSC) and 9 segment moving average spectra correction methods, at a

wavelength of 190-1100 nm (full wavelength). In the development of MSC and 9

segment moving average spectra models, PC1 values of 86% and PC2 of 12%. As

for the classification of the SIMCA MUD model with the SIMCA MM model, the

accuracy value, sensitivity value, and specificity value are 100% with a false

alarm rate of 0%. In the SIMCA MUD model with the SIMCA MUA model,

values of accuracy, sensitivity and specificity values of 100% were obtained with

a false alarm rate of 0%. In the classification of the SIMCA MM model with the

SIMCA MUA model, values of accuracy, sensitivity and specificity values of

100% were obtained with a false alarm rate of 0%. Based on ROC curve analysis,

all classifications built can be stated as excellent classification.

Keywords : Honey, UV-Vis Spectrometer, Principal Component Analysis (PCA),

Soft Independent Modelling of Class Analogy (SIMCA), Receiver

Operating Characteristic (ROC).

vi




Oleh

RIZKI FIRMANSYAH

Skripsi

Sebagai Salah Satu Syarat untuk Mencapai Gelar

SARJANA TEKNOLOGI PERTANIAN

pada

Jurusan Teknik Pertanian

Fakultas Pertanian Universitas Lampung

FAKULTAS PERTANIAN

UNIVERSITAS LAMPUNG

BANDAR LAMPUNG

2019

vii

Judul Skripsi : PENGGUNAAN UV-VIS SPECTROSCOPY

DAN METODE SIMCA UNTUK

IDENTIFIKASI MADU LEBAH HUTAN (Apis

dorsata) BERDASARKAN SUMBER NEKTAR

Nama : Rizki Firmansyah

Nomor Pokok Mahasiswa : 1514071016

Jurusan : Teknik Pertanian

Fakultas : Pertanian

Menyetujui

Komisi Pembimbing

Dr. Agr. Sc. Diding Suhandy, S.TP., M.Agr Ir. Iskandar Zulkarnain M.Si.

NIP. 197803032001121001 NIP. 196109041986031003

Ketua Jurusan Teknik Pertanian

Dr. Ir. Agus Haryanto, M.P.

NIP. 196505271993031002

viii

MENGESAHKAN

1. Tim Penguji

Ketua : Dr. Agr. Sc. Diding Suhandy, S.TP., M.Agr........................

Sekretaris : Ir. Iskandar Zulkarnain, M.Si. ........................

Penguji

Bukan Pembimbing : Dr. Ir. Tamrin, M.S. .......................

2. Dekan Fakultas Pertanian

Prof. Dr. Ir. Irwan Sukri Banuwa, M.Si.

NIP 196110201986031002

Tanggal Lulus Ujian Skripsi : 09 September 2019

ix

PERNYATAAN KEASLIAN HASIL KARYA

Saya adalah Rizki Firmansyah NPM 1514071016, dengan ini menyatakan bahwa

apa yang tertulis dalam karya ilmiah ini adalah hasil karya saya yang dibimbing

oleh Komisi Pembimbing, Dr. Agr. Sc. Diding Suhandy, S.TP., M.Agr. dan

Ir. Iskandar Zulkarnain, M.Si. Berdasarkan pada pengetahuan dan informasi

yang telah saya peroleh. Karya ilmiah ini berisi material yang dibuat sendiri dan

beberapa hasil rujukan sumber lain (buku, jurnal, skripsi, thesis, makalah, dll)

yang telah dipublikasikan sebelumnya atau dengan kata lain bukanlah hasil dari

plagiat karya orang lain.

Demikianlah pernyataan ini saya buat dan dapat dipertanggungjawabkan

sebagaimana mestinya. Apabila di kemudian hari terdapat kecurangan dalam

karya ini, maka saya siap mempertanggungjawabkannya.

Bandar Lampung, 07 Oktober 2019

Yang Membuat Pernyataan

Rizki Firmansyah

NPM. 1514071016

x

RIWAYAT HIDUP

Penulis dilahirkan di Banjar Agung, Kecamatan Buay

Rawan, Kabupaten Ogan Komering Ulu Selatan,

Provinsi Sumatera Selatan pada tanggal 06 Januari

1997, putra pertama dari dua bersaudara keluarga dari

Bapak Baijuri dan Ibu Nik Matus Soleha. Pendidikan

Sekolah Dasar (SD) diselesaikan di SD Negeri Banjar

Agung pada tahun 2009. Sekolah Menengah Pertama

(SMP) diselesaikan di MTs Negeri 1 Muaradua pada tahun 2012. Sekolah

Menengah Atas (SMA) diselesaikan di SMA Negeri 1 Muaradua pada tahun

2015.

Tahun 2015, penulis terdaftar sebagai mahasiswa Jurusan Teknik Pertanian,

Fakultas Pertanian, Universitas Lampung melalui jalur tes Seleksi Nasional

Masuk Perguruan Tinggi (SNMPTN). Selama menjadi mahasiswa penulis

terdaftar aktif di Unit Kegiatan Mahasiswa Persatuan Mahasiswa Teknik

Pertanian (PERMATEP) sebagai Anggota Bidang Pengabdian Masyarakat pada

periode 2016-2017 dan menjadi Ketua Bidang Pengabdian Masyarakat

PERMATEP pada periode 2017-1018, penulis juga terdaftar aktif di Unit

xi

Kegiatan Mahasiswa Pusat Informasi Konseling Mahasiswa (PIK-M RAYA)

Universitas Lampung sebagai Anggota Divisi Hubungan Masyarakat pada periode

2016-2017. Penulis juga aktif di lembaga ikatan mahasiswa teknik pertanian

indonesia dengan pernah mengikuti dua kali kongres di universitas jember dan

unsri serta menjadi pimpinan sidang pada kongres

Pada tanggal 22 Januari-2 Maret 2018, penulis melakukan Kuliah Kerja Nyata

(KKN) di Pekon Karang Rejo, Kecamatan Semaka, Kabupaten Tanggamus

selama 40 hari kerja dengan tema “Pariwisata dan Pengentasan Desa

Tertinggal”. Pada tanggal 17 Juli- 19 Agustus 2018, penulis melaksanakan

Praktek Umum (PU) selama 30 hari kerja di Pusat Penelitian Kopi dan Kakao

Indonesia (PUSLITKOKA, Kabupaten Jember, Provinsi Jawa Timur dengan tema

“Mempelajari Kinerja Mesin Pembububuk (Grinder) Kopi Di Pusat

Penelitian Kopi Dan Kakao Indonesia Jember - Jawa Timur”.

i

Persembahan

Segala puji dan syukur kepada Allah SWT yang telah

memberikan kesehatan, kemudahan seta keberkahan

dalam setiap langkah dan perjuangan

Kupersembahkan karya ini kepada :

Kedua orangtuaku

Ayah (Baijuri) dan Ibu (Nik Matus Soleha) yang selalu

memberiku Semangat, Do’a, Nasihat, dan Kasih Sayang serta

Pengorbanan yang tak tergantikan untuk menjalani rintangan

yang ada didepanku.

Adikku

Rahma Meiliyanti yang telah memberikan Do’a dan

Semangat untukku.

i

SANWACANA

Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayahNya

sehingga penulis dapat menyelesaikan tugas akhir perkuliahan dalam penyusunan

skripsi ini. Sholawat teriring salam semoga selalu tercurah kepada Baginda Rasul

Nabi Muhammad SAW dan keluarga serta para sahabatnya, Aamiin. Skripsi yang

berjudul “Penggunaan UV-Vis Spectroscopy dan Metode SIMCA untuk

Identifikasi Madu Lebah Hutan (Apis dorsata) Berdasarkan Sumber

Nektar”. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar

Sarjana Teknologi Pertanian (S.T.P) di Universitas Lampung.

Penulis menyadari dan memahami dalam penyusunan skripsi ini begitu banyak

terdapat kesalahan dan kekurangan. Ucapan terima kasih, penulis sampaikan

kepada semua pihak yang telah memberikan bantuan, dukungan, bimbingan, dan

arahan dalam pelaksanaan penelitian dan penulisan skripsi.

Pada kesempatan kali ini penulis mengucapkan terima kasih kepada :

1. Prof. Dr. Ir. Irwan Sukri Banuwa, M.Si., selaku Dekan Fakultas Pertanian

yang telah membantu dalam administrasi skripsi ini.

2. Dr. Ir. Agus Haryanto, M.S., selaku Ketua Jurusan Teknik Pertanian,

Universitas Lampung.

ii

3. Dr. Agr. Sc. Diding Suhandy, S.T.P., M.Agr., selaku Dosen Pembimbing

Utama yang telah meluangkan waktunya untuk membimbing, memotivasi dan

memberikan saran selama proses penelitian hingga penyusunan skripsi ini.

4. Ir. Iskandar Zulkarnain, M.Si., selaku pembimbing kedua sekaligus

Pembimbing Akademik (PA) selama menempuh pendidikan di jurusan Teknik

Pertanian, yang telah memberikan berbagai masukan dan bimbingannya dalam

penyelesaian skripsi ini serta motivasi dan dorongannya selama penulis

menempuh pendidikan di jurusan Teknik Pertanian.

5. Dr. Ir. Tamrin, M.S., selaku pembahas yang telah memberikan saran dan

masukan sebagai perbaikan selama penyusunan skripsi ini.

6. Seluruh Dosen Teknik Pertanian, Fakultas Pertanian, Universitas Lampung

7. Rumah Madu yang telah menyediakan sampel dan membantu kelancaran

penelitian sehingga skripsi ini dapat terselesaikan.

8. Ayahku Baijuri, Umakku Nik Matus Soleha dan Adikku Rahma Meiliyanti

serta semua keluarga tercinta yang telah memberikan kasih sayang, dukungan

moral, material dan Do’a selama ini.

9. Hamimatu Zahrok S.T.P. yang selalu memberikan semangat dalam

menjalankan hari-hariku terutama untuk skiripsi ini.

10. Teman-teman seperjuangan skripsi dan bimbingan Mimah, Hammam, Febri,

dan Rio.

11. Teman-teman squad Praktik Umum Pulit KokaYudha, Mimah dan Riski.

12. Komti dan wakomti TEP 2015 Aan Kurniawan dan Aditya Haidar

Primandoko

13. Kawan masak, makan, maen dll Mimah, Shela, Widi, Rita, Empit.

iii

14. Kawan-kawan Bintang, Tama, Hammam, Febri, Aan, Adit, Cus, Hendri,

Andika, Tupis, Tiyaz, Fauzan, Abel, Ipang, Sani, Rio, Irfan, Chandra, Jova,

Regif yang telah mendukung terselesaikannya skripsi ini dan mendukung

kehidupan penulis selama di kampus baik itu contekan, tempat minep dll.

15. Teman-teman seperjuangan Teknik Pertanian 2015 yang telah memberikan

semangat, dukungan, dan motivasi selama penulis menempuh pendidikan.

Semoga Allah SWT membalas semua kebaikan Bapak, Ibu, serta rekan-rekan

sekalian, dan semoga skripsi ini dapat bermanfaat dimasa yang akan datang.

