PE

NE

LIT

IAN

PR

OF

ES

OR

- K

IMIA

AN

AL

ITIK

PENDAHULUAN METODE

HASIL

DOKUMENTASI & OUTPUT PENELITIAN

REFERENSIKESIMPULAN & UCAPAN TERIMAKASIH

PREDIKSI INDEKS RETENSI KOVATS MENGGUNAKAN ALGORITMA GENETIK PADA KROMATOGRAFI GAS

Ÿ Penggunaan kromatografi secara analitikal secara pertama kali dilakukan oleh James dan Martin pada tahun 1952, dengan penggunaan kromatografi gas untuk menganalisis campuran asam lemak. Sistem indeks retensi yang diusulkan oleh Kovats adalah sistem yang digunakan secara umum dan dikenal untuk merekam data kuantitatif senyawa pada kromatografi gas yang dapat digunakan lebih lanjut untuk proses identifikasi.

Ÿ Algoritma genetika telah diperkenalkan oleh Holland pada tahun 1960, tetapi baru dapat dipergunakan dengan baik ditahun 1990an, dimana pada tahun ini komputer sudah menjadi lebih cepat.

Ÿ Kesalahan penentuan waktu mati berpengaruh terhadap benar tidaknya nilai parameter retensi lainnya, terutama nilai indeks retensi yang merupakan parameter retensi untuk perhitungan kualitatif yang sangat reproducible.

Ÿ Beberapa penelitian dalam perhitungan waktu mati tidak sekaligus dikaitkan dengan perhitungan Indeks Retensi Kovats, dan juga tidak menggunakan deret homolog n-alkana. Beberapa peneliti juga tidak membahas tingkat akurasi dan presisi yang seharusnya menjadi aspek penting dalam analitik.

Hasil Algoritma Genetika

Ÿ Dipipet masing-masing 1 mL senyawa standar n-alkana dimasukkan ke dalam labu ukur 100 mL, selanjutnya ditambahkan 20 mL Tetrahidroforan (THF) dan diencerkan hingga 100 mL dengan metanol. Dihidupkan alat kromatografi gas, kemudian dipipet 1 µL larutan tersebut dan dinjeksikan ke injektor sehingga diperoleh hasil (Kromatogram). Injeksi yang sama dilakukan sebanyak 3 kali perulangan. Hasil pengukuran ditabulasi, kemudian dihitung waktu mati dan indeks retensi Kovats. Data indeks retensi flavor dan fragrance di injeksi secara terpisah

Ÿ Braithwaite, A., & Cooper, M., 1993, A Rapid Spreadsheet Method for the Estimation of Dead Time, Chromatographia, 37, 86.

Ÿ Grobler, A., & Balizs G., J. 1974, Chromatogr. Sci.. 12, 57.Ÿ Guardino, X., Albaiges, J., Firpo, G., Rodrigues-Vinals, R., Gassiot, M. 1976. Accuracy in the

Determination of Kovats Retention Index, Journal of Chromatography, 118:13.Ÿ Goodner K L 2008 Practical retention index models of OV-101, DB-1, DB-5, and DB-Wax for

flavor and fragrance compounds LWT - Food Sci. Technol. 41 951–8Ÿ Idroes R 2010 Alkylarylketone as Homologous Series on Determination of Kovats Retention

Indices in the RP-HPLC Using Acetonitrile/Water Solvent System Indonesian Journal of Chemistry. 1 58–10

Ÿ Waetzig, H., Ebel, S. 1991, Estimation of Dead-Time in Liquid Chromatography from Retention Behaviour of Homologous Series by Non-Linear Regression, Jurnal of Chromatographia 31, 544-548.

Dari hasil perbandingan, set deskriptor molekular 3 memiliki fitness terbaik yaitu 0.02298. Set molekular deskriptor 3 ini terdiri dari 6 deskriptor molekular yang paling optimal dari 170 deskriptor molekular pada dataset. 6 deskriptor molekular yang terpilih adalah AMR, BCUTc(-1l), SP(-3), MDEC(-11), MOMI(-R), Weta2.unity. Set deskriptor molekular 3 ini selanjutnya digunakan untuk membangun model MLR. Model yang dibangun memiliki nilai R-Square = 0.981, Adjusted R-Square = 0.978 dan RMSE = 43.50. Dari hasil yang didapatkan, diketahui bahwa GA-MLR dapat dijadikan salah satu metode untuk memprediksi indeks retensi kovats.

Ucapan Terimakasih Kepada LPPM Universitas Syiah Kuala yang telah mendanai dan mendukung terlaksananya penelitian ini.

Fishbone Penelitian

Tim Peneliti:Prof. Dr.rer.nat. Rinaldi Idroes, S.Si NIP. 196808251994031003Irvanizam, S.Si., M.Sc NIP. 198103152003121003

Hasil Pemodelan dengan Metode Regresi Linear Berganda (GA-MLR)

Gambar 1. Linear Model Indeks Retensi Tabel 3. Summary dari model GA-MLR

Hasil spesifikasi dari model algoritma genetika dan regresi linear berganda dapat di lihat pada tabel 3. Dari model GA-MLR didapatkan nilai R-Square = 0.981, Adjusted R-Square = 0.978 dan RMSE = 43.50.

Artikel pada Prosiding Terindeks Scopus Dokumentasi Penelitian

SEMINAR HASIL PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT

25 S.D 29 NOVEMBER 2019, BANDA ACEH Sumber Dana: PNBP

Tabel 1. Hasil dari program algoritma genetika Tabel 2. Set molecular descriptor 3

Program algoritma genetika dijalankan sebanyak 200 kali dengan proses iterasi masing-masing sebanyak 100 kali iterasi. Penelitian ini memilih 5 set deskriptor molekular dengan nilai fitness terbaik untuk dibandingkan. Hasil dari program algoritma genetika dapat dilihat pada Tabel 1. Dari 5 set deskriptor molekular pada tabel 1, dipilih satu set yang paling optimal, yaitu set deskriptor molekular yang memiliki nilai fitness tertinggi. Set deskriptor molekular yang terpilih adalah set deskriptor molekular 3, karena memiliki nilai fitness tertinggi dibandingkan dengan empat set deskriptor molekular lainnya. Selanjutnya, set deskriptor molekular 3 digunakan sebagai variabel untuk membangun model prediksi indeks retensi kovats dengan menggunakan regresi linear berganda.

Berdasarkan tabel 3, diperoleh informasi bahwa variabel BCUTc(-11), MDEC(-11), dan Weta2.unity akan mengurangi indeks retensi kovats sebesar masing-masing-411.12, -210.43, dan -122.22. Selanjutnya variabel AMR, SP(-3), dan MOMI(-R) akan menambah indeks retensi kovats sebesar masing-masing 10.77, 67.24, dan 147.97. Intercept dalam model ini sebesar -222.65. Sehingga, model yang terbentuk dapat dilihat pada persamaan 1. Apabila senyawa alkanoat diexclude dari dataset pada table 5.3, maka diperoleh model baru dengan nilai R-Square = 0.992, Adjusted R-Square = 0.990, RMSE = 29.66, dan rata-rata differences antara observed dan predicted indeks retensi kovats sebesar 2.3%.

Artikel pada Jurnal IREMOS - Scopus Q2 (Under Review)