Pendahuluan

Molecularly Imprinted Polymer (MIP) merupakan material sintetis yang memiliki

kemampuan pengenalan molekuler dengan afinitas dan selektifitas tinggi terhadap analit
melalui pembentukan situs aktif dengan bentuk, ukuran dan pola gugus fungsi yang
komplemen dengan molekul cetakan yang digunakan pada saat sintesis (Riahi et al. 2010).
Pembentukan situs aktif MIP ditentukan oleh terbentuknya interaksi yang kuat dan stabil
antara molekul cetakan dan monomer fungsional (Viveiros et al. 2017). Stabilitas interaksi
MIP ditentukan oleh tipe monomer fungsional, pelarut porogen dan stoikiometri komponen-
komponen pre-polimerisasi. Tanpa adanya pendekatan rasional untuk design MIP pemilihan
monomer seringkali dilakukan secara trial and error (Karim, K., Cowen, T., Piletska, E.,
Michael, J., & Piletsky, S. A. (2017). Secara eksperimen optimasi komposisi monomer
berpusat pada sintesis kombinatorial dan skrining dimana metode ini bergantung pada jumlah
polimer berbeda yang harus disintesis untuk memperoleh kesimpulan monomer yang tepat
untuk digunakan.

Beberapa penelitian dalam pengembangan MIP memerlukan hingga belasan polimer berbeda
yang harus dilakukan untuk dapat memperoleh komposisi komponen penyusun polimer yang
tepat yang menghasilkan MIP dengan kinerja yang baik(Chen et al. 2000; Arabzadeh and
Abdouss 2010; Scorrano et al. 2011). Dengan banyaknya monomer fungsional yang tersedia,
jelas diperlukan metode yang lebih rasional untuk optimasi dan desain MIP dengan kinerja
yang optimal. Pengadopsian metode komputasi dalam desain MIP telah banyak menghasilkan
pembuatan polimer dengan afinitas tinggi secara efisien dengan desain yang rasional (Ma et
al. 2015; Hammam et al. 2019; Ahmadi, Yawari, and Nikbakht 2014; Li et al. 2016; Paredes-
Ramos et al. 2019). Desain MIP dengan menggunakan metode komputasi mengurangi
penggunaan sumber daya baik waktu, reagen dan pelarut yang dibutuhkan selama optimasi.

Metode komputasi yang digunakan berkisar mulai simulasi mekanika kuantum, mekanika
molekular hingga dinamika molekular. Sejauh ini belum ada review yang secara sistematik
memperlihatkan metode komputasi mana yang lebih efektif untuk desain MIP, apakah lebih
baik melibatkan salah satu metode atau kombinasi dari beberapa metode komputasi. Review
ini bertujuan untuk membandingkan efektifitas berbagai metode komputasi dalam desain MIP
secara rasional, terutama perbandingan metode mekanika quantum, mekanika molekular dan
dinamika molekular.

Strategi Teoritis Dan Komputasi untuk desain molecularly imprinted polymer

Dengan semakin berkembangnya teknologi komputer dengan kinerja tinggi didukung dengan
ketersediaan berbagai software untuk menyelidiki sifat material maupun interaksi molekuler
maupun atomic yang dapat diaplikasikan untuk desain MIP, maka optimasi MIP tidak lagi
menjadi sesuatu hal yang rumit. Dalam optimasi MIP khususnya untuk pemilihan monomer
fungsional, rasio monomer-molekul cetakan dan pemilihan pelarut, metode komputasi yang
digunakan meliputi metode mekanika kuantum, mekanika molekular maupun molekular
dinamik.
1) Mekanika Kuantum

Metode mekanika kuantum atau metode struktur elektronik merupakan metode yang paling

banyak digunakan untuk desain dan evaluasi MIP (Maciejewska 2009). Metode ini meliputi

pendekatan semi empiris, ab initio dan strategi kerapatan fungsional (DFT). Metode ini

memilki keunggulan daripada metode molekular mekanik maupun molekular dinamik yaitu

dapat menjabarkan struktur elektronik dari sistem sehingga lebih baik dalam menggambarkan

interaksi non kovalen yang terjadi antara molekul cetakan dengan monomer fungsional

(Gholivand and Khodadadian 2011). Pada sebagian besar penelitian, metode ini digunakan

untuk menggambarkan interaksi yang terjadi pada campuran pra-polimerisasi yang bertujuan

untuk menyelidiki interaksi antara molekul cetakan dan monomer fungsional (Barros,

Custodio, and Rath 2016), serta untuk evaluasi pengenalan dan penambatan kembali molekul

cetakan terhadap polimer (Cowen et al. 2016).

Pendekatan semiempiris dalam menentukan monomer fungsional untuk sintesis MIP

dilakukan dengan metode AM1, PM3 dan PM6. Metode semiempiris merupakan metode
yang perhitungannya menggunakan data eksperimen dan persamaan Schrodinger. Metode ini
berdasar pada pendekatan HF. Pendekatan dilakukan terhadap penyusunan martik Fock atau
dalam penyederhanaan pernyataan energi sistem. Pendekatan ini merupakan integral dua
elektron yang diperlukan untuk membentuk matrik Fock. Pendekatan dengan pengabaian
menyeluruh tumpang tindih diferensial adalah CNDO (Complete Neglect Of Differential
Overlap), pendekatan dengan pengabaian termodifikasi tumpang tindih diatomik adalah
MNDO (Modified Neglect Of Diatomic Overlap), pendekatan yang hampir sama dengan
MNDO hanya saja ada penggunaan suku baru dalam menggambarkan interaksi antar inti
disebut AM1 (Austin Model 1), dan ada juga pendekatan dengan parameterisasi disebut PM
yang terbagi atas PM3, PM5 dan PM6, angka setelah PM menunjukkan banyaknya metode
semiempiris yang diparamerisasikan. Metode semiempiris dapat dioptimasikan untuk
keperluan yang berbeda. Metode MNDO, AM1 dan PM3 dirancang untuk memproduksi
panas pembentukan dan struktur dari sejumlah besar molekul organic. Perhitungan dengan
metode semiempirik (MNDO, AM1, PM3) dapat dijalankan lebih cepat karena tidak semua
persamaan diselesaikan secara eksak dan elektron yang diperhitungkan hanyalah elektron
valensi saja