Bandar Lampung, September 2019

Rizki Firmansyah

iv

DAFTAR ISI

Halaman

DAFTAR TABEL.............................................................................................. vi

DAFTAR GAMBAR ........................................................................................ ix

I. PENDAHULUAN .......................................................................................... 1 1.1 Latar Belakang ........................................................................................... 1

1.2 Rumusan Masalah ...................................................................................... 5

1.3 Tujuan Penelitian ....................................................................................... 5

1.4 Manfaat Penelitian ..................................................................................... 6

1.5 Hipotesis .................................................................................................... 6

1.6 Batasan Masalah ........................................................................................ 7

II. TINJAUAN PUSTAKA ............................................................................... 8 2.1 Klasifikasi Lebah Madu ............................................................................ 8

2.2 Madu .......................................................................................................... 9

2.3 Karakteristik Fisis Madu ........................................................................... 10

2.4 Komposisi dan Kandungan Madu ............................................................. 13

2.5 Jenis-jenis Madu ........................................................................................ 15

2.6 Manfaat Madu ........................................................................................... 16

2.7 UV-Vis Spectroscopy ................................................................................. 17

2.8 Metode Kemometrika ................................................................................ 21

2.8.1 Principal Component Analysis (PCA) ................................................ 22

2.8.2 Soft independent modelling of class analogy (SIMCA) ..................... 26

2.8.3 Matriks Konfusi (Confusion Matrix) .................................................. 27

2.8.4 Metode Pretreatment Spektra ............................................................. 28

III. METODOLOGI PENELITIAN ............................................................... 33 3.1 Waktu dan Tempat Penelitian ................................................................... 33

3.2 Alat dan Bahan Penelitian ......................................................................... 33

3.3 Prosedur Penelitian .................................................................................... 33

3.3.1 Persiapan Alat ..................................................................................... 35

3.3.2 Prosedur Persiapan Bahan .................................................................. 35

3.3.3 Pengambilan Spektra dengan Spektrofotometer ................................. 39

3.3.4 Membuat dan Menguji Model ............................................................ 41

v

3.4 Analisis Data ............................................................................................. 41

3.5 Principal Component Analysis (PCA)....................................................... 41

IV. HASIL DAN PEMBAHASAN ................................................................... 46 4.1 Analisis Spektra Madu Menggunakan Data Spektra Original pada

Panjang Gelombang 190-1100 nm ............................................................ 46

4.2 Hasil Principal Component Analysis (PCA) Menggunakan Spektra

Original pada Panjang Gelombang 190 – 1100 nm ................................... 49

4.3 Model Soft Independent Modelling of Class Analogy (SIMCA)

Menggunakan Spektra Original pada Panjang Gelombang

190-1100 nm .............................................................................................. 54

4.4 Klasifikasi Menggunakan Data Spektra Original pada Panjang

Gelombang 190-1100 nm .......................................................................... 57

4.5 Analisis Transformasi pada Spektra Original pada Panjang

Gelombang 190-1100 nm. ......................................................................... 81

4.6 Analisis Spektra Madu Menggunakan Data Spektra MSC +

Moving Average 9 Segmen pada Panjang Gelombang 190-1100 nm ....... 86

4.7 Hasil Principal Component Analysis (PCA) Menggunakan Spektra

MSC+Moving Average 9 Segmen pada Panjang Gelombang

190-1100 nm .............................................................................................. 88

4.8 Model Soft Independent Modelling of Class Analogy (SIMCA)

Menggunakan Spektra Kombinasi MSC dan Moving Average

9 Segmen pada Panjang Gelombang 190-1100 nm ................................... 92

4.9 Klasifikasi Model SIMCA Menggunakan Spektra Kombinasi

MSC dan Moving Average 9 Segmen pada Panjang Gelombang

190-1100 nm. ............................................................................................. 95

V. SIMPULAN DAN SARAN ......................................................................... 117 5.1 Simpulan ................................................................................................... 117

5.2 Saran ......................................................................................................... 118

DAFTAR PUSTAKA ....................................................................................... 119

LAMPIRAN ...................................................................................................... 125

Tabel (24 - 26) .................................................................................................... 126

Gambar (44 - 54) ................................................................................................ 143

vi

DAFTAR TABEL

Tabel Halaman

1. Kandungan Madu ........................................................................................ 14

2. Kandungan Nutrisi Madu ............................................................................ 15

3. Matriks Konfusi .......................................................................................... 27

4. Penomoran Sampel ..................................................................................... 38

5. Hasil Klasifikasi Model SIMCA MUD dengan Model

SIMCA MM Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 60

6. Confusion Matrix Model SIMCA MUD dengan Model

SIMCA MM Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 63

7. Hasil Tingkat Spesifisitas dan Sensitivitas pada Hasil

Klasifikasi MUD dengan MM Menggunakan Spektra Original

pada Panjang Gelombang 190-1100 nm pada Beberapa Level .................. 66

8. Hasil Klasifikasi Model SIMCA MUD dengan MUA Menggunakan

Spektra Original pada Panjang Gelombang 190-1100 nm. ........................ 68

9. Confusion Matrix Model SIMCA MUD dan Model

SIMCA MUA Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 70


Klasifikasi MUD dengan MUA Menggunakan Spektra Original


11. Hasil Klasifikasi Model SIMCA MM dengan MUA Menggunakan


vii

12. Confusion Matrix Model SIMCA MM dan Model

SIMCA MUA Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 76


Klasifikasi MM dengan MUA Menggunakan Spektra Original


14. Hasil Perbaikan Spektra Original dengan Menggunakan Beberapa

Perlakuan pada Panjang Gelombang 190-1100 nm. ................................... 82


SIMCA MM Menggunakan Spektra Kombinasi MSC dan

Moving Average 9 Segmen pada Panjang Gelombang 190-1100 nm. ........ 96

16. Confusion Matrix Model SIMCA MUD dengan MM

Menggunkan Spektra MSC dan Moving Average 9 Segmen

pada Panjang Gelombang 190-1100 nm. .................................................... 98

17. Hasil Tingkat Spesifisitas dan Sensitivitas pada Hasil Klasifikasi

MUD dengan MM Menggunakan Spektra MSC dan Moving

Average 9 Segmen pada Panjang Gelombang 190-1100 nm

pada Beberapa Level ................................................................................... 101


SIMCA MUA Menggunakan Spektra Kombinasi MSC dan

Moving Average 9 Segmen pada Panjang Gelombang 190-1100 nm. ........ 103

19. Confusion Matrix Model SIMCA MUD dengan MUA

Menggunakan Spektra MSC dan Moving Average 9 Segmen



Klasifikasi MUD dengan MUA Menggunakan Spektra

MSC + Moving Average 9 Segmen pada Panjang Gelombang

190-1100 nm pada Beberapa Level ............................................................ 108

21. Hasil Klasifikasi Model SIMCA Madu Multiflora (MM)

dengan Model SIMCA Madu Uniflora Akasia (MUA) Menggunakan

Spektra Kombinasi MSC dan Moving Average 9 Segmen


22. Confusion Matrix Model SIMCA MM dengan MUA Menggunakan

Spektra MSC dan Moving Average 9 Segmen pada Panjang

Gelombang 190-1100 nm. .......................................................................... 112

viii

23. Hasil Tingkat Spesifisitas dan Sensitivitas pada Hasil Klasifikasi

MM dengan MUA Menggunakan Spektra MSC + Moving

Average 9 Segmen pada Panjang Gelombang 190-1100 nm

pada Beberapa Level ................................................................................... 114

24. Daftar Istilah (Camo, 2006., Lavine, 2009.) ............................................... 126

25. Hasil Identifikasi PCA Menggunakan Data Spektra Original

Pada Panjang Gelombang 190-1100 nm Dalam

Bentuk Angka (Numeric). ........................................................................... 128

26. Hasil Diskriminasi PCA pada Spektra Kombinasi MSC dan

Moving Average 9 Segmen Dalam Bentuk Angka (Numeric). ................... 135

ix

DAFTAR GAMBAR

Gambar Halaman

1. Prinsip Kerja UV-Vis Spectrophotometer ................................................... 20

2. Prinsip PCA ................................................................................................ 23

3. Plot Score dan Loading pada PCA .............................................................. 24

4. Diagram Alir Prosedur Penelitian ............................................................... 34

5. Proses Pemanasan Madu dengan Water Batch pada Suhu 60 oC ................ 36

6. Proses Pengenceran Sampel ........................................................................ 37

7. Proses Pengadukan Sampel dengan Menggunakan Magnetic Stirer .......... 37

8. Pengukuran Spektra Sampel dengan UV-Vis Spectroscopy jenis

Geneysis10S UV-Vis pada Panjang Gelombang 190-1100 nm. .................. 38

9. Diagram Alir Persiapan Bahan ................................................................... 39

10. Diagram Proses Pengambilan Spektra ........................................................ 40

11. Cara Mengimport Data dari Microsoft Excel ke The Unscrambler 9.2. ..... 42

12. Cara Mentranspose Data pada The Unscrambler 9.2. ................................ 43

13. Cara Membuat Kolom Category Variable. ................................................. 43

14. Menu Edit Set. ............................................................................................ 44

15. Identifikasi Nilai PCA ................................................................................. 45

16. Tampilan Menu PCA ................................................................................. 45

17. Sampel Madu Uniflora Durian (MUD), Madu Uniflora Akasia (MUA)

dan Madu Multiflora (MM) ........................................................................ 47

x

18. Grafik Nilai Rata-rata Spektra Original Pada Panjang Gelombang

190-1100 nm ............................................................................................... 48

19. Hasil PCA Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 52

20. Grafik X-loading PC1 Hasil Analisis PCA 600 Data Menggunakan


21. Grafik X-loading PC2 Hasil Analisis PCA 600 Data Menggunakan


22. Model SIMCA Sampel MUD Menggunakan Spektra Original pada

Panjang Gelombang 190-1100 nm. ............................................................. 55

23. Model SIMCA Sampel MM Menggunakan Spektra Original pada


24. Model SIMCA Sampel MUA Menggunakan Spektra Original pada


25. Coomans Plot Hasil Klasifikasi Model SIMCA MUD dan MM

Menggunakan Spektra Original pada Panjang Gelombang

190-1100 nm. .............................................................................................. 64

26. Kurva ROC Klasifikasi MUD dengan MM Menggunakan Spektra

Original pada Panjang Gelombang 190-1100 nm ....................................... 67

27. Coomans Plot Hasil Klasifikasi Model SIMCA MUD

dan MUA Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 71

28. Kurva ROC Klasifikasi MUD dan MUA Menggunakan Spektra


29. Coomans Plot Hasil Klasifikasi Model SIMCA MM

dengan MUA Menggunakan Spektra Original pada Panjang

Gelombang 190-1100 nm. .......................................................................... 78

30. Kurva ROC Klasifikasi MM dengan MUA Menggunakan Spektra


31. Grafik Nilai Rata-Rata Spektra menggunakan Spektra Hasil

Tramsformasi dengan Metode MSC+Moving Average

9 Segmen pada Panjang Gelombang 190-1100 nm. ................................... 87

xi

32. Hasil Plot Klasterisasi PCA pada Spektra Kombinasi MSC

dan Moving Average 9 segmen pada Panjang Gelombang

190-1100 nm. .............................................................................................. 90

33. Grafik X-loading PC1 Hasil Identifikasi PCA Menggunakan

Spektra Kombinasi MSC dan Moving Average 9 Segmen pada


34. Grafik X-loading PC2 Hasil Identifikasi PCA pada Spektra

Kombinasi MSC dan Moving Average 9 Segmen pada


35. Model SIMCA MUD Menggunakan Spektra Kombinasi


190-1100 nm. ................................................................................................. 93

36. Model SIMCA MM Menggunakan Spektra Kombinasi


190-1100 nm. .............................................................................................. 93

37. Model SIMCA MUA Menggunakan Spektra Kombinasi


190-1100 nm. .............................................................................................. 94

38. Coomans Plot Hasil Klasifikasi Model SIMCA MUD dan

Model SIMCA MM Menggunakan Spektra MSC Moving Average


39. Kurva ROC Klasifikasi MUD dengan MM Menggunakan

Spektra MSC + Moving Average 9 Segmen pada Panjang

Gelombang 190-1100 nm ........................................................................... 103

40. Coomans Plot Hasil Klasifikasi Model SIMCA MUD dengan

Model SIMCA MUA Menggunakan MSC dan Moving Average


41. Kurva ROC Klasifikasi MUD dengan MUA Menggunakan


Gelombang 190-1100 nm ........................................................................... 109

42. Coomans Plot Hasil Klasifikasi Model SIMCA MM dengan MUA

Menggunakan Spektra MSC Moving Average 9 segmen pada


43. Kurva ROC Klasifikasi MM dengan MUA Menggunakan


Gelombang 190-1100 nm ........................................................................... 116

xii

44. Hasil Spektra Madu Uniflora Durian (MUD) pada Panjang....................... 143

45. Hasil Spektra Madu Multiflora (MM) pada Panjang Gelombang .............. 144

46. Hasil Spektra Madu Uniflora Akasia (MUA) pada Panjang....................... 144

47. Coomans Plot Model SIMCA MUD dan Model SIMCA MM .................. 145

48. Coomans Plot Model SIMCA MUD dan Model SIMCA MUA ................ 145

49. Coomans Plot Model SIMCA MM dan Model SIMCA MUA .................. 146

50. Coomans Plot Model SIMCA MUD dan Model SIMCA MM .................. 146

51. Coomans Plot Model SIMCA MUD dan Model SIMCA MUA ................ 147

52. Coomans Plot Model SIMCA MM dan Model SIMCA MUA .................. 147

53. Foto Bersama Mitra (Rumah Madu) ........................................................... 148

54. Surat Keterangan Kerjasama dengan Mitra (Rumah Madu) ....................... 149

1

I. PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan salah satu negara dengan biodiversitas yang tinggi. Hutan

heterogen di Indonesia yang terdiri dari ribuan flora dan fauna yang berbeda. Hal

tersebut dikarenakan Indonesia merupakan negara beriklim tropis sehingga

memungkinkan bermacam jenis flora dan fauna mudah beradaptasi pada

lingkungan tersebut. Dari sekian banyak flora dan fauna, serangga merupakan

salah satu makhluk hidup yang memiliki toleransi hidup yang cukup tinggi. Salah

satu serangga yang bermanfaat bagi manusia adalah lebah madu. Lebah

merupakan serangga penghasil madu yang telah lama dikenal manusia

(Sulistyorini, 2006). Di Indonesia dikenal empat jenis lebah penghasil madu,

yaitu Apis melifera, Apis florea, Apis cerana dan Apis dorsata (Darmawan et al.,

2014). Apis dorsata merupakan salah satu lebah yang hidup liar di alam dan

sangat sulit untuk dibudidayakan karena sifatnya yang agresif, hingga saat ini

Lebah hutan (Apis dorsata) belum bisa diternakkan. Salah satu produk lebah

hutan yang sangat populer di Indonesia adalah madu.

