Identifikasi kandungan kafein dalam ekstrak etanolik daun teh (Camellia sinensis L.) dari daerah Boyolali dengan metode KLT-Densitometri
Notice bibliographique
Résumé
One of tea garden in Jawa Tengah is located at Kabupaten Boyolali, the exact place is Kecamatan Selo which is located at 1.300-1.500m above the surface of the sea.A higher area will influence tthe amount and effect of chemical contains in a plant.One of tea beverage which is mostly consumed by Indonesian people is green tea, which is used as a stimulant because of it's caffeine contains.Caffeine in tea's leaves in base forms can be extracted by ethanol 70% because caffeine in base forms is soluble in organic solvent.According to the chromophor in caffeine structure which is responsible to absorption of UV radiation energi, TLC-densitometry method is used as quantitative identification of caffeine contains.The purpose of this research is to determine the amount of caffeine in tea's leaves ethanolic extract.This research is a nonexperimental research because there is no treatment to the subject.The step of this research are consist of qualitative identification, a determination of caffeine by TLC, and then followed by quantitative identification by TLC-densitometry.The principle of this method is by measuring the density of sample chromatogram which is separated by TLC and compared to the density of standard chromatogram wich is eluted together.The result of qualitative identification by TLC shows that tea's leaves ethanolic extract contains caffeine with Rf 0,39 compared to caffeine standard with Rf 0,40.While quantitative identification by densitometry shows that the rate amount of caffeine in tea's leaves ethanolic extract from Boyolali is (1,2439 0,1039) % w / w .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,243 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».