Pendekatan metode mekanika kuantum untuk menentukan kemungkinan kompleks pra-

polimerisasi telah sering dilakukan oleh banyak peneliti. Diantara penelitian-penelitian

tersebut meliputi penelitian yang dilakukan oleh Fu et al. (2003) untuk membuat fase diam

kolom KCKT untuk analisis nilvadipin menggunakan pendekatan semi empiris AM1 untuk

menentukan monomer fungsional dengan interaksi terkuat dengan molekul cetakan sehingga

terpilih 4-Vp dengan energi interaksi -1,9 kcal dengan jarak NH molekul nilvadipin dengan

N molekul 4-Vp sebesar 2,5Å. Selanjutnya dibuat MIP dan dikemas dalam kolom KCKT

kemudian diperiksa kinerja kolom tersebut dengan membandingkan polimer yang terbuat dari

monomer fungsional MAA, TFMAA dan 4-Vp, diperoleh faktor retensi masing-masing

sebesar 10,1;11 dan 24,5 sehingga terlihat bahwa nilvadipin tertambat lebih lama dalam

kolom dibandingkan yang lain sehingga dapat disimpulkan bahwa hasil komputasi

bersesuaian dengan hasil eksperimen yang sebenarnya.

Pendekatan semi empiris AM1 juga digunakan dalam penelitian (Holdsworth et al. 2005)
untuk menentukan monomer fungsional terbaik untuk pembuatan MIP kokain. Perhitungan
komputasi menunjukkan bahwa kompleks kokain base-MAA memiliki energi interaksi
sebesar -9 kcal/mol lebih besar daripada kompleks kokain base-4VP yaitu -3 kcal/mol. Uji
binding terhadap polimer menunjukan bahwa kadar kokain base yang teradsorpsi dalam
polimer MIP MAA lebih besar dari pada MIP 4VP yaitu masing-masing 1,27 dan 0,48 ppm.
Hal ini menunjukkan perhitungan komputasi sesuai dengan eksperimen.
Pendekatan semi empiris AM1 juga digunakan oleh (Baggiani et al. 2005) dalam mencari
monomer fungsional yang berpotensi untuk membentuk kompleks dengan N,O-
dibenzylcarbamate dari perhitungan komputasi diperoleh tiga monomer terbaik yaitu
akrilamid (AM), asam metakrilat (MAA) dan asam akrilat (AA) dengan nilai ΔH masing-
masing sebesar 9.70; 9.47; 8.39 kcal/mol. Selanjutnya untuk memverifikasi hasil perhitungan
semiempiris tersebut maka disintesis polimer dengan monomer tersebut kemudian diperiksa
persen adsorpsi dari masing-masing polimer diperoleh persen adsorspi untuk MAA sebesar
55%, AM 48% dan AA 22% dibandingkan monomer lain yaitu 2-hydroxyethylmethacrylate
(HEMA), 4-vinylpyridine (4-VP) dan N,N-dimethylaminoethyl methacrylate (DMAEM)
masing-masing sebesar 25%, 13% dan 12%. Hal ini menunjukkan ketidaksesuaian urutan
hasil simulasi komputasi dengan uji persen adsorpsi.

Pendekatan semi empiris AM1 juga digunakan dalam penelitian (Ishak et al. 2017) untuk
menentukan monomer terbaik pada pengembangan MIP untuk deteksi ion nitrat. Disini
peneliti memperoleh alil tiourea sebagai monomer dengan energi interaksi terbesar terhadap
natrium nitrat sebagai molekul cetakan dengan rasio 1:4 yaitu sebesar−112.53 kcal/mol.
Selanjutnya disintesis polimer dengan 4 monomer fungsional berbeda yaitu akrilamid (AM),
asam akrilat (AA), asam metakrilat (AAM) dan allil tiourea (AT) hasilnya diperoleh
koefisien distribusi dan imprinting faktor MIP dengan monomer AT memiliki nilai yang
paling tinggi yaitu 198.70 ml/g dan 1.22. Hal ini menunjukkan hasil komputasi relevan
dengan hasil eksperimen.

Penelitian yang dilakukan oleh (Wang et al. 2013) tentang monosulfuron untuk membuat fase
diam pada kromatografi menggunakan pendekatan komputasi semi empiris PM3 untuk
memperoleh monomer fungsional terbaik diperoleh akrilamid dengan energi ikatan sebesar
-2,16 kcal/mol. Selanjutnya pada uji eksperimen diperoleh faktor retensi sebesar 10,6 untuk
monosulfuron lebih tinggi daripada struktur analognya yaitu chlorsulfuron, metsulfuron metal
dan monomsulfuron ester masing-masing sebesar 8,2; 7,0 dan 6,3. Hal ini menunjukan
polimer yang dibuat memiliki selektifitas yang tinggi.

Pendekatan semi empiris PM3 digunakan juga dalam penelitian (Krishnan et al. 2019) untuk
mencari monomer fungsional yang membentuk kompleks paling stabil dengan
Andrographolide sebagai cetakan. Dari perhitungan komputasi diperoleh asam metakrilat
sebagai monomer terpilih dengan nilai perubahan energi bebas gibbs sebesar -284.58
kcal/mol. Pada uji eksperimen diperoleh kapasitas adsorpsi sebesar 149.59 μg/g.

Pendekatan semi empiris lain selain PM3 yaitu PM6 digunakan dalam penelitian (Marestoni
et al. 2016) untuk mencari monomer fungsional terbaik pada MIP dengan ciprofloksasin
sebagai cetakan sehingga terpilih tiga monomer terbaik yaitu akrilamid, asam akrilat dan 1-
vinil imidazole dengan energi. Dari uji rebinding diperoleh hasil kapasitas adsorpsi
maksimum masing-masing sebesar 282.0, 223.8 and 202.5 µmol g−1 sehingga hasil simulasi
berkorelasi dengan eksperimen.