Madu telah sejak lama dikenal sebagai salah satu minuman alami, yang

mempunyai peranan penting dalam kehidupan dan kesehatan, dan sudah lama

dimanfaatkan oleh masyarakat di seluruh dunia. Allah berfirman dalam Q.S. An-

2

Nahl / 16 : 69 yang artinya, “Dari perut lebah itu keluar minuman (madu) yang

bermacam-macam warnanya, di dalamnya terdapat obat yang menyembuhkan

bagi manusia. Sesungguhnya pada yang demikian itu benar-benar terdapat tanda

(kebesaran Rabb) bagi orang-orang yang memikirkan”. Rasulullah Sallallahu

Alaihi Wasallam juga berpesan agar seseorang itu berobat dengan madu dan al-

Qur'an, Rasulullah bersabda : “Ambillah / pergunakanlah olehmu sekalian akan

dua obat penyembuh yaitu madu dan Al-Qur'an” (Hadis riwayat Ibnu Majah).

Madu adalah zat manis yang diproduksi oleh lebah madu, dari nektar bunga

tanaman dan embun madu (Codex Alimentations, 2001). Madu merupakan salah

satu bahan konsumsi yang tidak menyebabkan alergi karena mudah berasimilasi

dengan tubuh dan mengandung banyak nutrisi khususnya sebagai penyedia energi

(Rahman et al., 2010), madu mengandung karbohidrat 80-85% dan gula madu

mudah dicerna oleh tubuh seperti halnya buah-buahan (White and Doner, 1980).

Walaupun demikian, nilai kalori madu sangat besar yaitu 3.280 kal/kg. Nilai

kalori 1 kg madu setara dengan 50 butir telur ayam, 5,7 liter susu, 25 buah pisang,

40 buah jeruk, 4 kg kentang, dan 1,68 kg daging. Madu memiliki kandungan

karbohidrat yang tinggi dan rendah lemak. Kandungan gula dalam madu

mencapai 80% dan dari gula tersebut 85% berupa fruktosa dan glukosa (Suranto,

2004). Jumlah fruktosa, glukosa, perbandingan fruktosa dan glukosa dan

perbandingan glukosa dengan air adalah faktor penting lainnya yang berkaitan

dengan kualitas madu.

Kualitas dan kandungan madu akan menentukan harga jual madu. Nilai komersial

madu meningkat seiring dengan kualitas dan kandungan madu, terutama karena

3

nutrisinya yaitu enzim, asam amino, vitamin, asam organik, mineral, antioksidan,

dan senyawa organik yang menyusunnya (da Silva, 2016). Susunan dan

komposisi madu tergantung pada asal usul flora, musim bunga, faktor lingkungan

dan perawatan lebah madu (Costa et al., 1999). Selain karena kandungannya,

nilai komersial madu juga sangat dipengaruhi oleh sumber nektar dan asal

geografisnya (Schuhfried et al., 2016). Berdasarkan sumber nektarnya ada dua

jenis madu yaitu madu multiflora, yang berisi nektar dan embun madu dari

beberapa spesies tanaman, dan madu uniflora yang memiliki konsentrasi serbuk

sari 45% dari satu jenis tanaman, madu uniflora merupakan madu yang paling

berharga. Oleh karena itu, pemalsuan madu seringkali terjadi terkait dengan

kesalahan identifikasi asal geografis maupun sumber nektar atau penambahan

bahan lain seperti fruktosa, sukrosa, air maupun bahan lainnya (Schuhfried et al.,

2016).

Kegiatan pemalsuan pangan di Indonesia semakin banyak dilakukan. Pemalsuan

adalah upaya perubahan tampilan makanan yang secara sengaja dilakukan dengan

cara menambah atau mengganti bahan makanan atau minuman. Tujuannya yaitu

untuk meningkatkan penampilan makanan atau minuman dan memperoleh

keuntungan yang sebesar-besarnya. Salah satu pemalsuan yang paling sering

dilakukan yaitu terjadi pada madu, hal ini karena madu merupakan produk pangan

yang banyak dicari dan diminati. Terlebih lagi dengan manfaatnya bagi kesehatan

dan dapat mengobati beberapa masalah kesehatan. Di pasaran dalam negeri,

jaminan akan keaslian dan mutu madu masih belum terlaksana sepenuhnya,

sebaliknya kecurigaan akan pemalsuan madu selalu ada. Berdasarkan Standar

Nasional Indonesia (SNI 3545 : 2013) mengenai mutu dan cara uji madu.

4

Pengujian madu berdasarkan SNI dilakukan dengan uji organoleptik, uji enzim

diastase, uji hidroksimetilfurfural (HMF), uji kadar air, uji kadar gula pereduksi,

uji kadar sukrosa, uji keasaman, uji padatan tak larut dalam air, dan serangkaian

uji lainnya. Akan tetapi semua pengujian tersebut harus dilakukan secara

menyeluruh sehingga membutuhkan waktu dan biaya yang lebih banyak serta

tidak efektif untuk membedakan madu berdasarkan sumber nektarnya. Sehingga,

standar tersebut masih merupakan standar dasar yang dalam pelaksanaannya

masih perlu peninjauan lebih lanjut, terutama hukuman terhadap pelanggaran

persyaratan mutu. Disamping itu, persyaratan mutu masih belum terperinci

sepenuhnya dan belum sesuai dengan kemajuan pasaran, produksi dan permintaan

konsumen.

Berbagai metode dan analisis untuk menguji keaslian madu dan penentuan asal

usul botani madu telah banyak dilakukan. Di antaranya metode yang berdasarkan

analisis fisiologi (Sohaimy et al., 2015), analisis serbuk sari (Moar et al., 1985),

analisis sensorik (Piana et al, 2004), analisis electric-tongue (Major et al, 2011),

proton nuclear magnetic resonance imaging (Boffo et al., 2012) dan

chromatography (Cotte et al., 2004) merupakan metode tradisional untuk

menetapkan asal-usul keaslian madu menurut undang-undang Uni Eropa. Metode

dan teknik seperti itu, membutuhkan banyak persiapan sampel, tenaga ahli, dan

juga menghabiskan waktu serta biaya. Sedangkan, penentuan asal geografis madu

dan asal nektar madu adalah hal yang paling penting bukan hanya karena undang-

undang khusus (Undang-undang perlindungan konsumen nomor 8 tahun 1999)

tetapi juga karena tuntutan pasar.

5

Untuk mengatasi keterbatasan ini, berbagai teknik spektroskopi telah banyak

berhasil dilakukan. Di antaranya, infrared (IR) spectroscopy (Hennessy et al,

2010), near-infrared spectroscopy (Ruoff et al., 2006; Chen et al., 2012; Latorre

et al, 2013; Jandric et al., 2015; Reyes et al., 2017), mid-infrared spectroscopy

(Ruoff et al., 2006), raman spectroscopy (Corvucci et al, 2015; Mignani et al,

2016) dan fourier transform infrared spectroscopy (Gok et al., 2015). Pada

penelitian ini metode spektroskopi yang digunakan yaitu UV-Vis Spectroscopy.

Metode ini memiliki keunggulan dalam proses pembuatan larutan sampel pada

UV-Vis Spectroscopy sangat murah, karena hanya melibatkan pelarut air sehingga

bebas bahan kimia, panjang gelombang yang digunakan lebih panjang dibanding

metode spektroskopi lainnya, akurat, mudah dan merupakan alat yang mudah

ditemukan di beberapa laboratorium mutu hasil pertanian dan pangan (Apratiwi,

2016).

1.2 Rumusan Masalah

Rumusan permasalahan dari penelitian ini yaitu sebagai berikut:

1. Pencampuran pada madu bukan hanya penambahan bahan-bahan lain seperti

air, sukrosa, fruktosa maupun zat warna, tetapi dapat berupa pencampuran

dengan jenis madu lain.

2. Penelitian mengenai identifikasi madu hutan Apis dorsata menggunakan UV-

Vis Spectroscopy dan metode SIMCA belum pernah dilakukan.

1.3 Tujuan Penelitian

1. Membangun model kalibrasi untuk mengidentifikasi dan mengklasifikasikan

6

madu uniflora Apis dorsata dengan madu multiflora Apis dorsata.

2. Menguji model yang dibangun untuk klasifikasi madu uniflora Apis dorsata

dan madu multiflora Apis dorsata.

1.4 Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah :

1. Industri atau pemerintah sebagai pengendali hak konsumen mampu

mengidentifikasi madu uniflora Apis dorsata dan madu multiflora Apis dorsata

secara cepat dan akurat.

2. Untuk masyarakat akademik dapat digunakan sebagai bahan referensi, dan

pengembangan ilmu pengetahuan bagi penelitian madu selanjutnya.

1.5 Hipotesis

Hipotesis dari penelitian ini adalah :

1. Madu uniflora Apis dorsata dan madu multiflora Apis dorsata dapat

diidentifikasi menggunakan UV-Vis spectroscopy dengan metode SIMCA dan

PCA.

2. Model kalibrasi untuk mengidentifikasi kemurnian madu uniflora Apis dorsata

dan madu multiflora Apis dorsata dapat dibangun dengan metode yang

diusulkan.

3. Model yang dibangun untuk klasifikasi kemurnian madu dapat diaplikasikan

oleh masyarakat.

7

1.6 Batasan Masalah

Batasan masalah dalam penelitian ini adalah :

1. Uji coba pada madu uniflora Apis dorsata yang berasal dari nektar bunga

durian, nektar bunga akasia dan madu multiflora Apis dorsata.

2. Tidak dilakukan uji kimia pada sampel.

8

II. TINJAUAN PUSTAKA

2.1 Klasifikasi Lebah Madu

Menurut Partosoedjono (1992), secara taksonomi lebah madu diklasifikasikan

sebagai berikut :

Kingdom : Animalia

Phyllum : Arthropoda

Kelas : Insecta atau Hexapoda

Ordo : Hymenoptera

Famili : Apidae

Genus : Apis

Jenis : Apis florea

Apis cerana

Apis mellifera

Apis dorsata

Apis koschevnikovi

Apis adreniformis

Lebah termasuk kelompok serangga Hymenoptera (bersayap selaput) yang hampir

terdapat di seluruh dunia yang ditumbuhi tanaman berbunga. Lebah madu

memiliki tiga genus (Apis, Trigona, Melipona) dengan spesies yang sangat

9

banyak, sedangkan yang paling umum dikenal adalah lima spesies, yakni Apis

mellifera, Apis indica, Apis florea,Apis dorsatadan Trigona spp. (Sarwono, 2001).

Apis dorsata adalah lebah madu yang hidupnya masih liar. Lebah inihanya

berkembang di kawasan subtropis dan tropis Asia seperti Indonesia, Philipina, dan

negara-negara Asia lainnya dan dapat tinggal di dataran 0-1.000 mdpl. Di

beberapa daerah, jenis lebah ini banyak diambil madunya, seperti di Sumatera,

Kalimantan, Sulawesi, dan pulau-pulau di Nusa Tenggara Barat serta Nusa

Tenggara Timur (Suranto, 2007).

Jenis Apis dorsata merupakan jenis lebah yang hidup liar di hutan dan sangat

ganas. Apis dorsata sering disebut lebah raksasa, karena lebah ini membuat

sarang yang sangat besar dan ukuran tubuhnya besar. Lebah ini membuat

sarangnya hanya satu lembar. Jumlah anggota koloni dapat mencapai ratusan ribu

ekor (Ungerer, 1985).

2.2 Madu

Madu merupakan salah satu bahan pangan yang memiliki rasa manis dan kental

dan berwarna emas sampai cokelat gelap dengan kandungan gula yang tinggi dan

rendah lemak. Madu dihasilkan oleh lebah madu (Avis Sp) dari sari bunga

tanaman (floral nektar) atau bagian lain dari tanaman (extra floral) melalui proses

enzimatis dan digunakan sebagai cadangan makanan (Bogdanov, 1997).

Nektar adalah sari bunga berupa cairan yang memiliki rasa manis, kaya akan gula

dan diproduksi bunga dari tumbuh-tumbuhan sewaktu mekar untuk menarik

kedatangan hewan penyerbuk seperti serangga. Nektar sebagai sumber madu

10

mengandung 20 - 40% gula. Nektar yang dihisap oleh lebah dikonsentrasikan lagi

sehingga didapat 83% kandungan bahan padat. Lebah menambahkan enzim

invertase untuk memecah sukrosa menjadi gula yang lebih mudah dicerna yaitu

glukosa dan fruktosa, selama proses produksi madu (Wibowo et al., 2016).

