Hasil persamaan , R
2
, dan RMSEC dapat dilihat pada Tabel VI. Nilai RMSEC root mean square error of calibration yang diperoleh
adalah 0,027 untuk PCT, 0,082 untuk PROPI, dan 0,043 untuk KAF. Nilai RMSEC yang diperoleh sangat baik karena mendekati 0.
C. Validasi model kalibrasi multvariat PLS
Kemampuan prediksi dari model kalibrasi multivariat divalidasi degan dua proses yaitu validasi internal dan validasi eksternal. Validasi
internal cross validation bertujuan untuk menangani masalah overfitting yang seringkali terjadi dalam proses pembuatan model, sedangkan validasi
eksternal bertujuan untuk mengetahui kemampuan prediksi dari keseluruhan model kalibrasi multivariat PLS dengan menetapkan konsentrasi larutan
yang telah diketahui.
1. Validasi Silang cross validation
Model kalibrasi ketiga senyawa obat PCT, PROPI, dan KAF yang dihasilkan mampu memberikan prediksi yang baik dengan nilai koefisien
determinasi R
2
parasetamol 0,9994, propifenazon 0,9878, kafein 0,9919. Selanjutnya model kalibrasi ini dilakukan validasi silang cross validation
dengan menggunakan teknik leave-one out. Dalam teknik ini, salah satu sampel kalibrasi misal sampel nomor 1 dikeluarkan, lalu sampel ini
dimodelkan dengan sampel yang tersisa. Selanjutnya dihitung nilai terprediksi sampel 1 dari model kalibrasi sampel yang tersisa. Hal ini
dilakukan terus –menerus sampai sampel dikeluarkan satu persatu dan
dimodelkan dengan sampel kalibrasi yang tersisa. Hasilnya dapat dilihat pada Tabel VII. hubungan antara nilai sebenarnya suatu analit dengan nilai
terprediksi yang sudah divalidasi cross validation menggunakan teknik leave-one out dengan metode PLS pada panjang gelombang 220-313 nm.
Tabel VII. Nilai sebenarnya dan nilai terhitung hasil kalibrasi pls dari sampel yang dilakukan validasi silang cross validation yang mengandung
parasetamol PCT, propifenazon PROPI, dan kafein KAF
Nomor Campuran
Konsentrasi µgmL PCT
PROPI KAF
Sebenarnya Terhitung Sebenarnya Terhitung Sebenarnya Terhitung 1
5,75522 5,69975
3,65866 3,68038
1,38956 1,37482
2 7,05381
7,01071 2,79465
2,63207 1,35455
1,44016 3
5,20955 5,247
3,45997 3,46215
0,48775 0,51071
4 6,59437
6,58473 4,72492
4,72601 0,58667
0,59199 5
4,01261 4,03477
4,30025 4,33714
0,66383 0,58482
6 6,14643
6,19104 3,59539
3,58442 0,80239
0,80994 7
5,62441 5,62749
4,29166 4,20458
2,08606 2,15583
8 3,89111
3,8241 3,8917
3,76535 0,91807
1,08007 9
6,31005 6,31886
2,16611 2,24273
1,7571 1,70521
10 3,79433
3,79379 2,40636
2,48704 0,96856
0,94366 11
6,99635 7,04102
3,7108 3,94612
1,96758 1,85372
12 6,79089
6,7795 2,83819
2,81941 1,9054
1,90402 13
4,4964 4,49102
4,30366 4,26383
1,44517 1,4633
14 6,43525
6,51072 2,6318
2,68849 0,69071
0,66018 15
4,97807 4,97735
3,5743 3,57149
1,19961 1,19533
16 7,3197
7,33268 3,18242
3,18466 1,62454
1,62625 17
6,06316 5,96793
2,30895 2,21968
0,85277 0,89704
18 6,24785
6,1207 4,63017
4,58746 1,25553
1,28817 19
4,53748 4,54785
3,59021 3,58918
1,19482 1,19348
20 7,24297
7,42754 3,63985
3,86225 1,74932
1,61917 Persamaan
y = 1,0125x - 0,071 y = 0,9919x + 0,0358
y = 0,9718x + 0,035 R
2
0,997 0,983
0,982 RMSECV
0,0620 0,0954
0,0630 PRESS
0,156 0,782
0,279
Dari hasil diatas dapat dilihat bahwa nilai koefisien determinasi R
2
yang dihasilkan 0,9 dan nilai RMSECV dan PRESS yang dihasilkan PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
rendah mendekati nol maka kemampuan model untuk memprediksi semakin baik.