Metode kuantum mekanik selain semi empiris yaitu ab initio digunakan dalam penelitian
(Saad et al. 2015) tentang Chicoric Acid menggunakan Hartree-Fock dengan set basis (6-31G
(d)) untuk mencari rasio monomer fungsional:cetakan dengan monomer yang digunakan 4-
vinyl piridin. Diperoleh perbandingan 1:4 dengan energi ikatan -133.9005 kJmol-1. Uji
eksperimen menunjukan kapasitas adsorpsi sebesar 12,41 µmol/g jauh lebih tinggi dari pada
analog strukturalnya asam kafeat, asam katarat dan asam klorogenat yaitu 1,5; 1,4 dan
1,017µmol/g.

Metode mekanika kuantum dengan pendekatan ab initio digunakan dalam penelitian yang
dilakukan oleh(Tadi and Motghare 2013) untuk mengidentifikasi monomer fungsional yang
menunjukkan interaksi yang kuat dengan pindolol (PDL), disini peneliti menggunakan
Hartree-Fock (HF) dengan set basis 6-31G(d) untuk optimasi geometri selanjutnya
perhitungan energi interaksi dilakukan dengan DFT B3LYP/6-31G (d) kemudian dikoreksi
dengan basis set superposition error (BSSE) sehingga diperoleh tiga monomer terbaik yaitu
asam itakonat (IA), 4-vinil pyridine (4VP) dan akrilonitril (AN) dengan energi interaksi
masing-masing sebesar -16.8486, -12.0545 dan -11.2701 kcal/mol . Selanjutnya pada uji
binding terhadap polimer yang disintesis diperoleh Imprinting Factor (IF) untuk polimer yang
disintesis dengan monomer IA, 4VP dan AN masing-masing sebesar 2,27;1,89 dan 1,12. Hal
ini menunjukkan hasil simulasi bersesuaian dengan hasil eksperimen.

Pendekatan HF/6-31G(d) juga digunakan oleh (Saad et al. 2015) untuk mencari rasio terbaik
antara monomer fungsional dengan asam chikorat (Chicoric Acid) sebagai molekul cetakan.
Dari komputasi diperoleh rasio 1:4 dengan 4-vinil piridin (4Vp) sebagai monomer merupakan
rasio terbaik. Perhitungan energi interaksi dilakukan dengan memasukan efek pelarut
menggunakan pendekatan PCM (Polarizable Contiunum Model) sehingga diperoleh energi
interaksi sebesar -94.25545 kJmol-1 dalam pelarut DMSO. Selanjutnya pada polimer yang
disintesis menggunakan monomer 4vp dibandingkan dengan polimer yang menggunakan
asam metakrilat (MAA) sebagai monomer. Dari uji rebinding diperoleh IF polimer dengan
monomer 4VP lebih baik daripada MAA yaitu sebesar 1,41 dengan menggunakan rasio yang
sama.

Pendekatan HF juga digunakan dalam penelitian (He et al. 2014) untuk mencari monomer
fungsional terbaik dalam interaksi dengan baicalein. Dari hasil perhitungan diperoleh asam
akrilat yang memiliki energi interaksi tertinggi dibandingkan monomer lain yaitu vinil asam
benzoat dan 4-vinil piridin dengan energi interaksi masing-masing -51.456, -40.161 dan
-22.590 kJ/mol. Selanjutnya polimer dengan menggunakan ketiga monomer itu disentesis dan
diuji kapasitas adsorpsi (Q) diperoleh nilai yang lebih besar untuk polimer dengan asam
akrilat dibandingkan polimer lain yaitu 76.06, 52.36, 34.36 µmol/gram. Untuk nilai
imprinting faktor masing-masing diperoleh 2.31, 1.66 dan 1.28. Hal ini menunjukkan bahwa
hasil perhitungan komputasi sesuai dengan hasil eksperimen

Peneliti lain menggabungkan pendekatan semi empiris ini dengan pendekatan lain yang

masih termasuk kedalam metode mekanika kuantum yaitu DFT dengan tujuan untuk

memperoleh hasil perhitungan yang lebih akurat dengan kebutuhan waktu untuk optimasi

geometri yang lebih singkat. Salah satu dari penelitian ini adalah penelitian dari Gholivand

dan Khodadadian (2011) tentang methocarbamol untuk membuat MISPE dengan optimasi

pemilihan monomer fungsional menggunakan metode semi empiris PM3 untuk optimasi

geometri dilanjutkan dengan metode DFT B3LYP/6-31G (d,p) untuk perhitungan energi

interaksi kompleks monomer-molekul cetakan sehingga terpilih asam akrilat sebagai

monomer fungsional terbaik dengan energi interaksi sebesar -167,6925 kJ/mol. Selanjutnya

disintesis polimer dengan tiga monomer fungsional berbeda yaitu: asam akrilat (AA),

hidroksietilmetakrilat (HEMMA) dan allyamin (ALAM) kemudian ditentukan adsorpsi

isotherm diperoleh hasil polimer dengan monomer AA memiliki total number of binding site

(Nt) sebesar 478µmol/g lebih tinggi dari polimer dengan HEMAA dan ALAM dengan Nt
masing-masing 355,5 dan 98,60 µmol/g. Hal ini menunjukan bahwa hasil simulasi

bersesuaian dengan uji eksperimen.