Madu yang dihasilkan negara-negara Asia yang memiliki hutan tropis mempunyai

kadar air yang cenderung tinggi. Madu mempunyai beragam rasa, aroma, khasiat,

dan manfaat sesuai jenis nektar yang dihisap lebah. Madu lebih dikenal oleh

masyarakat berdasarkan nama daerah penghasilnya seperti madu Kalimantan,

madu Lampung, madu Sumbawa, dan lain-lain. Sedangkan kualitas madu

tergantung dari asal nektar bunga yang dihisap oleh lebah, sehingga penamaan

pada madu seharusnya sesuai dengan asal nektar seperti madu hutan, madu bunga

akasia, madu bunga kopi, madu bunga durian, madu bunga kelengkeng dan lain

sebagainya (Sakri, 2015).

2.3 Karakteristik Fisis Madu

Menurut Suranto (2004), terdapat sepuluh karakteristik fisis pada madu adalah

sebagai berikut:

1. Kekentalan (Viskositas)

Madu yang baru diekstrak berbentuk cairan kental. Kekentalan madu bergantung

dari komposisi madu, terutama kandungan airnya. Suhu mempengaruhi

kekentalan madu, bila suhu meningkat kekentalan madu akan menurun. Beberapa

jenis madu mempunyai sifat khusus.

11

2. Kepadatan (Densitas)

Densitas madu adalah berat madu per satuan volume, bila densitas suatu bahan

dibandingkan dengan berat air pada volume sama pada suatu temperatur tertentu

disebut berat jenis. Sifat ini dipengaruhi oleh temperatur pengukuran dan

kandungan air madu. Semakin tinggi kadar air dalam madu maka berat jenis

madu semakin rendah (Wahyuni, 2005).

3. Sifat menarik air (higroskopis)

Madu bersifat menyerap air sehingga akan bertambah encer dan akan menyerap

kelembaban udara sekitarnya.

4. Tegangan permukaan

Madu sering digunakan sebagai bahan campuran kosmetik karena memiliki

tegangan permukaan yang rendah. Tegangan permukaan madu bervariasi

berdasarkan jenis sumber nektar madu dan berhubungan dengan kandungan zat

koloid.

5. Suhu

Madu memiliki sifat lambat menyerap suhu lingkungan, tergatung dengan

komposisi dan derajat pengkristalan. Madu mempunyai sifat yang mampu

menghantarkan panas dan sifat kekentalan yang tinggi sehingga menyebabkan

madu dapat mengalami kelebihan panas saat pemanasan.

6. Warna

Madu mempunyai warna yang bervariasi, mulai dari transparan seperti air hingga

hitam. Warna dasar madu adalah kuning kecoklatan seperti gula karamel.

12

Berbagai variasi dari warna madu dipengaruhi oleh sumber nektar madu, usia

madu dan penyimpanan. Warna madu juga dipengaruhi oleh proses pengumpulan

nektar madu, proses pengumpulan nektar dengan waktu yang cepat akan

menghasilkan warna madu yang lebih terang daripada proses pengumpulan nektar

dengan waktu yang lambat. Pada madu yang mengkristal, terjadi perubahan lebih

terang akibat putihnya kristal glukosa yang terkandung dalam madu.

7. Aroma

Aroma madu bervariasi setiap jenisnya, tergantung komposisi zat aromatik yang

terkandung di dalamnya sehingga aroma madu menjadi spesifik. Aroma madu

bersumber dari zat yang dihasilkan sel kelenjar bunga yang tercampur dalam

nektar dan juga dipengaruhi proses fermentasi gula, asam amino, dan vitamin

selama pematangan madu. Aroma madu cenderung tidak menetap karena proses

penyimpanan.

8. Rasa

Rasa madu dipengaruhi oleh sumber nektar madu, yang ditentukan oleh

kandungan asam organik dan karbohidratnya. Pada umumnya madu memiliki

rasa manis, namun terdapat beberapa madu yang mempunyai rasa asam hingga

pahit. Kebanyakan madu mempunyai rasa sesuai dengan sumber nektarnya. Rasa

madu juga dapat berubah bila disimpan pada kondisi yang tidak cocok dan suhu

yang tinggi, rasa madu akan berubah menjadi asam dan kurang enak.

9. Sifat mengkristal

Madu cenderung mengkristal pada proses penyimpanan di suhu kamar. Banyak

orang berpikir bila madu mengkristal berarti kualitas madu buruk atau sudah

13

ditambahkan gula. Madu yang mengkristal merupakan akibat dari pembentukan

kristal glukosa monohidrat yang tergantung dari komposisi dan kondisi

penyimpanan. Makin rendah kandungan airnya dan makin tinggi kadar

glukosanya, maka makin cepat terjadi pengkristalan. Selama mengkristal,

kandungan air dalam madu tidak terikat dan mengakibatkan terjadinya fermentasi

madu.

10. Memutar Optik

Kandungan zat gula yang spesifik dalam madu menyebabkan kemampuan

mengubah sudut putaran cahaya terpolarisasi.

2.4 Komposisi dan Kandungan Madu

Madu mengandung sejumlah senyawa dan sifat antioksidan yang telah banyak

diketahui. Sifat antioksidan dari madu yang berasal dari zat-zat enzimatik

(misalnya, katalase, glukosa oksidase dan peroksidase) dan zat-zat nonenzimatik

(misalnya, asam askorbat, α-tokoferol, karotenoid, asam amino, protein, produk

reaksi maillard, flavonoid dan asam fenolat). Jumlah dan jenis antioksidan ini

sangat tergantung pada sumber bunga atau varietas madu, dan telah banyak

banyak penelitian yang menunjukkan bahwa adanya hubungan antara aktivitas

antioksidan dengan kandungan total fenol (Khalil et al., 2012).

Madu mengandung banyak mineral seperti natrium, kalsium, magnesium,

alumunium, besi, fosfor, dan kalium. Vitamin-vitamin yang terdapat dalam madu

adalah thiamin (B1), riboflavin (B2), asam askorbat (C), piridoksin (B6), niasin,

asam pantotenat, biotin, asam folat, dan vitamin K (Suranto, 2004). Enzim

14

diastase, invertase, glukosa oksidase, peroksidase, dan lipase merupakan enzim

yang penting dalam madu. Enzim diastase adalah enzim yang mengubah

polisakarida menjadi karbohidrat monosakarida. Enzim invertase merupakan

enzim yang memecah molekul sukrosa menjadi glukosa dan fruktosa. Sedangkan

enzim oksidase adalah enzim yang membantu oksidasi glukosa menjadi asam

peroksida. Enzim peroksidase melakukan proses oksidasi metabolisme. Semua

zat tersebut berguna untuk proses metabolisme tubuh (Suranto, 2004).

Asam glutamat merupakan asam utama yang terdapat dalam madu. Sementara

itu, asam organik yang terdapat dalam madu adalah asam asetat, asam butirat,

format, suksinat, glikolat, malat, proglutamat, sitrat, dan piruvat. Dalam madu

juga terdapat hormon gonodotropin yang merangsang alat reproduksi lebah ratu

dan membantu dalam proses pematangan telur (Suranto, 2004).

Madu dapat dikelompokkan berdasarkan asal polennya menjadi madu NP (natural

pollen) dan madu PS (pollen substitute). Madu NP atau yang sering disebut madu

alami umumnya tersusun atas 17,1% air, 82,4% karbohidrat, 38% fruktosa, 31%

glukosa, 12,9% gula lain, 0,5% protein, asam amino, senyawa fenolik, vitamin,

asam organik dan mineral (Kuntadi, 2012).

Tabel 1. Kandungan Madu

Komposisi Rata-rata (miliequivalen) Kisaran Nilai

(miliequivalen)

Air 22,9 16,6 - 37

Fruktosa 29,2 12,2 - 60,7

Glukosa 18,6 6,6 – 29,3

Sukrosa 13,4 1,4 – 53

Asam bebas 41,31 10,33 – 62,21

pH 3,92 3,60 – 5,34

Sumber ( Bogdanov, 1997).

15

Tabel 2. Kandungan Nutrisi Madu

Komposisi Jumlah

Gula (g) 82,12

Energi (kcal) 304

Karbohidrat (g) 82,4

Lemak (g) 0

Protein (mg) 0,3

Asam pantotenat (mg) 0,068

Vitamin B6 (g) 0,024

Folat (Vit B9) (g) 2

Air (mg) 17,1

Riboflavin (Vit B2) (mg) 0,038

Niaktin (Vit B3) (mg) 0,121

Fosfor (mg) 4,0

Potasium (mg) 52

Vitamin C (mg) 0,5

Kalsium (mg) 6

Besi (mg) 0,42

Magnesium (mg) 2

Sodium (mg) 4

Zinc (mg) 0,22

Sumber ( Bogdanov, 1997)

2.5 Jenis-jenis Madu

Madu dinamai sesuai dengan sumber utama pakan lebahnya, contohnya lebah

yang hidup di perkebunan durian akan menghasilkan madu yang dinamai madu

durian karena bisa dipastikan dominan makanannya berasal dari nektar bunga

durian. Dengan demikian, beragam nama madu akan banyak dijumpai di pasaran

seperti madu rambutan, madu kelengkeng, madu mahoni, madu mangga, madu

mentimun, dan madu stroberi (Suranto, 2004).

Madu juga dapat digolongkan menurut jenis tanaman yang menjadi sumber

nektarnya. Jika madu dihasilkan oleh lebah yang mengambil makanannya dari

beragam sumber dan tidak ada tanaman yang dominan dinamakan multiflora atau

16

poliflora. Contohnya, madu hutan (di Indonesia hutan umumnya bersifat

heterogen). Sedangkan, madu yang berasal dari salah satu tanaman dominan

disebut dengan madu monoflora atau madu uniflora. Di beberapa daerah juga

terdapat madu biflora yang sumber nektar dominannya berasal dari dua jenis

pohon. Lebah memiliki kecenderungan hanya mengambil nektar dari satu jenis

tanaman tertentu. Lebah tersebut baru akan mengambil nektar dari tanaman lain

jika nektar dari tanaman tertentu tersebut tidak mencukupi (Suranto, 2004).

Selain itu, madu dapat dibedakan menjadi madu flora, madu ekstra flora, dan

madu embun (honey dew). Madu flora adalah madu yang bersumber dari nektar

yang terdapat dalam bunga. Madu ekstra flora dihasilkan dari sumber tanaman

yang tidak memiliki bunga. Madu ekstra flora ini berasal dari cairan yang

terdapat dalam daun, cabang atau batang pohon. Madu embun adalah madu yang

dibuat dari cairan yang dihasilkan oleh serangga yang terdapat dipohon-pohon

(Suranto, 2004).

2.6 Manfaat Madu

Secara umum madu berkhasiat untuk menghasilkan energi, meningkatkan stamina

dan meningkatkan daya tahan tubuh . Banyak penyakit yang dapat disembuhkan

dengan madu di antaranya penyakit lambung, radang usus, jantung, dan

hipertensi. Dalam madu juga terdapat zat asetil kolin yang mampu melancarkan

metabolisme seperti memperlancar peredaran darah dan menurunkan tekanan

darah (Suranto, 2004).

17

Meskipun memiliki pH yang rendah, ternyata madu dapat meningkatkan pH

lambung. Hal ini karena madu mengandung mineral yang bersifat alkali dan

berfungsi sebagai Buffer. Semakin gelap warna madu, kandungan mineralnya

semakin tinggi sehingga semakin tinggi pula alkalinitasnya (Suranto,2004).

Penyakit lain yang dapat diobati dengan madu di antaranya penyakit paru

(tuberkulosis), sakit mata, penyakit saraf, tekanan darah rendah, penyakit

hepatitis, sakit kepala, impotensi, dan penyakit infeksi saluran kemih. Penyakit

luar yang dapat diobati dengan madu adalah luka bakar, bibir pecah-pecah,

sariawan, dan penyakit kulit lainnya. Madu juga bisa dikonsumsi ibu hamil di

antaranya mencegah keracunan kehamilan, menambah daya tahan tubuh, dan baik

bagi pertumbuhan anak (Suranto, 2004).

2.7 UV-Vis Spectroscopy

Spektrofotometri merupakan metode analisis yang didasarkan pada absorbsi

cahaya pada panjang gelombang tertentu melalui suatu larutan yang ditentukan

konsentrasinya. Alat yang bekerja berdasarkan prinsip spekrofotometri disebut

spektofotometer. Spektrofotometer merupakan gabungan dua alat yang terdiri

dari spekrometer dan fotometer. Spekrometer menghasilkan sinar spektrum yang

memiliki panjang gelombang tertentu dan fotometer merupakan alat pengukur

intensitas cahaya yang diteruskan atau diserap (Gholib, 2007).

Spektrofotometri merupakan salah satu metode dalam kimia analisis yang

digunakan untuk menentukan komposisi suatu sanpel baik secara kuantitatif

maupun kualitatif yang didasarkan pada interaksi antara cahaya dengan materi.