Data dan parameter hasil validasi silang leave one-out parasetamol, propifenazon, dan kafein dapat dilihat pada Gambar 13, 14, 15 :
PLS Regression: PCT versus 253; 256; 259; 262; 271; 274; 277; 280; ...
Cross-validation Leave-one-out
Components to evaluate Set
Number of components evaluated 10 Number of components selected 9
Analysis of Variance for PCT Source
DF SS
MS F
P Regression
9 25,2606 2,80673 1657,48 0,000 Residual Error 10 0,0169 0,00169
Total 19 25,2775
Model Selection and Validation for PCT Components X Variance
Error R-Sq
PRESS R-Sq pred 1
0,92489 20,1053 0,204618 23,5800 0,067156
2 0,98766 7,2132 0,714641 9,8431
0,610599 3
0,99980 1,8612 0,926369 2,7101 0,892786
4 0,99995 0,2489 0,990155 0,4887
0,980665 5
0,99996 0,1082 0,995718 0,4678 0,981493
6 0,99999 0,0916 0,996378 0,3407
0,986521 7
0,99999 0,0249 0,999013 0,2802 0,988913
8 1,00000 0,0188 0,999257 0,1578
0,993756 9
1,00000 0,0169 0,999330 0,1566 0,993807
10 0,0151 0,999404 0,1919
0,992410
Gambar 13. Data dan Parameter Hasil Validasi Silang Parasetamol dengan Teknik Leave One- Out
PLS Regression: PROPI versus 253; 256; 259; 262; 271; 274; 277; 280; ...
Cross-validation Leave-one-out
Components to evaluate Set
Number of components evaluated 10 Number of components selected 6
Analysis of Variance for PROPI Source
DF SS
MS F
P Regression
6 11,1372 1,85620 97,19 0,000 Residual Error 13 0,2483 0,01910
Total 19 11,3855
Model Selection and Validation for PROPI Components X Variance
Error R-Sq
PRESS R-Sq pred 1
0,90026 10,8752 0,044816 12,8357 0,000000
2 0,98657 8,4317 0,259437 10,9423
0,038923 3
0,99979 6,7868 0,403906 10,1894 0,105050
4 0,99995 0,8378 0,926414 1,8014
0,841781 5
0,99997 0,4074 0,964222 1,5964 0,859788
6 0,99999 0,2483 0,978193 0,7820
0,931315 7
0,2010 0,982342 1,5140 0,867021
8 0,1676 0,985277 1,9253
0,830901 9
0,1487 0,986944 2,1089 0,814772
10 0,1391 0,987779 2,2584
0,801640
Gambar 14. Data dan parameter hasil validasi silang propifenazon dengan teknik leave one-out
PLS Regression: CAFF versus 253; 256; 259; 262; 271; 274; 277; 280; ...