Metode mekanika kuantum yang paling banyak digunakan untuk desain MIP adalah
pendekatan DFT ini terlihat dari banyaknya publikasi MIP dengan optimasi menggunkana
pendekatan tersebut (Ktari, Fourati, Zerrouki, and Seydou 2015; Ktari, Fourati, Zerrouki,
Ruan, et al. 2015; Riahi et al. 2009; Manickam et al. 2017; Dong et al. 2005; Zhang, Fan, and
Zhao 2018a; Pietrzyk-Le et al. 2009; Zhang, Fan, and Zhao 2018b; Huang and Zhu 2015).
Berikut adalah beberapa penelitian pengembangan MIP dengan pendekatan tersebut yaitu:
penelitian yang dilakukan oleh(Dong et al. 2005) untuk membuat MIP teofilin (THO), disini
peneliti menggunakan pendekatan DFT dengan level B3LYP/6-31+G**//B3LYP/3-21G
untuk menghitung interaksi antara monomer fungsional dengan molekul cetakan sehingga
diperoleh monomer terbaik dengan energi interaksi tertinggi. Dari perhitungan komputasi
diperoleh tiga monomer terbaik yaitu2-trifluorometil asam akrilat (TFMAA), asam metakrilat
(MAA) dan akrilamid (AA) dengan energi interaksi masing-masing -141.12970, 116.38410
dan 93.73455 kJ mol-1. Selanjutnya untuk memverifikasi hasil perhitungan komputasi maka
disintesis polimer dengan monomer-monomer tersebut, kemudian dilakukan uji rebinding
terhadap polimer tersebut sehingga diperoleh koefisien distribusi (K D) dan Imprinting factor
(α) untuk polimer dengan menggunakan monomer TFMAA, MAA dan AA masing-masing
sebesar dengan KD =36.9583, 32.9404 dan 17.7336 µmol g-1 dan α=4.2466, 3.3197, 1.3910.
Sehingga dapat disimpulkan hasil perhitungan komputasi berkorelasi dengan hasil
eksperimen.

Selanjutnya (Dong et al. 2007) menggunakan pendekatan DFT untuk memeriksa pengaruh
pelarut terhadap selektifitas adsoprsi MIP dengan molekul cetakan teofilin (THO). Disini
peneliti menggunakan pendekatan DFT pada level B3LYP/6-31+G** untuk menghitung
energi interaksi antara 3 pelarut yang paling sering digunakan dalam sintesis MIP yaitu
kloroform, tetrahydrofuran (THF) dan dimetilsulfoksida (DMSO). Dari hasil pendekatan
tersebut diperoleh hasil bahwa kloroform memiliki energi interaksi yang paling kecil
sementara DMSO menunjukan kebalikannya yaitu -45.89794 dan -65.24105 kJ mol-1 .
Selanjutnya untuk memverifikasi hasil komputasi disintesis polimer dengan molekul cetakan
THO, monomer asam metakrilat (MAA) dalam tiga pelarut tersebut. Diperoleh hasil
imprinting factor polimer dengan pelarut kloroform lebih tinggi daripada yang lain yaitu
sebesar 3.3197 sementara THF dan DMSO masing-masing adalah 1.1076 dan 1.0533. Hal ini
menunjukkan hasil simulasi selaras dengan hasil eksperimen.

Pendekatan DFT B3LYP/6-31G(d) juga digunakan dalam penelitian (Pardeshi et al. 2012)
untuk mendesain MIP dengan molekul cetakan asam galat. Disini peneliti menggunakan DFT
untuk memperoleh monomer fungsional terbaik dengan energi interaksi tertinggi sehingga
diperoleh asam akrilat sebagai monomer fungsional terbaik dengan ΔG=−21.2 kcal mol -1.
Selanjutnya pada uji eksperimen diperoleh nilai imprinting factor untuk polimer dengan
menggunakan monomer fungsional sebesar 5,28, lebih tinggi dari pada polimer lain yang
menggunakan akrilamid, 4-VP dan Asam metakrilat. Hal ini menujukan kesesuaian hasil
perhitungan dengan hasil eksperimen.

Keterbatasan utama dari penggunaan metode mekanika molekular dalam system MIP adalah
kesulitan dalam menangani molekul dalam jumlah besar yang diperlukan untuk memperoleh
gambaran yang komprehensif system pra polimerisasi. Salah satu masalah pada metode ini
adalah tidak dilibatkannya efek pelarut dalam perhitungan, hal ini karena keterlibatan
molekul pelarut dalam jumlah yang sesuai nyatanya pada polimerisasi membuat perhitungan
semakin lama dan tidak praktis(O’Mahony et al. 2007). Namun demikian metode
Polimersable Continum Model (PCM) memungkinkan untuk melibatkan efek pelarut tanpa
menambahkan molekul pelarut secara eksplisit yaitu melalui parameter konstanta
dielektrikum (Kd) dari pelarut tersebut (Ahmadi, Ahmadi, and Rahimi-Nasrabadi 2011).

Pada beberapa penelitian, selain optimasi monomer fungsional dan rasio monomer

fungsional:cetakan juga melibatkan optimasi pelarut dalam perhitungan untuk memperoleh

hasil simulasi pra-polimerisasi yang lebih akurat. Diantara penelitian tersebut adalah

penelitian yang dilakukan Barros dan Rath (2016) untuk membuat MIP Hidroklortiazid

dengan optimasi pemilihan monomer fungsional dan pelarut porogen menggunakan metode

mekanika kuantum B3LYP/6-31G (d) level digabung dengan PCM (Polarimersable

Continum Model) dari simulasi diperoleh akrilamid sebagai monomer terpilih dan THF

sebagai pelarut dengan ΔG = -2727,8 kj/mol. Selanjutnya hasil prediksi teoritis dikonvirmasi

melalui sintesis MIP dalam pelarut THF atau DMSO. Hasil sintesis kemudian diperiksa performa

analisisnya melalui uji rebinding, Hasil pengujian memperlihatkan nilai konstanta distribusi (Kd)
sebesar 217,2 ml/g dengan IF8,0 di pelarut THF dan Kd 123,8 ml/g IF2,8 di pelarut DMSO . Dengan

demikian hasil simulasi berkorelasi dengan hasil eksperimen.