18

Cahaya tersebut dapat berupa cahaya visible, ulraviolet, dan inframerah. Absorbsi

cahaya adalah salah satu bentuk interaksi antara cahaya denganmateri, di mana

pada panjang gelombang tertentu cahaya terjadi proses penyerapan cahaya

(Octaviani, 2014).

Spektrofotometer UV-Vis adalah salah satu alat ukur untuk analisa unsur-unsur

berkadar rendah secara kuantitatif maupun secara kualitatif. Penentuan secara

kualitatif didasarkan pada puncak-puncak yang dihasilkan spektrum suatu unsur

tertentu pada panjang gelombang tertentu, sedangkan penentuan secara kuantitatif

berdasarkan nilai absorbansi yang dihasilkan dari spektrum senyawa kompleks

unsur yang dianalisa dengan pengompleks yang sesuai. Pembentukan warna

dilakukan dengan cara menambahkan bahan pengompleks yang selektif terhadap

unsur yang ditentukan (Noviarty dan Angraini, 2013).

Spektrofotometer UV-Vis merupakan gabungan antara spektrofotometer ultra

violet dan visibel. Menggunakan dua buah sumber cahaya berbeda, yaitu sumber

cahaya ultra violet dan cahaya Visible. Pada sistem spektrofotometer, UV-Visible

paling populer digunakan, karena mudah digunakan dengan baik dan dapat

digunakan untuk sampel berwarna maupun tak berwarna. Spektrofotometer UV-

Vis mengukur serapan cahaya di daerah ultraviolet (200-350 nm) dan sinar

tampak (350-800 nm) oleh suatu senyawa. Serapan cahaya UV maupun cahaya

Visible mengakibatkan transisi elektronik, yaitu promos elektron-elektron dari

orbital keadaan dasar ke orbital keadaan tereksitasi berenergi lebih tinggi

(Apratiwi, 2016).

19

Berkas cahaya putih berasal dari kombinasi dari semua panjang gelombang

spektrum tampak. Perbedaan warna yang terlihat ditentukan oleh absorbansi

panjang gelombang yang kemudian ditansimisikan (dipantulkan) oleh objek atau

suatu larutan. Spektrofotometer digunakan untuk mengukur jumlah cahaya yang

diabsorbsi atau ditransmisi oleh molekul-molekul di dalam larutan, ketika suatu

panjang gelombang cahaya ditransmisikan melalui larutan, sebagian energi cahaya

tersebut akan diserap (diabsorbsi). Besarnya kemampuan molekul-molekul zat

terlarut untuk mengabsorbsi cahaya pada panjang gelombang tertentu dikenal

dengan istilah absorbansi (A), yang setara dengan nilai konsentrasi larutan

tersebutdan panjangberkas cahaya yang dilalui (biasanya 1 cm dalam

spektrofotometer) ke poin jumlah cahaya yang ditransmisikan atau diabsorbsi

diukur dengan phototube (Sirait, 2009).

Komponen-komponen utama pada spektrofotometer menurut Sirait (2009) adalah

sebagai berikut:

1. Sumber cahaya UV-Vis Spektrofotometer yaitu lampu Xenon.

2. Monokromator digunakan sebagai pemecah cahaya polikromatis menjadi

cahaya monokromatis menggunakan alat berupa grating (kisi difraksi). Kisi

difraksi memberi keuntungan lebih bagi proses spektroskopi. Dispersi sinar

akan disebarkan merata, dengan pendispersi yang sama, hasil dispersi akan

lebih baik. Selain itu kisi difraksi dapat digunakan dalam seluruh jangkauan

spektrum.

3. Kuvet pada pengukuran daerah panjang gelombang UV menggunakan sel

kuarsa karena gelas tidak tembus cahaya pada daerah ini. Tebal kuvet pada

umumnya 10 mm, lebih tebal ataupun lebih tipis juga dapat digunakan.

20

4. Detektor sebagai penerima sinyal dan memberikan respon terhadap cahaya

pada berbagai panjang gelombang.

5. Amplifier dibutuhkan pada saat sinyal listrik elekronik yang dialirkan setelah

melewati detektor. Amplifier berfungsi untuk menguatkan sinyal sehingga

menyebabkan keluaran yang cukup besar untuk dapat dideteksi oleh suatu

alat pengukur (Mulja, 1995).

Gambar 1. Prinsip Kerja UV-Vis Spectrophotometer (Sumber: Tati Suharti, 2017)

Ketika cahaya datang mengenai sampel, sebagian akan diserap, sebagian akan

dihamburkan, dan sebagian lagi akan diteruskan. Pada spektrofotometri, cahaya

datang atau cahaya yang mengenai permukaan zat dan cahaya yang melewati zat

tidak dapat diukur, yang terukur pada spektrofotometer adalah perbandingan

cahaya datang dengan cahaya setelah melewati materi (Mukti, 2012).

Prinsip kerja dari metode ini adalah jumlah cahaya yang diserap oleh larutan

sebanding dengan konsentrasi kontaminan dalam larutan. Prinsip ini dijabarkan

21

dalam hukum Lambert-Beer yang merupakan hubungan linearitas antara absorban

dengan konsentrasi larutan analit (Dachriyanus, 2004),

2.8 Metode Kemometrika

Metode kemometrika adalah multi disiplin ilmu yang melibatkan statistik,

multivariat, pemodelan matematika dan informasi teknologi, khususnya

diterapkan pada data kimia. Analisis multivariat adalah cara untuk meringkas

data variabel dengan menciptakan variabel baru yang mengandung sebagian besar

informasi. Variabel-variabel baru kemudian digunakan untuk pemecahan masalah

dan tampilan, yaitu klasifikasi hubungan dan mengontrol grafik. PCA (principal

component analysis) adalah sebuah transformasi linier yang biasa digunakan pada

kompresi data. PCA juga merupakan teknik yang umum digunakan untuk

menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. PCA

memproyeksikan data ke dalam subspace. Teknik PCA dapat mengurangi

dimensi dari data tanpa menghilangkan informasi penting dari data tersebut

(Ronggo et al., 2007).

Tujuan utama The Unscrambler adalah untuk membantu dalam menganalisis data

multivariat dan membentuk desain eksperimen. Salah satu permasalahan yang

dapat ditangani oleh The Unscrambler adalah pengklasifikasian sampel yang

belum diketahui ke dalam berbagai kategori. Klasifikasi bertujuan untuk

menemukan sampel baru yang serupa dengan pengkategorian sampel yang telah

digunakan untuk membuat model. Jika sampel baru sesuai dengan model yang

telah dibuat, maka dapat diketahui kategori sampel tersebut (Citrasari, 2015).

22

Kemometrik biasa digunakan untuk menemukan korelasi statistik antara data

spektrum dan informasi yang telah diketahui dari suatu contoh. Metode ini

memungkinkan penggunaan model analisis multivariat dalam penerapannya.

Model analisis multivariat adalah suatu model yang melibatkan lebih dari satu

masukan (variabel X) untuk menghasilkan suatu efek tertentu (variabel Y).

Beberapa metode yang termasuk ke dalam golongan analisis ini adalah :

2.8.1 Principal Component Analysis (PCA)

Principal component analysis (PCA) merupakan suatu teknik yang digunakan

untuk mengurangi jumlah peubah dalam suatu matriks data. Prinsip PCA yaitu

mencari komponen utama yang merupakan kombinasi linier dari peubah asli.

PCA pada umumnya digunakan untuk mengaplikasikan sampel menjadi grup

yang umum, mendeteksi adanya pencilan (outliers), melakukan pemodelan data,

serta menyeleksi peubah untuk klasifikasi maupun untuk pemodelan. Komponen-

komponen utama dipilih sedemikian rupa sehingga komponen utama memiliki

variasi terbesar dalam set data, sedangkan komponen utama yang kedua tegak

lurus terhadap komponen utama pertama dan memiliki variasi terbesar. Kedua

komponen utama ini pada umumnya digunakan sebagai bidang proyeksi utama

pemeriksaan visual data multivariat (Miller et al., 2000).

PCA adalah satu teknik yang digunakan untuk menyederhanakan suatu data,

dengan cara mentransformasi linear sehingga terbentuk sistem koordinat baru

dengan variansi maksimum. PCA dapat digunakan untuk mereduksi dimensi

suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. Metode

ini mengubah sebagian besar variabel asli yang saling berkolelasi, menjadi satu

23

himpunan variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi lagi)

(Ardiansyah, 2013).

Gambar 2. Prinsip PCA (Kautsar, 2012)

Teknik PCA bekerja pada matriks data X (N × K) menjadi dua matriks T (N × A)

dan matriks P (K × A) yang saling tegak lurus (Gambar 2). Matriks T disebut

dengan matriks skor yang menggambarkan variasi dalam objek, sedangkan

matriks loading menjelaskan pengaruh loading terhadap komponen utama.

Matriks loading terdiri atas data asli dalam sistem koordinat baru. Galat dari

model yang terbentuk dinyatakan dalam E. Sedangkan nilai A adalah jumlah PC

yang digunakan untuk membuat model (Kautsar, 2012).

J

I

J

J

Data

x

PCA

I

J

J

A

J

J

Score

T

J

J

J

J

24

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 varian terbesar dalam gugus data,

sedangkan komponen utama kedua tegak lurus terhadap komponen utama pertama

dan memiliki varian terbesar berikutnya (Nurcahyo, 2015).

Gambar 3. Plot Score dan Loading pada PCA (Zahrok, 2019)

Ada beberapa plot umum yang selalu digunakan ketika menggunakan PCA:

- plot score / score (bagian kiri pada gambar di atas),

- plot loading / loading yang sesuai (bagian kanan pada gambar atas)

- plot loading sebagai garis spektral, serta

- plot nilai eigen yang diurutkan.

Perhitungan pada PCA didasarkan pada perhitungan nilai eigen dan vektor

eigen yang menyatakan penyebaran data dari suatu data set. Adapun algoritma

PCA secara umum adalah sebagai berikut:

25

1. . Transformasi Mean-Centering

Transformasi mean-centering merupkan proses memindahkan semua data

kebagian tengah, untuk memperoleh data yang lebih stabil.

Berikut langkah-langkah mean-centering:

a. Cari mean data

b. Pindahkan setiap posisi data kebagian tengah, dengan cara mengurangi nilai

setiap data dengan nilai mean data.

2. Hitung matriks kovarian dengan persamaan sebagai berikut:

Cov (xy) = ∑𝑥𝑦

𝑛− (�̅�)(�̅�) ...................................................................................... (1)

3. Hitung nilai eigen dengan menyelesaikan persamaan sebagai berikut:

(A- λ I) = 0 ............................................................................................................ (2)

Di mana:

A : matriks kovarian

λ: nilai eigen

I : matriks identitas

4. Hitung vektor eigen dengan menyelesaikan persamaan sebagai berikut:

[A- λ I][X] = [0] .................................................................................................... (3)

Di mana X merupakan vektor eigen.

5. Tentukan variabel baru (principal component) dengan mengalikan variabel asli

dengan matriks vektor eigen

26

2.8.2 Soft independent modelling of class analogy (SIMCA)

Soft independent modeling of class analogy (SIMCA) merupakan teknik analisis

multivariat yang digunakan untuk menguji kekuatan klasifikasi dan diskriminasi

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. Output dari SIMCA berupa tabel klasifikasi di mana

sampel dapat terklasifikasi dalam satu, beberapa kelas, atau tidak terklasifikasi ke

dalam kelas manapun (Nurcahyo, 2015).

Pembentukan dan pengujian model yang dibangun menggunakan program

soft independent modelling of class analogy (SIMCA), SIMCA juga termasuk ke

dalam PCA namun memiliki tingkat sensitifitas pembacaan data yang lebih tinggi

(supervised). Prosedur yang digunakan untuk mengimplementasikan SIMCA

adalah dengan melakukan pemisahan PCA pada setiap kelas di data set, dan

dalam jumlah yang cukup. Komponen utama dipertahankan untuk sebagian besar

variasi data dalam setiap kelas. Klasifikasi di dalam SIMCA dibuat dengan

membandingkan varian residual dari sampel dengan rata-rata residual varian dari

sampel yang membentuk kelas. Perbandingan ini memberikan ukuran langsung

dari kesamaan sampel untuk kelas tertentu dan dapat dianggap sebagai ukuran

goodness of fit dari sampel untuk model kelas tertentu (Lavine, 2009).

