Evaluasi Kualitas Minyak Nilam (Pogostemon Cablin Benth.) dengan Near Infrared Spectroscopy

Abstract

Indonesia adalah negara yang kaya akan spesies tanaman aromatik dengan sekitar 40 jenis yang dihasilkan. Tanaman aromatik ini mudah ditanam, dikelola dan dipanen, serta mudah diproses dan distribusi membuat mereka diminati oleh petani kecil dan masyarakat pedesaan. Tanaman aromatik biasanya digunakan sebagai minyak atsiri dalam parfum, obat-obatan, dan makanan, dimana industri parfum merupakan salah satu konsumen terbesar. Sedangkan untuk makanan, kebanyakan produsen umumnya membeli dan menggabungkannya dengan bahanbahan lain untuk menciptakan produk turunan, seperti coklat, permen dan minuman. Nilam (Pogostemon cablin Benth.) adalah tanaman keluarga Lamiaceae yang terkenal dengan khasiat obat dan aromatiknya. Nilam dibudidayakan terutama untuk minyak atsiri dan dalam bisnis internasional dan di negara-negara dengan produksi parfum, Nilam yang berasal dari Indonesia memiliki kualitas terbaik. Meski begitu, terlepas dari reputasinya dalam industri, minyak nilam mengalami ketidakberesan karena sumber produknya. Biasanya situasi ini terkait dengan masalah dalam pengolahan produk, sehingga perlu dikaji kualitasnya berhubungan dengan komposisi minyak nilam. Penentuan sifat kimiawi minyak aromatik umumnya dilakukan dengan menggunakan metode kimiawi yang bersifat destruktif, memakan waktu, dan biaya tinggi. Oleh karena itu, metode alternatif untuk penentuan cepat diperlukan, dan salah satunya menggunakan Near Infrared Spectroscopy (NIRS). Tujuan dari penelitian ini adalah untuk mengevaluasi kualitas minyak nilam dengan NIRS, menentukan karakteristik spektra minyaknya dan mengklasifikasikannya berdasarkan asal-usulnya, serta dan mengembangkan model kalibrasi NIRS untuk memprediksi komposisi kimia utamanya. Dalam penelitian ini dipilih 84 sampel minyak nilam dari tujuh tempat yang berbeda di seluruh Indonesia; Konawe, Kolaka dan Masamba dari pulau Sulawesi, Bogor, dan Garut dari Jawa Barat dan Aceh dan Jambi dari Sumatera. Secara total sekitar 50 ml per sampel diterima dan setiap menyelesai produksi. Data spektral minyak nilam diolah dengan beberapa data pretreatment dan kemudian Principal Component Analysis (PCA) dan Partial Least Square (PLS) dilakukan. Análisis dengan diskriminan komponen utama dikembangkan untuk mengklasifikasikan minyak nilam berdasarkan asalnya. PCA digunakan untuk mengelompokkan berbagai jenis minyak nilam berdasarkan komponen utama data spektra olahan. Analisis diskriminan hasil analisis kualitatif dengan PCA dibuat dan diterapkan untuk klasifikasi tujuh jenis minyak nilam. Data masukan adalah hasil PC1, PC2, dan PC3. Dalam kasus PLS, spektrum transflektansi yang dihasilkan untuk korelasi linier antara nilai serapan NIR dan data kimia digunakan. Data dipisahkan dalam dua model berdasarkan sifat fisik dan kimia (Bogor, Garut, Konawe dan Kolaka ke model pertama dan Aceh, Jambi dan Masamba kedua). Senyawa kimia utama minyak nilam (Nilam Alkohol - C15H26O) diukur dengan spektrometri massa kromatografi cair (LC-MS) sebagai metode referensi. Hasil penelitian menunjukkan bahwa adalah mengevaluasi kualitas minyak nilam dengan teknologi NIR. PCA diizinkan untuk mengklasifikasikan sampel minyak berdasarkan asalnya denga memiliki akurasi tinggi menggunakan spektroskopi NIR. Analisis diskriminan menunjukkan bahwa untuk spektrum, nilai prediksi keseluruhan adalah yang tertinggi, denga nilai probabilitas klasifikasi 100% untuk semuanya. Dalam kasus PLS, kalibrasi model untuk memprediksi komposisi kimia utama dari minyak nilam telah dibuat. Kalibrasi terbaik untuk model pertama adalah yang memiliki normalisasi rata-rata sebagai data pretreatment, dalam kasus model kedua adalah yang memiliki perlakuan awal turunan pertama dan kedua. Memang, hasil ini sangat terkait dengan sifat fisik dan kimia dari spektrum yang ada pada setiap model. Secara numerik kedua model pada umumnya mendapat koefisien korelasi tinggi r> 0,90 dan koefisien variasi CV rendah <2,98%, sangat bisa digunakan untuk mengetahui komposisi kimia minyak nilam.