2. Molekular Mekanik

Metode molekular mekanik digunakan dalam penelitian (Sobiech 2014) untuk memperoleh
monomer fungsional yang menunjukan interaksi terbaik dengan cetakan vorikonazol. Disini
simulasi pembentukan kompleks menggunakan CHARMM force field dalam software
Discovery studio3.1, dimana kompleks terdiri dari molekul cetakan, monomer fungsional dan
monomer taut silang. Hasil komputasi menunjukan isopropenylbenzene sebagai monomer
terbaik dilihat dari nilai energi kompleks yang diperoleh yaitu sebesar -199,43 kcal/mol lebih
besar dari monomer yang lain yaitu trifuoromethacrylic acid, asam metakrilat, asam akrilat,
allilamin, 4-vinil piridin, 1-vinil imidazole, 2-hidroksi etil metakrilat dengan energi kompleks
masing-masing sebesar -193,36; -189,25; -189,08;-185,63; 184,80;182,71;181,84 kcal/mol.
Selanjutnya uji eksperimental dilakukan terhadap polimer yang disintesis, sehingga diperoleh
kapasitas adsorpsi untuk polimer dengan monomer isopropenylbenzen sebesar 0.333µmolg -1
lebih besar dari polimer yang disintesis dengan monomer lain yaitu sebesar 0.295;
0.273;0.258;0.236;0.207;0.198 dan 0.197 µmolg-1

Metode molekular mekanik lain digunakan oleh (Kehinde et al. 2015) untuk memperoleh
monomer fungsional terbaik untuk dapat membetuk interaksi stabil dengan

3. Molecular Dinamik

Penelitian oleh (Hou et al. 2014) untuk mencari monomer fungsional terbaik pada interaksi
dengan timopentin (TP5). Disini peneliti menggunakan simulasi dengan material studio untuk
menentukan monomer fungsional terbaik dengan energi interaksi tertinggi, sehingga
diperoleh 2-methylacrylamide (MAC) sebagai monomer terbaik dibandingkan 4 monomer
lain yaitu: IA, 4-VP,MAA dan AM. Selanjutnya dari MIP menggunakan monomer MAC
disintesis dengan metode surface molecular imprinting dengan PMAA/SiO2 sebagai vector.
Hasil uji eksperimental menunjukan TP5-MIP menunjukkan nilai adsorpsi maksimal (Q mak )
= 27,74 mg/g kapasitas adsorpsi TP5-MIP lebih baik daripada PMAA/SiO 2. % Recoveri TP5-
MIP 84,37% sedangkan PMAA/SiO2 sebesar 24,16% dengan faktor selektifitas α sebesar
2.343. Hal ini menunjukkan korelasi simulasi md dengan eksperimen
Gambar 1: Skema desain MIP dengan perhitungan Mekanika Quantum
Gambar 2: Skema desain MIP dengan kombinasi QM dan MD
No Pendekatan Metode Tujuan penelitian Template Monomer Hasil Hasil wetlab Ref
fungsional komputasi
1 Semi empiris AM1 Pemilihan Nilvadipin 4-Vinil piridin ΔH=-1,9 kcal Retention (Fu et al.,
monomer mol-1 factor=24,5 2003)
fungsional
2. Semi empiris AM1 Pemilihan kokain Asam metakrilat ΔE= -6 kcal Kadar (Holdsworth
monomer (MAA) mol-1 adsorpsi=1,27 et al., 2005)
fungsional ppm
3 Semi empiris AM1 Pemilihan N,O- Akrilamid (AM) ΔH= -9,70 Persen adsorpsi (Baggiani et
monomer dibenzylcarbamate kcal mol-1 AM lebih kecil al., 2005)
fungsional dari MAA
4 Semi empiris AM1 Pemilihan Natrium nitrat Alil tiourea (AT) ΔE= −112.53 Koefisien (Ishak et al.,
monomer kcal mol-1 distribusi=198.7 2017)
fungsional 0 ml/g
Imprinting
factor= 1,22
5 Semi empiris PM3 Pemilihan monosulfuron akrilamid ΔE= 2.16 Faktor retensi= (Wang et al.,
monomer kcal mol-1 8,2 2013)
fungsional terbaik
6. Semi empiris PM3 Pemilihan andrographolid Asam metakrilat ΔG= -284 Kapasitas (Krishnan et
monomer kcal mol-1 adsorpsi al., 2019)
fungsional terbaik (q)=149.59 µg/g
7 Semi empiris PM6 Pemilihan ciprofloksasin akrilamid ΔE=110 kJ Kapasitas (Marestoni et
monomer mol-1 adsorpsi= 282 al., 2016)
fungsional terbaik µmol g-1
8 Ab initio HF/6-31 Rasio monomer Asam Chicorat 4-vinil piridin ΔE=133.9005 Kapasitas (Saad et al.,
G (d) fungsional:cetaka 1:4 kJ mol- adsorpsi = 2015)
n 12,41µmol/g
9 Ab inito HF/6-31 G Pemilihan pindolol Asam itakonat ΔE= IF=2,27 (Tadi &
(d) monomer -16.8486 kcal Motghare,
fungsional terbaik mol-1 2013)
10 Ab inito HF/6-31 G Rasio monomer Asam chikorat Vinil piridin ΔE=- IF= 1.41 (Saad et al.,
 (d) fungsional- 1:4 94.25545 kJ 2015)
cetakan DMSO mol-1
PCM Dan pelarut
11 Ab inito HF/6-31 G Pemilihan baicalein Asam akrilat ΔE=- Q=76.06 (He et al.,
(d) monomer 51,456kJ mol- µmol/gram 2014)
1
fungsional terbaik IF= 2,31
12 PM3 Pemilihan methocarbamol Asam akrilat ΔE=- Total number (Gholivand &
DFT B3LYP/6- monomer 167.6925 kJ binding site Khodadadian,
31G (d,p) fungsional terbaik mol-1 (Nt)=478 µmol/g 2011)
13 DFT B3LYP/6- Pemilihan teofilin 2-trifluorometil ΔE=- Kd=36.9583 (Dong et al.,
31+G**//B3LYP/3 monomer asam akrilat 141.12970 kJ µmol g-1 2005)
-21G fungsional terbaik (TFMAA) mol-1 α= 4,2466
14 DFT B3LYP/6- pelarut teofilin kloroform ΔE=-45.89794 IF= 3.3197 (Dong et al.,
31+G** kJ mol-1 2007)
15 DFT B3LYP/6- Pemilihan Asam galat Asam akrilat ΔG= -21.2 IF=5,28 (Pardeshi et
31G(d) monomer kcal mol-1 al., 2012)
16 B3LYP/6-31G (d) Pemilihan hidroklortiazid Akrilamid ΔG= -2727,8 Kd=217,2 ml/g (Barros et al.,
PCM monomer dan THF kj mol-1 2016)
pelarut
17 MM CHARMM Pemilihan vorikonazol isopropenylbenzen ΔE = -199.43 Q= 0.333 µmol/g (Sobiech,
force field monomer e kcal/mol 2014)
fungsional
18 MD Pemilihan timopentin 2- ΔE = Q mak=27,74 (Hou et al.,
monomer methylacrylamide -46kJ/mol mg/g 2014)
fungsional (MAC)
PUSTAKA