27

2.8.3 Matriks Konfusi (Confusion Matrix)

Confusion matrix adalah tabel pencatat hasil kerja klasifikasi dari pengolahan

menggunakan SIMCA. Rumus confusion matrix memiliki beberapa keluaran

yaitu akurasi, spesifisitas, dan sensitivitas. Akurasi adalah ketepatan dari model

yang dibuat, di mana a adalah kode sampel dari kelas A (madu uniflora) yang

masuk di kelas A aktual, sedangkan d adalah kode sampel dari kelas B (madu

multiflora) yang masuk ke kelas B aktual, b adalah kode sampel dari kelas A yang

masuk ke kelas B aktual, dan c adalah kode sampel dari kelas B yang masuk ke

kelas A aktual. Sensitivitas menunjukkan kemampuan model untuk menolak

sampel yang bukan kelasnya. Spesifisitas adalah kemampuan model untuk

mengarahkan sampel masuk ke dalam kelas secara benar (Lavine 2009),

Tabel 3. Matriks Konfusi

Kelas A (aktual)

Kelas B (aktual)

Kelas A (hasil model SIMCA A)

a B

Kelas B (hasil model SIMCA B) c D

a) Akurasi (AC) =𝑎+𝑑

𝑎+𝑏+𝑐+𝑑 ....................... (4)

b) Sensitivitas (S) = 𝑑

𝑏+𝑑 ........................ (5)

c) Spesifisitas (SP) = 𝑎

𝑎+𝑐 ........................ (6)

d) False alarm rate = c

a + c ........................ (7)

Keterangan :

a : Sampel kelas A yang masuk ke dalam kelas A

28

b : Sampel kelas B yang masuk ke dalam kelas A

c : Sampel kelas A yang masuk ke dalam kelas B

d : Sampel kelas B yang masuk ke dalam kelas B

Kelas A : Kelas sampel madu uniflora (uniflora murni)

Kelas B : Kelas sampel madu multiflora (multiflora murni)

Klasifikasi nilai akurasi menunjukkan keakuratan model yang dibangun.

Sensitivitas menunjukkan kemampuan model untuk menolak sampel yang bukan

kelasnya, semakin tinggi nilai sensitivitas maka model yang dibangun semakin

mengenali karakteristik sampel. Sedangkan untuk nilai spesifisitas merupakan

kemampuan model untuk mengarahkan sampel masuk ke dalam kelasnya secara

benar. Jadi, semakin tinggi nilai akurasi, sensitivitas, dan spesifisitas maka model

yang dibangun akan semakin baik. Sedangkan nilai false alarm rate

menunjukkan tingkat kesalahan dalam klasifikasi model yang dibangun. Semakin

rendah nilai false alarm rate maka model yang dibangun semakin baik (Apratiwi,

2016).

2.8.4 Metode Pretreatment Spektra

Pretreatment spektra merupakan salah satu metode yang dilakukan untuk

mengurangi pengaruh interferensi gelombang dan noises pada data spektra yang

didapat agar diperoleh model yang lebih akurat dan stabil. Sebelum dilakukan

pengembangan model analisis, data spektra akan mendapat perlakukan

pretreatment baik data kalibrasi maupun prediksi. Berikut ini 6 metode

pretreatment yang dapat digunakan untuk memperbaiki spektra yang didapat

(Kusumaningrum et al., 2017., O’Haver, 2017., Prieto, 2017.,) :

29

a. Multiplicative scatter correction (MSC).

Metode MSC merupakan salah satu pendekatan untuk mengurangi Amplification

(multiplicative, scattering) efek di spektrum. Multiplicative scatter correction

(MSC) berguna untuk memperbaiki variasi cahaya yang menyebar dalam data

spektroskopi. Tujuan utama MSC adalah untuk memperbaiki semua sampel

sehingga semuanya memiliki tingkat persebaran cahaya yang sama.

Berikut persamaan yang digunakan dalam metode MSC.

𝑋𝑜𝑟𝑔 = 𝑎𝑖 + 𝑏𝑖 �̅�𝑗 + 𝑒𝑖 .................................................................................... (8)

𝑋𝑖,𝑀𝑆𝐶 =𝑋𝑜𝑟𝑔−𝑎 𝑖

b𝑖 ...................................................................................................... (9)

Keterangan :

𝑋𝑖,𝑀𝑆𝐶 : Nilai dari spektrum yang dikoreksi (matriks data).

Xorg : Nilai dari spektra asli

�̅�𝑗 : Nilai dari spektrum rata-rata

ei : Nilai eror

ai : Nilai intersep

bi : Nilai slope

i : Indeks sampel

j : Indeks panjang gelombang

Hal pertama yang dilakukan untuk mencari nilai MSC adalah mencari koefisien

regresi yaitu 𝑎𝑖 𝑑𝑎𝑛 𝑏𝑖 yang diperoleh dari persamaan regresi setiap sampel pada

grafik linier yang dibuat dan menunjukkan persamaan y = a+bx pada sampel i.

Setelah koefisien regresi didapat, maka dilakukan perhitungan MSC

menggunakan persamaan di atas.

30

b. Standard normal variate (SNV)

Metode SNV merupakan metode transformasi untuk menghilangkan scatter

effects dari spektrum dengan memusatkan dan men-skala spektrum individual.

Seperti MSC, hasil praktis dari SNV adalah menghilangkan multiplicative

interferences dari scatter effects pada data spektra. Tujuan utama dari SNV

adalah penghapusan gangguan multiplikasi dari persebaran dan ukuran partikel.

Berikut persamaan yang digunakan pada metode SNV :

𝑠𝑖 = √∑ (𝑥𝑖𝑘−�̅�𝑖)2𝐾𝑘=1

𝐾−1 ................................................................................ ..(10)

�̃�𝑖𝑘 =𝑥𝑖𝑘−�̅�𝑖

𝑠𝑖 ................................................................................................ ..(11)

Keterangan :

𝑠𝑖 : Standar deviasi

K : Jumlah data pada sampel i

i : Indeks sampel

k : Indeks panjang gelombang

�̃�𝑖𝑘 : Nilai SNV dari sampel i pada panjang gelombang k

𝑥𝑖𝑘 : Nilai spektra original pada sampel i pada panjang gelombang k

�̅�𝑖 : Nilai rata-rata pada sampel i

Sebelum mencari nilai SNV, dilakukan perhitungan standar deviasi yang

merupakan nilai statistik untuk menentukan bagaimana sebaran data pada setiap

sampel. Nilai standar deviasi diperoleh dengan menjumlahkan nilai absorban

setiap sampel dari panjang gelombang 190 nm-1100 nm. Setelah diperoleh nilai

31

standar deviasi,dilakukan perhitungan untuk mencari nilai SNV pada setiap

panjang gelombang.

c. Savitzky-Golay differentiation

Digunakan untuk menghilangkan background dan meningkatkan resolusi spektra.

Derivative mampu memperjelas puncak dan lembah spektra absorbansi data.

Diferensiasi Savitzky-Golay biasanya fokus pada diferensiasi pertama. Turunan

pertama 1st

memungkinkan penghapusan offset, sementara derivative ke-2nd

menghilangkan offset dan baseline.

Berikut merupakan rumus dari diferensiasi.

Xj = 1

N∑ = −k

CjXj+ hkh

..................................................................................... ..(12)

d. Smoothing Moving Average

Merupakan metode yang sering digunakan untuk mengeleminasi noise.

Smoothing pada umumnya, dikombinasikan dengan motode pengolah awal data

lain untuk melakukan penghilangan noise.

Berikut persamaan dalam metode smoothing moving average.

Sj =Yj−1+Yj+Yj+1

3 .......................................................................................... ..(13)

Keterangan :

Sj : Nilai smoothing moving average pada panjang gelombang ke j

Yj : Nilai spektra asli pada panjang gelombang ke j

j : Indeks panjang gelombang

3 : Jumlah segmen

32

Rumus di atas untuk segmen = 3, pembagi dan penyebut dapat berubah sesuai

dengan segmen yang dibuat. Hasil smoothing moving average akan terpusat di

tengah karena hal tersebut jumlah segmen merupakan bilangan ganjil.

e. Mean Normalization (MN)

Mean Normalization merupakan metode yang berfungsi untuk menskala sampel

dalam rangka untuk mendapatkan semua data pada sekitar skala yang sama

berdasarkan daerah, mean, maksimum, puncak dan vektor satuan.

Semua data spektrum juga dinormalisasi sebagai mean normalization.

Berikut merupakan persamaan mean normalize.

Xmean(i,k) =Xraw

Xmean, ....................................................................................... .(14)

Keterangan :

Xmean(i,k) : Nilai mean normalize pada sampel i di panjang gelombang k

i : Indeks sampel

k : Indeks panjang gelombang

Xraw : Nilai spektra asli

Xmean :Nilai spektra rata-rata pada sampel .

Xmean menggunakan rata-rata nilai spektra pada baris panjang gelombang dari Xraw

hingga akhir.

33

III. METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan pada bulan Februari sampai Mei 2019 di Laboratorium

Rekayasa Bioproses dan Pascapanen Pertanian (Lab. RBPP), Jurusan Teknik

Pertanian, Fakultas Pertanian, Universitas Lampung.

3.2 Alat dan Bahan Penelitian

Alat yang digunakan dalam penelitian adalah UV-Vis Spectroscopy jenis Geneysis

10S UV-Vis (Thermo Elektron Instrument, USA), kuvet, komputer, flashdisk,

Waterbatch, magnetic stirrer chimarec model S130810-33 (size pelat atas 4 x 4

inch), pipet ukur (2 ml, dan 10 ml), termometer , rubber bulb, labu Erlenmeyer 50

ml, gelas ukur, toples kecil, gelas beker, spataula, dan corong plastik. Sedangkan

bahan yang digunakan adalah akuades, madu uniflora nektar durian, madu

uniflora nektar akasia dan madu multiflora yang diperoleh dari Rumah Madu.

3.3 Prosedur Penelitian

Penelitian ini dilakukan untuk mengidentifikasi madu uniflora Apis dorsata.

dan madu multiflora Apis dorsata dengan menggunakan UV-Vis Spektroskpi jenis

Geneysis10s UV-Vis seperti ditunjukkan pada Gambar 4 (diagram alir prosedur

34

penelitian). Pembuatan sampel menggunakan bahan madu uniflora dan madu

multiflora meliputi persiapan alat dan bahan, persiapan sampel dilanjutkan proses

dilusi atau pengenceran, pengadukan, dan proses pengambilan spektra selanjutnya

membangun dan menguji model untuk membedakan madu uniflora Apis dorsata

dan madu multiflora Apis dorsata dengan menggunakan The Unscrambler versi

9.2 dan selanjutnya dianalisis kemometrik menggunakan metode SIMCA dan

PCA.

Gambar 4. Diagram Alir Prosedur Penelitian.

Mulai

Persiapan Alat

Persiapan Bahan

Pengambilan Spektra menggunakan

Spectrophotometer

Analisis Data

Selesai

Bangun Model

Evaluasi Model

35

3.3.1 Persiapan Alat

Persiapan alat-alat yang akan digunakan dalam penelitian penting dilakukan agar

pelaksanaan penelitian dapat berjalan dengan lancar tanpa kendala. Alat-alat yang

akan digunakan harus dilakukan pengecekan secara seksama hingga dapat

dipastikan bahwa alat tersebut dapat digunakan dengan baik.

3.3.2 Prosedur Persiapan Bahan

Ada beberapa proses yang harus dilakukan pada madu yang akan dijadikan

sampel penelitian, yaitu sebagai berikut, yang ditunjukkan pada Gambar 9

(diagram alir persiapan bahan)

1. Penyimpanan Madu

Madu yang digunakan yaitu madu uniflora (nektar bunga durian) dan madu

multiflora yang dihasilkan oleh lebah Apis dorsata. Sampel yang akan digunakan

dikumpulkan dalam wadah plastik, diberi label dengan nomor seperti ditunjukkan

pada Tabel 4 dan disimpan pada suhu kamar tanpa cahaya.

2. Madu dipanaskan

Madu yang kental dan terlihat homogen, tetapi jika dilihat dengan mikroskop ada

sebagian kecil sampel yang mengkristal di bagian bawah. Oleh karena itu, madu

yang akan dianalisis dipanaskan untuk melelehkan bagian yang mengkristal.

Untuk proses ini, sampel madu dituangkan ke dalam 10 ml wadah kaca dan

dipanaskan dengan Waterbatch pada suhu 60 oC, selama 30 menit seperti yang

ditunjukkan pada Gambar 5. Kemudian sampel madu dibiarkan sampai pada suhu

kamar (Reyes et al, 2017).

36

Gambar 5. Proses Pemanasan Madu dengan Water Batch pada Suhu 60 oC.

3. Pengenceran

Madu yang telah dipanaskan kemudian dibiarkan sampai pada suhu kamar,

kemudian sampel diencerkan menggunkan aquades dengan perbandingan 1: 20

(ml:ml), perbandingan pengenceran ini diperoleh dari data penelitian pendahuluan

yang telah dilakukan. Nilai PCA tertinggi dan spektra terbaik pada penelitian

pendahuluan diperoleh dari pengenceran 1:20 (ml:ml). Proses pengenceran dapat

dilihat pada Gambar 6.