Cross-validation Leave-one-out
Components to evaluate Set
Number of components evaluated 10 Number of components selected 6
Analysis of Variance for CAFF Source
DF SS
MS F
P Regression
6 4,58881 0,764801 123,21 0,000 Residual Error 13 0,08069 0,006207
Total 19 4,66950
Model Selection and Validation for CAFF Components X Variance
Error R-Sq
PRESS R-Sq pred 1
0,91806 4,15945 0,109231 4,81996 0,000000
2 0,98819 2,53358 0,457420 3,53777
0,242366 3
0,99979 2,02138 0,567109 3,04110 0,348731
4 0,99995 0,42619 0,908729 0,94181
0,798306 5
0,99997 0,15410 0,966999 0,82296 0,823758
6 0,99999 0,08069 0,982719 0,27957
0,940128 7
0,06369 0,986361 0,41103 0,911976
8 0,04728 0,989875 0,56049
0,879969 9
0,04080 0,991263 0,58235 0,875287
10 0,03800 0,991863 0,58169
0,875428
Gambar 15. Data dan parameter hasil validasi silang kafein dengan teknik leave one-out.
Validasi silang juga dapat menentukan jumlah komponen optimum yang mencirikan data Ardiyanti, 2014. Berdasarkan hasil validasi silang
ini diketahui parasetamol mempunyai 9 komponen, propifenazon mempunyai 6 komponen, dan kafein mempunyai 6 komponen.
Adapun profil hubungan antara kadar prediksi dan kadar aktual parasetamol, propifenazon, kafein dengan validasi silang leave one-out pada
Gambar 16, 17, 18 :
7,5 7,0
6,5 6,0
5,5 5,0
4,5 4,0
7,5 7,0
6,5 6,0
5,5 5,0
4,5 4,0
Actual Response C
a lc
u la
te d
R e
s p
o n
s e
Fitted C rossv al
Variable
PLS Response Plot
response is PCT 9 components
Gambar 16. Kurva hubungan antara kadar parasetamol sebenarnya actual value vs kadar terhitung calculated value hasil validasi silang leave one-out
dengan metode spektrofotometri UV-PLS pada panjang gelombang 220-313 nm
5,0 4,5
4,0 3,5
3,0 2,5
2,0 5,0
4,5 4,0
3,5 3,0
2,5 2,0
Actual Response C
a lc
u la
te d
R e
s p
o n
s e
Fitted C rossv al
Variable
PLS Response Plot
response is PROPI 6 components
Gambar 17. Kurva hubungan antara kadar propifenazon sebenarnya actual value vs kadar terhitung calculated value hasil validasi silang leave one-out
dengan metode spektrofotometri UV-PLS pada panjang gelombang 220-313 nm
2,25 2,00
1,75 1,50
1,25 1,00
0,75 0,50
2,25 2,00
1,75 1,50
1,25 1,00
0,75 0,50
Actual Response C
a lc
u la
te d
R e
s p
o n
s e
Fitted C rossv al
Variable
PLS Response Plot
response is CAFF 6 components
Gambar 18. Kurva hubungan antara kadar kafein sebenarnya actual value vs kadar terhitung calculated value hasil validasi silang leave one-out dengan
metode spektrofotometri UV-PLS pada panjang gelombang 220-313 nm
Parameter validasi pada analisis multivariat adalah presisi dan akurasi. Presisi dideskripsikan dengan nilai RMSEC root mean square
error of calibration, RMSECV root mean square error of cross validation, , dan PRESS predicted residual sum of squares, yang mana
semakin kecil nilainya semakin kecil kesalahan prediksi dan semakin baik kemampuan model untuk memprediksi atau semakin baik presisinya.
Akurasi dinyatakan dalam koefisien determinasi R
2
. Semakin dekat R
2
dengan 1 menunjukkan hubungan antara nilai aktual dan nilai prediksi yang semakin baik atau semakin baik presisinya. Selain itu akurasi juga dapat
dideskripsikan dengan persamaan y= Bx + A, yang mana x = kadar sebenarnya dan y = kadar terprediksi. Akurasi yang baik jika nilai A
mendekati 0 dan B mendekati 1 Danzer et al, 2004. RMSECV menggambarkan kemampuan prediksi, nilai RMSECV
dapat ditentukan dari nilai PRESS, semakin kecil nilai RMSECV maka kemampuan model untuk memprediksi semakin baik El-Gindy et al.,
2006.
2. Validasi Eksternal