Ahmadi, F., E. Yawari, and M. Nikbakht. 2014. “Computational Design of an

Enantioselective Molecular Imprinted Polymer for the Solid Phase Extraction of S-
Warfarin from Plasma.” Journal of Chromatography A 1338:9–16.
Ahmadi, Farhad, Jafar Ahmadi, and Mehdi Rahimi-Nasrabadi. 2011. “Computational
Approaches to Design a Molecular Imprinted Polymer for High Selective Extraction of
3,4-Methylenedioxymethamphetamine from Plasma.” Journal of Chromatography A
1218(43):7739–47.
Ahmadi, Farhad, and Ehsan Karamian. 2014. “Computational Aided-Molecular Imprinted
Polymer Design for Solid Phase Extraction of Metaproterenol from Plasma and
Determination by Voltammetry Using Modified Carbon Nanotube Electrode.” Iranian
Journal of Pharmaceutical Research 13(2):417–30.
Altintas, Zeynep, Benoit France, Jose O. Ortiz, and Ibtisam E. Tothill. 2016.
“Computationally Modelled Receptors for Drug Monitoring Using an Optical Based
Biomimetic SPR Sensor.” Sensors and Actuators, B: Chemical 224:726–37.
Arabzadeh, Naghmeh, and Majid Abdouss. 2010. “Synthesis and Characterization of
Molecularly Imprinted Polymers for Selective Solid Phase Extraction of
Pseudoephedrine 1.” 72(4):446–55.
Baggiani, C., L. Anfossi, P. Baravalle, C. Giovannoli, and C. Tozzi. 2005. “Selectivity
Features of Molecularly Imprinted Polymers Recognising the Carbamate Group.”
Analytica Chimica Acta 531(2):199–207.
Bakas, Idriss, Najwa Ben Oujji, Georges Istamboulié, Sergey Piletsky, Elena Piletska,
Elhabib Ait-Addi, Ihya Ait-Ichou, Thierry Noguer, and Régis Rouillon. 2014.
“Molecularly Imprinted Polymer Cartridges Coupled to High Performance Liquid
Chromatography (HPLC-UV) for Simple and Rapid Analysis of Fenthion in Olive Oil.”
Talanta 125:313–18.
Barros, Leonardo A., Rogério Custodio, and Susanne Rath. 2016. “Design of a New
Molecularly Imprinted Polymer Selective for Hydrochlorothiazide Based on Theoretical
Predictions Using Gibbs Free Energy.” Journal of the Brazilian Chemical Society
27(12):2300–2311.
Barros, Leonardo A., and Susanne Rath. 2016. “Design of a New Molecularly Imprinted
Polymer Selective for Hydrochlorothiazide Based on Theoretical Predictions Using
Gibbs Free Energy.” 27(12):2300–2311.
Cela-pérez, M. Concepción, Ferdia Bates, Cristian Jiménez-morigosa, Elena Lendoiro, and
M. Victoria González-rodríguez. 2016. “Water-Compatible Imprinted Pills for Sensitive
Determination of Cannabinoids in Urine and Oral Fluid.” 1429:53–64.
Chen, Wen, Feng Liu, Ke An Li, Yan Hong Yang, and Shen Yang Tong. 2000. “A
Hydrochlorothiazide-Imprinted Polymer.” Analytical Letters 33(5):809–18.
Cowen, Todd, Mirko Busato, Kal Karim, and Sergey A. Piletsky. 2016. “In Silico Synthesis
of Synthetic Receptors: A Polymerization Algorithm.” Macromolecular Rapid
 Communications 37(24):2011–16.
David, Brylee, B. Tiu, Reddithota J. Krupadam, and Rigoberto C. Advincula. 2016. “Pyrene-
Imprinted Polythiophene Sensors for Detection of Polycyclic Aromatic Hydrocarbons
Sensors and Actuators B : Chemical Pyrene-Imprinted Polythiophene Sensors for
Detection of Polycyclic Aromatic Hydrocarbons.” Sensors & Actuators: B. Chemical
228(January):693–701.
Dong, Wenguo, Ming Yan, Zheng Liu, Guoshi Wu, and Yanmei Li. 2007. “Effects of
Solvents on the Adsorption Selectivity of Molecularly Imprinted Polymers: Molecular
Simulation and Experimental Validation.” Separation and Purification Technology
53(2):183–88.
Dong, Wenguo, Ming Yan, Minlian Zhang, Zheng Liu, and Yanmei Li. 2005. “A
Computational and Experimental Investigation of the Interaction between the Template
Molecule and the Functional Monomer Used in the Molecularly Imprinted Polymer.”
Analytica Chimica Acta 542(2):186–92.
Farrington, Keith, Edmond Magner, and Fiona Regan. 2006. “Predicting the Performance of
Molecularly Imprinted Polymers: Selective Extraction of Caffeine by Molecularly
Imprinted Solid Phase Extraction.” Analytica Chimica Acta 566(1):60–68.
Farrington, Keith, and Fiona Regan. 2007. “Investigation of the Nature of MIP Recognition:
The Development and Characterisation of a MIP for Ibuprofen.” Biosensors and
Bioelectronics 22(6):1138–46.
Fu, Qiang, Haruyo Sanbe, Chino Kagawa, Ko Ki Kunimoto, and Jun Haginaka. 2003.
“Uniformly Sized Molecularly Imprinted Polymer for (S)-Nilvadipine. Comparison of
Chiral Recognition Ability with HPLC Chiral Stationary Phases Based on a Protein.”
Analytical Chemistry 75(2):191–98.
Gholivand, Mohammad Bagher, and Mehdi Khodadadian. 2011. “Talanta Rationally
Designed Molecularly Imprinted Polymers for Selective Extraction of Methocarbamol
from Human Plasma.” 85:1680–88.
Hammam, Mennatallah A., Mohammad Abdel-Halim, Adel Madbouly, Hebatallah A.
Wagdy, and Rasha M. El Nashar. 2019. “Computational Design of Molecularly
Imprinted Polymer for Solid Phase Extraction of Moxifloxacin Hydrochloride from