37

Gambar 6. Proses Pengenceran Sampel

4. Pengadukan

Madu yang telah diencerkan dengan aquades kemudian diaduk dengan

menggunakan magnetic stirrer chimArec series S130810-33 (4 x 4 inch) selama

10 menit dengan kecepatan 350 rpm untuk menghomogenkan campuran bahan

yang ditunjukkan pada Gambar 7.

Gambar 7. Proses Pengadukan Sampel dengan Menggunakan Magnetic Stirer

38

5. Persiapan Sampel

Tabel 4. Penomoran Sampel

No Sampel Komposisi Bahan

1-100

101-200

1 ml Madu Uniflora Nektar Durian (MUD)

1 ml Madu Multiflora (MM))

201-300 1 ml Madu Uniflora Nektar Akasia (MUA)

Sampel yang akan digunakan yaitu sebannyak 300 sampel dengan masing-masing

2 ulangan proses pengambilan spektra. Bahan yang telah dihomogenkan dengan

stirrer selama 10 menit, kemudian dipipet sebanyak 2 ml lalu dimasukkan ke

dalam kuvet kuarsa. Setelah dimasukkan ke dalam kuvet kuarsa, lalu diukur

spektranya menggunakan UV-Vis Spectroscopy jenis Geneysis 10S UV-Vis

dengan menggunakan panjang gelombang 190 nm- 1100 nm, seperti ditunjukkan

pada Gambar 8.

Gambar 8. Pengukuran Spektra Sampel dengan UV-Vis Spectroscopy jenis

Geneysis10S UV-Vis pada Panjang Gelombang 190-1100 nm.

39

Selesai

i

Gambar 9. Diagram Alir Persiapan Bahan

3.3.3 Pengambilan Spektra dengan Spektrofotometer

Tahap-tahap pengambilan spektra dengan spektrofotometer ditunjukkan pada

Gambar 10. Pengambilan spektra dengan alat spektrofotometer yaitu sampel yang

telah diencerkan dimasukkan ke dalam kuvet sebanyak 2 ml selanjutnya

dimasukkan dalam holders system dan diambil nilai absorbansi.

Mulai

Bahan disimpan dalam wadah plastik pada suhu kamar dan tanpa cahaya

Madu dimasukkan ke dalam gelas ukur, kemudian dipanaskan pada suhu 60 oC selama 30 menit menggunakan Water batch

Sampel madu dibiarkan sampai pada suhu kamar

Sampel madu diencerkan dengan akuades dengan perbandingan 1 : 20 ml

Kemudian diaduk dengan magnetic stirrer chimArec series S130810-33 (4 x 4

inch) selama 10 menit dengan kecepatan 350 rpm

Kemudian sampel dipipet sebanyak 2 ml dan dimasukkan ke dalam kuvet

kuarsa

40

Mulai

Dihidupkan alat Uv-Vis spectroscopy jenis Geneysis 10s Uv-Vis , Thermo

Scientific, USA) dengan cara menekan tombol turn on

Selesai

i

Mulai

Gambar 10. Diagram Proses Pengambilan Spektra

Ditekan tombol test, test arme add character selanjutnya tekan tombol

accept name

Dimasukkan blank dan sampel ke dalam kuvet, letakkan ke dalam holders

system B (blank)

Dipilih wavelength tulis (190-1100) nm, tekan enter , pilih sampel position

dengan manual 6 lalu enter, pilih tombol run test

Diklik tombol collect baseline, tunggu proses sampai 100%

Dipilih tombol posisi cuvet sesuai sampel, tunggu proses sampai 100 %

Ditekan tombol test, edit data pilih menu save test to the USB drive

Diklik tombol create test arme, accept name,

Data yang sudah tersimpan di USB, ambil sample dan blank yang ada di

dalam holders system, bersihkan dan dikeringkan

Untuk mematikan alat UV-Vis spectrophotometer tekan tombol yang ada

pada bagian belakang alat

Setelah selesai, pilih measure sample, akan keluar graph (grafik) kemudian

diklik tombol tabular

41

3.3.4 Membuat dan Menguji Model

Tahap-tahap membuat dan menguji model dilakukan dengan menggunakan nilai

absorbansi yang diperoleh dari pengukuran dengan menggunakan alat

spektrofotometer, kemudian data tersebut digunakan untuk membuat dan menguji

model dengan perangkat lunak The Unscrambler versi 9.2 (CAMO AS,Norwegia)

menggunakan SIMCA dan PCA.

3.4 Analisis Data

Analisis data dilakukan untuk mendeteksi pola sampel menggunakan perangkat

lunak The Unscrambler versi 9.2. Model kalibrasi dibangun menggunakan

metode principal component analysis (PCA) dan soft independent modeling of

class analogy (SIMCA). Sampel yang sudah didapatkan nilai absorbansinya

selanjutnya digabungkan menjadi satu dalam Microsoft Excel 1997-2003

kemudian dianalisis ke aplikasi The Unscrambler versi 9.2. Sampel akan dibagi

menjadi sampel kalibrasi, sampel validasi dan sampel prediksi. Sampel kalibrasi

digunakan untuk membangun model SIMCA, sampel validasi untuk memvalidasi

model yang telah dibangun, dan sampel prediksi untuk menguji model tersebut.

Setelah hasil klasifikasi dari pengujian model diperoleh, kemudian dilakukan

perhitungan menggunakan confusion matrix.

3.5 Principal Component Analysis (PCA)

Data yang diambil dari UV-Vis Spectroscopy yaitu 200 sampel madu uniflora

durian, 200 sampel madu multiflora, dan 200 sampel madu uniflora akasia yang

diambil data absorbansinya. Setelah diperoleh data absorbansinya kemudian data

42

tersebut digabungkan menjadi satu dalam satu file Microsoft Excel 97-2003.

Kemudian file Microsoft Excel 97-2003 dianalisis menggunakan aplikasi The

Unscrambler version 9.2 (Sukarye, 2018). Sampel dianalisis menggunakan The

Unscrambler dengan cara dibuka dahulu aplikasi tersebut, kemudian setelah

terbuka klik file pilih import data, lalu dipilih format excel untuk memasukkan

file Microsoft Excel 97-2003 yang akan dianalisis seperti pada Gambar 11.

Gambar 11. Cara Mengimport Data dari Microsoft Excel ke The Unscrambler 9.2.

Pada aplikasi The Unscrambler version 9.2 data excel yang dapat digunakan yaitu

format Microsoft Excel 97-2003, di atas versi Microsoft Excel 2003 aplikasi The

Unscrambler version 9.2 tidak kompatibel untuk membukanya. Setelah data

muncul pada jendela The Unscrambler selanjutnya data tersebut di transpose

dengan perintah klik menu task pilih tranform lalu pilih transpose dan dapat

dilihat pada Gambar 12.

43

Gambar 12. Cara Mentranspose Data pada The Unscrambler 9.2.

Sebelum mencari nilai PCA pada The Unscrambler 9.2 dilakaukan beberapa tahap

di antaranya klik menu Edit pilih Append pilih Category Variable, kemudian isi

Category Variable Name dengan “JENIS MADU” pilih Next dan isi Level Name

dengan madu uniflora durian (MUD), madu multiflora (MM), dan madu uniflora

akasia (MUA) dan dilihat pada Gambar 13.

Gambar 13. Cara Membuat Kolom Category Variable.

44

Kemudian klik pada kolom JENIS MADU dan isi masing-masing baris sesuai

dengan jenis madu. Kemudian sebelum data dianalisis dengan menggunakan

PCA, data dikelompokkan sesuai kategori sampel dan variabel. Pengelompokkan

dilakukan dengan klik menu modify kemudian klik edit set kemudian isi sampel

set dengan all sampel dan variabel set dengan all variable dapat dilihat pada

Gambar 14.

Gambar 14. Menu Edit Set.

Setelah data sudah terklasifikasi sesuai jenis madu, kemudian ditambahkan

kolom category variable, kemudian isi dengan kalibrasi, validasi, prediksi, dan

KALVAL (kalibrasi dan validasi) dengan jumlah 100 sampel kalibrasi, 60 sampel

validasi, 40 sampel prediksi dan 160 sampel untuk KALVAL. Setelah itu,

dianalisis menggunakan metode principal componen analysis (PCA) dengan cara

pilih menu task kemudian pilih PCA seperti ditunjukkan pada Gambar 15,

kemudian klik menu Tasks pilih PCA lalu pilih validasi test set, pilih Set up dan

dipilih diisi dengan jumlah data validasi pada sampel seperti yang ditunjukkan

pada Gambar 16.

45

Gambar 15. Identifikasi Nilai PCA

Gambar 16. Tampilan Menu PCA

117

V. SIMPULAN DAN SARAN

5.1 Simpulan

Berdasarkan hasil penelitian dapat disimpulkan bahwa:

1. Hasil analisis PCA pada data spektra original menunjukkan bahwa nilai PC1

sebesar 72% dan PC2 mempunyai nilai sebesar 25%, sehingga nilai PC1 dan

PC2 menjelaskan keragaman data sebesar 97%.

2. Hasil analisis PCA pada panjang gelombang 190-1100 nm dengan metode

perbaikan spektra kombinasi MSC serta moving average 9 segmen yaitu PC1

86% dan PC2 12%, sehingga menjelaskan keragaman data sebesar 98%.

3. Hasil klasifikasi menggunakan spektra perbaikan kombinasi MSC serta

moving average 9 segmen pada model SIMCA MUD dengan model SIMCA

MM diperoleh nilai akurasi, nilai sensitivitas, dan nilai spesifisitas sebesar

100% dengan nilai false alarm rate 0%. Pada klasifikasi model SIMCA

MUD dengan model SIMCA MUA diperoleh nilai akurasi, nilai sensitivitas,

dan nilai spesifisitas sebesar 100% dengan nilai false alarm rate 0%. Pada

klasifikasi model SIMCA MM dengan model SIMCA MUA diperoleh nilai

akurasi, nilai sensitivitas, dan nilai spesifisitas sebesar 100% dengan nilai

false alarm rate 0%.

118

4. Model SIMCA dapat mengidentifikasi dan mengklasifikasikan sampel

prediksi ke dalam kelas yang sesuai dengan baik. Sehingga ketiga jenis madu

ini dapat diklasifikasikan dengan baik.

5. Seluruh hasil klasifikasi yang dibangun berdasarkan analisis kurva receiver

operating characteristic (ROC) dinyatakan sebagai excellent classification.

5.2 Saran

Pada penelitian selanjutnya akan lebih baik jika ditambah jenis madu atau diganti

jenis madu yang akan diidentifikasi dengan teknik kemometrika seperti PCA dan

SIMCA. Selain itu diharapkan pada penelitian selanjutnya mennggunakan madu

yang bersumber langsung dari budidaya dan dapat diketahui secara pasti asal

usulnya.

119

DAFTAR PUSTAKA

Al- Qur’an, Surat An-Nahl/16:69.

Apratiwi, N. 2016. Studi Penggunaan UV-Vis Spectroscopy Untuk Identifikasi

Campuran Kopi Luwak dengan Kopi Arabika. (Skripsi). Universitas

Lampung. Bandar Lampung. 55 pp.

Ardiansyah, R.F. 2013. Pengenalan Pola Tanda Tangan dengan Menggunakan

Metode Principal Component Analysis (PCA).(Skripsi)

Universitas Dian Nuswantoro. Semarang. 62 pp.

Boffo, E.F., Tavares L.A., Tobias, A.C.T., Ferreira, M.M.C., Ferreira, A.G. 2012.

Identification of Components of Brazilian Honey by 1HNMR and

Classification of Its Botanical Origin by Chemometric Methods. LWT-

Food Science and Technology. 49 (1) : 55-63.

Bogdanov, S. 1997. Nataure and Origin of The Antibacterial Substance in Honey.

LWT-Food Science and Technology.. 30 : 748-754.

Camo. 2017. Analisys SIMCA. www.camo.com. Diakses pada 25 Desember 2018.

Chen, L.Z., Wang, J.H., Ye, Z.H., Zhao, J., Xue, X.F., Vander, H, Y., Sun,

Q. 2012. Classification of Chinese Honeys According to Their Floral

Origin by Near Infrared Spectroscopy. Food Chemistry. 135. 338-34.

Citrasari, D. 2015. Penentuan Adulterasi Daging Babi pada Nugget Ayam

Menggunakan NIR dan Kemometrik. (Skripsi). Universitas Jember.

Jember. 49 pp.

Codex Alimentarius Commission, 2001. Revised Codex Standard for Honey.

Codex Alimentarius Commission. Codex Stan, 12-1981, Rev. 1 (1987).

Rev. second ed.

Corvucci, F., Nobili, L., Melucci, D., Grillenzoni, F.-V. 2015. The Discrimination

of Honey Origin Using Melissopalynology and Raman Spectroscopy

Techniques Coupled with Multivariate Analysis. Food Chemistry. 169 :

297-304.