Avalox® Tablets and Spiked Human Urine Samples.” Microchemical Journal 148:51–
56.
He, Hongliang, Xiaoli Gu, Liying Shi, and Junli Hong. 2014. “Molecularly Imprinted
Polymers Based on SBA-15 for Selective Solid-Phase Extraction of Baicalein from
Plasma Samples.”
Holdsworth, Clovia I., Michael C. Bowyer, Chris Lennard, and Adam McCluskey. 2005.
“Formulation of Cocaine-Imprinted Polymers Utilizing Molecular Modelling and NMR
Analysis.” Australian Journal of Chemistry 58(5):315–20.
Hou, Sen, Yanfei Wang, Na Liu, and Jing Liu. 2014. “Preparation and Recognition
Characteristics of Thymopentin Molecularly Imprinted Polymers on SiO2.” Adsorption
Science and Technology 32(10):833–43.
Huang, Yujie, and Qiujin Zhu. 2015. “Computational Modeling and Theoretical Calculations
on the Interactions between Spermidine and Functional Monomer (Methacrylic Acid) in
 a Molecularly Imprinted Polymer.” Journal of Chemistry 2015.
Ishak, Noorhidayah, Mohd Noor Ahmad, Azalina Mohamed Nasir, Siti Fatimah Kamaruddin,
A. K. M. Shafiqul Islam, and Marinah Mohd Ariffin. 2017. “Theoretical and
Experimental Studies of Ion Imprinted Polymer for Nitrate Detection.” Polymer Science
- Series A 59(5):649–59.
Karim, K., Cowen, T., Piletska, E., Michael, J., & Piletsky, S. A. (2017). A Protocol for the
Computational Design of High Affinity Molecularly Global Journal of Biotechnology
and Biomaterial Science A Protocol for the Computational Design of High Af fi n, Kal,
Todd Cowen, Elena Piletska, J. Michael, and Sergey A. Piletsky. 2017. “A Protocol for
the Computational Design of High Affinity Molecularly Global Journal of
Biotechnology and Biomaterial Science A Protocol for the Computational Design of
High Af Fi Nity Molecularly Imprinted Polymer Synthetic Receptors.” (April).
Kehinde, N., Kevin A. Lobb, Zenixole Tshentu, and Nelson Torto. 2015. “Anatomy of a
Successful Imprint : A Computational Study of Monomer Suitability Towards the
Template in Molecular Imprinted Polymers.” 1:26–30.
Krishnan, Hemavathi, A. K. M. Shafiqu. Islam, Zainab Hamzah, Pubalan Nadaraja, and
Mohd Noor Ahmad. 2019. “A Novel Molecular Imprint Polymer Synthesis for Solid
Phase Extraction of Andrographolide.” Indonesian Journal of Chemistry 19(1):219–30.
Ktari, Nadia, Najla Fourati, Chouki Zerrouki, M. Ruan, Mahamadou Seydou, F. Barbaut, F.
Nal, N. Yaakoubi, M. M. Chehimi, and R. Kalfat. 2015. “Design of a Polypyrrole MIP-
SAW Sensor for Selective Detection of Flumequine in Aqueous Media. Correlation
between Experimental Results and DFT Calculations.” RSC Advances 5(108):88666–74.
Ktari, Nadia, Najla Fourati, Chouki Zerrouki, and Mahamadou Seydou. 2015. “Design of a
Polypyrrole MIP-SAW Sensor for Selective Detection of Flumequine in Aqueous
Media. Correlation between Experimental Results and DFT Calculations.” (October).
Li, Hong, Hongliang He, Jiaojiao Huang, Chong Zhi Wang, Xiaoli Gu, Yankun Gao,
Hongjuan Zhang, Shuhu Du, Lina Chen, and Chun Su Yuan. 2016. “A Novel
Molecularly Imprinted Method with Computational Simulation for the Affinity Isolation
and Knockout of Baicalein from Scutellaria Baicalensis.” Biomedical Chromatography
30(2):117–25.
Ma, Pengfei, Wenming Yang, Ting Fan, Hong Liu, and Zhiping Zhou. 2015. “Surface
Imprinted Polymers for Oil Denitri Fi Cation with the Combination of Computational
Simulation and Multi-Template Molecular Imprinting.” (February).
Maciejewska, Dorota. 2009. “Examination of Imprinting Process with Molsidomine as a
Template.” (1):2212–25.
Manickam, Pandiaraj, Francisco Arizaleta, Muneeswaran Gurusamy, and Shekhar Bhansali.
2017. “Theoretical Studies of Cortisol-Imprinted Prepolymerization Mixtures: Structural
Insights into Improving the Selectivity of Affinity Sensors.” Journal of the
Electrochemical Society 164(5):B3077–80.
Marestoni, Luiz D., Ademar Wong, Gustavo T. Feliciano, Mary R. R. Marchi, César R. T.
Tarley, and Maria D. P. T. Sotomayor. 2016. “Semi-Empirical Quantum Chemistry
Method for Pre-Polymerization Rational Design of Ciprofloxacin Imprinted Polymer
and Adsorption Studies.” Journal of the Brazilian Chemical Society 27(1):109–18.
Nezhadali, Azizollah, and Maliheh Mojarrab. 2014. “Computational Study and Multivariate
Optimization of Hydrochlorothiazide Analysis Using Molecularly Imprinted Polymer
Electrochemical Sensor Based on Carbon Nanotube/Polypyrrole Film.” Sensors and
Actuators, B: Chemical 190:829–37.
Nezhadali, Azizollah, and Maliheh Mojarrab. 2015. “Fabrication of an Electrochemical
Molecularly Imprinted Polymer Triamterene Sensor Based on Multivariate Optimization
Using Multi-Walled Carbon Nanotubes.” Journal of Electroanalytical Chemistry
744:85–94.
Nezhadali, Azizollah, and Maliheh Mojarrab. 2016. “Computational Design and Multivariate
Optimization of an Electrochemical Metoprolol Sensor Based on Molecular Imprinting