120

Costa, L. S. M., Albuquerque, M. L. S., Trugo, L. C., Quinteiro, L.M. C., Barth,

O. M., Ribeiro, M., & De Maria, C. A. B. (1999). Determination of Non-

Volatile Compounds of Different Botanical Origin Brazilian Honeys. Food

Chemistry. 64 : 1-6.

Cotte, J.F., Casabianca, H., Chardon, S., Lheritier, J., Grenier-Loustalot, M.F.

2004. Chromatographic Analysis of Sugars Applied to the Characterisation

of Monofloral Honey. Analytical Bioanalytical Chemistry. 380 (4) : 698-

705.

Dachriyanus. 2004. Analisis Struktur Senyawa Organik secara Spekroskopi.

LPTIK Universitas Andalas. Padang. 158 hlm.

Darmawan, A., Jasmi., Zeswita, A.L. 2014. Studi Populasi Apis Cerana

(Hymenoptera: Apidae) pada Kebun Campur di Desa Pagar Puding

Kecamatan Tebo Ulu Kabupaten Tebo Provinsi Jambi. (Artikel).

Pendidikan Biologi STKIP PGRI. Sumatera Barat. 6 pp.

Da Silva, P.M., Gauche, C., Gonzaga, L.V., Costa, A.C.O., Fett, R. 2015. Honey

Chemical Composition, Stability and Authenticity. Food Chemistry. 196

(4) : 309-323.

Gholib, I. 2007. Pengantar Kimia Farmasi. Pustaka Pelajar. Yogyakarta. 485 hlm.

Gok, S., Goormaghtigh, E., Kandemir, I., Severcan, F., Severcan, M. 2015.

Differentiation of Anatolian Honey Samples from Different Botanical

Origins by ATR-FTIR Spectroscopy Using Multivariate Analysis. Food

Chemistry. 170 : 234-240.

Hadist Riwayat Ibnu Majjah. Jilid II,. Halaman 1142. No 3452.

Hennessy, S., Downey, G., O'Donnell, C.P. 2010. Attempted Confirmation of the

Provenance of Corsican PDO Honey Using FT-IR Spectroscopy and

Multivariate Data Analysis. Journal of Agricultural and Food Chemistry.

58 : 9401-9406.

Jandric, Z., Haughey, S.A., Frew, R.D., McComb, K., Galvin-King, P., Elliott,

C.T., Cannavan, A. 2015. Discrimination of Honey of Different Floral

Origins by a Combination of Various Chemical Parameters. Food

Chemistry. 189 : 52-59.

Kautsar, A. 2012. Diferensiasi Geografis Kunyit (Curcuma domestica

Val.)Menggunakan Fotometer Portable dan Analisis Kemometrik.

(Skripsi). Universitas Pakuan. Bogor. 52 pp.

Khalil, I., Moniruzzaman, M., Boukraa, L., Benhanifia, M., Islam, A., Islam, N.,

Sulaiman, S.A., Gua, S,H, 2012. Physicochemical and Antioxidant

Properties of Algerian Honey. Molecules. 17 : 11199-11215.

121

Kuntadi. 2012. Budidaya Lebah Madu Apis mellifera L. oleh Masyarakat

Pedesaan Kabuten Pati, Jawa Tengah. Jurnal Penelitian Hutan dan

Konservasi Alam. 9 (4) : 351-361.

Kusumaningrum, D., Hoonsoo, L., Lohumi,S., Changyeun, M., Kim, M. S., and

Cho, B.K. 2017. Non-Destructive Technique for Determining the Viability

of Soybean (Glycine Max) Seeds Using FT-NIR Spectroscopy. Journal of

The Science of Food and Agriculture. 98 (7) : 1734-1742.

Latorre, C.H., Crecente, R.M.P., Martin, S.G., Garcia, J.B. 2013. A Fast

Chemometric Procedure Based on NIR Data for Authentication of Honey

with Protected Geographical Indication. Food Chemistry. 141 : 3559-3565.

Lavine, B.K. 2009. Validation of classifiers. In:Walczak, B., Tauler, R., and

Brown, S. (eds.). Comprehensive Chemometric : Chemical and

Biochemical Data Aarlysis. 587-599 hlm.

Major, N., Markovic, K.,. Krpan, M., Saric, G., Hruskar, M., Vahc ic, N. 2011.

Rapid Honey Characterization and Botanical Classification by An

Electronic Tongue. Talanta Journal. 85 (1) : 569-574.

Martono. G. H., Adji. T. B., Setiawan. N. A. 2012. Penggunaan Metodologi

Analisa Komponen Utama (PCA) untuk Mereduksi Faktor- Faktor yang

Mempengaruhi Penyakit Jantung Koroner. (Makalah Seminar Nasional)

Universitas Gajah Mada. Yogyakarta. 5 pp.

Mignani, A.G., Ciaccheri, L., Mencaglia, A.A., Di Sanzo, R., Carabetta, S.,

Russo, M. 2016. Dispersive Raman Spectroscopy for The Nondestructive

and Rapid Assessment of The Quality of Southern Italian Honey Types.

Journal of Lightwave Technology. 34 (19) : 4479-4485.

Moar, N.T. 1985. Pollen Analysis of New Zealand Honey. New Zealand Journal

of Agricultural Research. 28 (1) : 39-70.

Mukti, K. 2012. Analisis Spektroscopy UV-Vis Penentuan Konsentrasi. (Skripsi).

Universitas Negeri Sebelas Maret. Surakarta. 78 pp.

Mulja, M, 1995, Aplikasi Instrumental. Universitas Airlangga Press. Surabaya.

19-48 hlm.

Noviarty dan Angraini, D. 2013. Analisis Neodimium Menggunakan Metoda

Spektrofotometri UV-Vis. Jurnal Pusat Teknologi Bahan Bakar Nuklir

BATAN. 11 (6) : 9-17.

Nurcahyo, B. 2015. Identifikasi dan Autentikasi Meniran (Phyllanthus Niruri)

Menggunakan Spektrum Ultraviolet Tampak dan Kemometrika. (Skripsi).

Institut Pertanian Bogor. Bogor. 41 pp.

122

O’Haver, T. 2017. A Pragmatic Introduction to Signal Processing (Essay).

Department of Chemistry and Biochemistry, The University of Maryland.

College Park. 153 pp.

Octaviani, T., Guntarti, A., Susanti, H., 2014. Penetapan Kadar β-Karoten pada

Beberapa Jenis Cabe (Genus capsium) dengan Metode Spektrofotometri

Tampak. Jurnal Pharmaciana. 4 (2) : 101-109.

Oktafiani, T. 2018. Karakteristik Madu Lokal Indonesia Berdasarkan

Absorbansi Pada Daerah Sinar Ultraviolet Menggunakan Spektrofotometer

(Skripsi). Universitas Jember. Jember. 51 pp.

Partosoedjono S. 1992. Pengenalan Pelajaran Serangga. Terjemahan An

Introduction to The Study of Insect. Gadjah Mada University Press.

Yogyakarta. 1083 hlm.

Piana, M., Oddo, L., Bentabol, A., Bruneau, E., Bogdanov, S., Declerck, C. G.

2004. Sensory Analysis Applied to Honey. State of Art Apidologie. 35 :

26-37.

Prieto, G. B. 2017. Novel Variable Imfluence on Projection (VIP) Methods in

OPLS, O2PLS, and on PLS Models for Single-and Multiblock Variable

Selection. (Tesis) . Department of Chemistry Industrial Doctoral School,

Umea University. Swedia. 120 pp.

Pyrzynska, K., Magdalena, B. 2009. Analysis of Phenolic Acids and Flavonoids in

Honey. Treed in Analytical Chemistry. 101(7). 893-902.

Reyes, F.C., Penuelas, C., Quintanar-Stephano, J.L., Macias-Lopez, E., Bujdud-

Perez, J.M., Medina-Ramirez, I. 2017. Spectroscopic Study of Honey from

Apis Millifera from Different Regions in Mexico. Spectrochimica Acta –

Part A. 178 : 212-217.

Ronggo, Y., Chalus, P., Maurer, L., and Martinez, C. L. 2007. A Review of Near

Infrared Spectroscopy and Chemometrics in Pharmaceutical Technologies.

Journal of Pharmaceutical and Biomedical Analysis. 44 (1) : 683–700.

Ruoff, K., Luginbuhl, W., Bogdanov, S., Bosset, J.O., Estermann, B., Ziolko, T.,

Amado, R. 2006. Authentication of The Botanical Origin of Honey by

Near-Infrared Spectroscopy. Journal of Agricultural and Food Chemistry.

54 : 6867-6872.

Ruoff, K., M.T. Iglesias, W. Luginbuhl, J.O. Bosset, S. Bogdanov, R. Amado.

2006. Quantitative Analysis of Physical and Chemical Measurands in

Honey by Mid-Infrared Spectrometry. Food Res. 223 (1) : 22-29.

Sakri, F. M. 2015. Madu dan Khasiatnya : Suplement Sehat Tanpa Efek Samping.

Diandra Primamitra Pustaka Indonesia. Yogyakarta. 84 hlm.

123

Sartika. 2011. Analisis Kadar Glukosa dan Fruktosa Pada Beberapa Madu Murni

yang Beredar Di Pasaran Dengan Menggunakan Metode Spektrofotometri

Visibel. (Skripsi). Universitas Islam Negeri Alaudin. Makassar. 75 pp.

Schuhfried, E., Sanchez del Pulgar, J., Bobba, M., Piro, R., Cappellin, L.,

Tilmann, D.M., Biasioli, F. 2016. Classification of 7 Monofloral Honey

Variates by PTR-ToF-MS Direct Headspace Analysis and Chemometrics.

Talanta Journal. 147 : 213-219.

SNI.2013. No 3545. Madu. BSN. Jakarta. 30 hlm.

Sohaimy, S. A., Masry, S. H. D., Shehata, M. G. 2015. Physicochemical

Charasteristics of Honey from Different Origins. Annals of Agricultural

Sciences. 60 (2) : 279 – 287.

Suhartati, T.. 2017. Dasar Dasar Spektrofotometri UV-Vis dan Spekrofotometri

Massa untuk Penentuan Struktur Senyawa Organik. CV. Anugrah Utama

Raharja (AURA). Bandar Lampung. 106 hlm.

Sukarye, K. 2018. Studi Penggunaan Uv- Vis Spectroscopy dan Metode SIMCA

untuk Membedakan Kopi Bubuk Berdasarkan Umur Simpan (Skripsi).

Universitas Lampung. Bandar Lampung. 102 pp.

Sulistyorini, C. 2006. Inventarisasi Tanaman Pakan Lebah Madu Apis cerana

Ferb Di Perkebunan Teh Gunung Mas Bogor. (Tesis). Institut Pertanian

Bogor. Bogor. 52 pp.

Suranto, A. 2004. Khasiat dan Manfaat Madu Herbal. Agromedia Pustaka.

Jakarta. 115 hlm.

Suranto, A. 2007. Terapi Madu. Penebar Swadaya. Jakarta. 92 hlm.

Vercellis, C. 2009. Business Intelligence: Data Mining and Optimization for

Decision Making. John Willey & Sons, Ltd., Publication. United

Kingdom. 420 hlm.

Ungerer T. 1985. Pedoman Teknis Peternakan Lebah Madu. Lembaga penelitian

Institut Pertanian Bogor. Bogor. 380 hlm.

Wahyuni. 2005. Karakteristik Kimia dan Organoleptik Minuman Instan Madu

dengan Penambahan Tepung Kerabang Telur Sebagai Sumber Kalsium.

(Skripsi). Institut Pertanian Bogor. Bogor. 75 pp.

Wibowo, B. A., Rivai, M., Tasripan. 2016. Alat Uji Madu Menggunakan Sensor

dan Polarimeter. J. Teknik ITS. 5 (1) : 28-33.

124

White, J. W., Doner, L.W. 1980. Honey Composition and Properties:Beekeeping

in The United States. Agriculture Handbook. United States Department of

Agriculture. 200 hlm.

Wulandari, E. A. 2017. Penentuan Warna dan Angka Serapan Madu

Lokal Menggunakan Spektrofotometer UV-Visible. (Skripsi). Universitas

Jember. Jember. 66 pp.

Zahrok, H. 2019. Studi Penggunaan Metode Analisis Berbasis Uv- Vis

Spectroscopy dan Metode SIMCA untuk Membedakan Kopi Codot Murni

dan Kopi Codot Campuran (Skripsi). Universitas Lampung. Bandar

Lampung. 113 pp.

Documents

PENGGUNAAN UV-VIS SPECTROSCOPY DAN METODE SIMCA …digilib.unila.ac.id/59393/3/SKRIPSI TANPA BAB PEMBAHASAN.pdf · UNTUK IDENTIFIKASI MADU LEBAH HUTAN (Apis dorsata) BERDASARKAN SUMBER