in Combination with Carbon Nanotubes.” Analytica Chimica Acta 924:86–98.
Nezhadali, Azizollah, Zohreh Rouki, and Mohammad Nezhadali. 2015. “Electrochemical
Preparation of a Molecularly Imprinted Polypyrrole Modified Pencil Graphite Electrode
for the Determination of Phenothiazine in Model and Real Biological Samples.” Talanta
144:456–65.
Nezhadali, Azizollah, Samaneh Senobari, and Maliheh Mojarrab. 2016. “1,4-
Dihydroxyanthraquinone Electrochemical Sensor Based on Molecularly Imprinted
Polymer Using Multi-Walled Carbon Nanotubes and Multivariate Optimization
Method.” Talanta 146:525–32.
O’Mahony, John, Bjorn C. G. Karlsson, Boris Mizaikoff, and Ian A. Nicholls. 2007.
“Correlated Theoretical, Spectroscopic and X-Ray Crystallographic Studies of a Non-
Covalent Molecularly Imprinted Polymerisation System.” Analyst 132(11):1161–68.
Pardeshi, Sushma, Rajendra Patrikar, Rita Dhodapkar, and Anupama Kumar. 2012.
“Validation of Computational Approach to Study Monomer Selectivity toward the
Template Gallic Acid for Rational Molecularly Imprinted Polymer Design.” Journal of
Molecular Modeling 18(11):4797–4810.
Paredes-Ramos, M., F. Bates, I. Rodríguez-González, and J. M. López-Vilariño. 2019.
“Computational Approximations of Molecularly Imprinted Polymers with Sulphur
Based Monomers for Biological Purposes.” Materials Today Communications
20(September 2018):100526.
Pavel, Dumitru, and Jolanta Lagowski. 2005. “Computationally Designed Monomers and
Polymers for Molecular Imprinting of Theophylline and Its Derivatives. Part I.”
Polymer 46(18):7528–42.
Pavel, Dumitru, Jolanta Lagowski, and Carmela Jackson Lepage. 2006. “Computationally
Designed Monomers for Molecular Imprinting of Chemical Warfare Agents - Part V.”
Polymer 47(25):8389–99.
Pietrzyk-Le, Agnieszka, Wlodzimierz Kutner, Raghu Chitta, Melvin E. Zandler, Francis
D’Souza, Francesco Sannicolò, and Patrizia R. Mussini. 2009. “Melamine Acoustic
Chemosensor Based on Molecularly Imprinted Polymer Film.” Analytical Chemistry
81(24):10061–70.
Riahi, S., S. Eynollahi, M. R. Ganjali, and P. Norouzi. 2010. “Computational Approach to
Investigation of Template/Monomer Complex in Imprinted Polymers; Dinitrobenzene
Sensor.” International Journal of Electrochemical Science 5(4):509–16.
Riahi, Siavash, Farrin Edris-Tabrizi, Mehran Javanbakht, Mohammad Reza Ganjali, and
Parviz Norouzi. 2009. “A Computational Approach to Studying Monomer Selectivity
towards the Template in an Imprinted Polymer.” Journal of Molecular Modeling
15(7):829–36.
Saad, Engy M., Adel Madbouly, Nahla Ayoub, Rasha Mohamed, and El Nashar. 2015.
“Preparation and Application of Molecularly Imprinted Polymer for Isolation of
Chicoric Acid from Chicorium Intybus L Medicinal Plant.” Elsevier B.V.
Scorrano, Sonia, Lucia Mergola, Roberta del Sole, and Giuseppe Vasapollo. 2011. “Synthesis
of Molecularly Imprinted Polymers for Amino Acid Derivates by Using Different
Functional Monomers.” International Journal of Molecular Sciences 12(3):1735–43.
Sobiech, M. 2014. “A Computational Exploration of Imprinted Polymer a Ffi Nity Based on
Voriconazole Metabolites †.” 1779–88.
Tadi, Kiran Kumar, and Ramani V. Motghare. 2013. “Rational Synthesis of Pindolol
Imprinted Polymer by Non-Covalent Protocol Based on Computational Approach.”
Journal of Molecular Modeling 19(8):3385–96.
Tiu, Brylee David B., Roderick B. Pernites, Sicily B. Tiu, and Rigoberto C. Advincula. 2016.
“Detection of Aspartame via Microsphere-Patterned and Molecularly Imprinted Polymer
Arrays.” Colloids and Surfaces A: Physicochemical and Engineering Aspects 495:149–
58.
Viveiros, R., K. Karim, S. A. Piletsky, W. Heggie, and T. Casimiro. 2017. “Development of a
Molecularly Imprinted Polymer for a Pharmaceutical Impurity in Supercritical CO2:
Rational Design Using Computational Approach.” Journal of Cleaner Production
168:1025–31.
Wang, Shengli, Xiangchao Dong, Bo Wang, Zhijin Fan, Linbo Luan, and Yanni Li. 2013.
“Study of the Molecularly Imprinted Polymers for Selective Binding of the Mono-
Substituted Sulfonylurea Herbicides.” Journal of Chromatographic Science 51(4):302–
9.
Wong, Ademar, Marcos Vinicius Foguel, Sabir Khan, Fernanda Midori De Oliveira, César
Ricardo Teixeira Tarley, and Maria D. P. T. Sotomayor. 2015. “Development of an
Electrochemical Sensor Modified With Mwcnt-Cooh and Mip for Detection of Diuron.”
Electrochimica Acta 182:122–30.
Zhang, Bingcheng, Xin Fan, and Dayun Zhao. 2018a. “Computer-Aided Design of
Molecularly Imprinted Polymers for Simultaneous Detection of Clenbuterol and Its
Metabolites.” Polymers 11(1).
Zhang, Bingcheng, Xin Fan, and Dayun Zhao. 2018b. “Computer-Aided Design of
Molecularly Imprinted Polymers for Simultaneous Detection of Clenbuterol and Its
Metabolites.” Polymers 11(1).