UIN Syarif Hidayatullah Jakarta
S19 9.6302
-0.9836
S20 11.7001
-1.0681
S21 12.9
-1.110
S22 13.1401
-1.1185
S23 14.300
-1.1553
S24 16.649
-1.2214
S25 38.517
-1.5856
S26 44.779
-1.6510
S27 72.995
-1.8632
S28 96.494
-1.9845
S29 125.477
-2.0985
S30 134.086
-2.1273
S31 329.733
-2.5181
Catatan: warna merah=aktivitas tinggi, warna kuning=aktivitas sedang, dan hijau=aktivitas rendah
Pembagian data set dilakukan dengan cara mengurutkan seluruh senyawa berdasarkan aktivitasnya dari yang terbesar hingga yang terkecil.
Setelah diurutkan berdasarkan aktivitasnya data set kemudian dibagi menjadi tiga yaitu: senyawa dengan aktvitas tinggi, sedang, dan rendah.
Senyawa yang digunakan sebagai test set diambil 2 senyawa dari yang memiliki aktivitas tinggi, dan masing-masing 3 senyawa dari yang
memiliki aktivitas sedang dan rendah. Pembagian data set dilakukan secara random karena menurut
Martin dkk 2012 model persamaan HKSA dengan pembagian data set secara random memiliki kemampuan memrediksi yang sama dengan
pembagian data set yang dilakukan secara sistematis.
4.5. Model Persamaan Hubungan Kuantitatif Struktur Aktifitas HKSA
Model persamaan HKSA dibentuk menggunakan SPSS dengan metode MLR Multiple Linear Regresion dengan metode enter kemudian
dibuat dua buah model persaman. Satu persamaan dibuat dengan
UIN Syarif Hidayatullah Jakarta
menggunakan log D sebagai deskriptor hidrofobik. Persamaan yang lain dibuat dengan menggunakan log P. Kemudian kedua persamaan tersebut
dibandingkan dengan menggunakan parameter statistik dan ditentukan model persamaan manakah yang lebih baik secara statistik.
SPSS dipilih dalam penelitian ini karena fakta menunjukan bahwa SPSS adalah software statistik terpopuler didunia, termasuk di Indonesia.
SPSS mampu memecahkan permasalahan statistik dari yang sederhana hingga yang cukup kompleks seperti multivariate MLR. Keunggulan dari
SPSS adalah tampilannya yang sudah menyerupai Microsoft Excel dan tampilan grafis yang lebih baik, selain itu SPSS sangat memudahkan
pengguna dan lebih simple dibandingkan dengan Minitab yang mengharuskan pengguna membuka banyak window Santoso, 2010.
Analisis MLR melibatkan dua buah variabel, yaitu variabel bebas dan variabel tergantung. Variabel bebas berupa deskriptor-deskriptor yang
telah dihitung Log D, Log P, PPSA1, PNSA1, indeks Harary, indeks Randic, dan indeks Wiener. Variabel tergantung berupa aktivitas
antikanker terhadap sel p388 log 1IC
50
pada masing-masing senyawa turunan asam sinamat 31 senyawa. Analisis multilinear dilakukan
dengan menggunakan metode enter. Persamaan 1 menggunakan log P
Log1IC
50
= -4,793 + -0,983 logP + -0,00898 PPSA + -0,00138 PNSA + 0,378 Harary + 0,191 Randic + -0,008705 WPATH + -0,3247 WPOL
Persamaan 2 menggunakan log D Log1IC
50
= -9,555 + -0,459 logD + -0,0063 PPSA + -0,00114 PNSA + 0.000491 Harary + 0.838 Randic + -0,00808 WPATH + 0,306
WPOL Berdasakan konstanta yang terdapat pada kedua persamaan diatas
terlihat bahwa deskriptor indeks topologi, dan deskriptor hidrofobik merupakan deskriptor yang paling berpengaruh. Pada persamaan
menggunakan log P deskriptor yang paling berpengaruh ialah log P, dan indeks Harary hal ini terjadi karena kedua deskriptor inilah yang memiliki
nilai konstanta paling besar -0,983, 0,378. Jika konstanta yang dihasilkan
UIN Syarif Hidayatullah Jakarta
bernilai negatif maka pengaruh dari deskriptor tersebut bertolak belakang terhadap aktivitas semakin besar nilai dari deskriptornya maka
aktivitasnya akan semakin rendah. Dari persamaan yang dihasilkan disimpulkan bahwa semakin polar semakin kecil nilai deskriptor dari log
P maka aktivitas dari senyawa tersebut akan semakin besar. Pada model persamaan yang menggunakan log D deskriptor yang paling berpengaruh
adalah log D, indeks Randic, indeks Harary dan indeks Wiener WPOL.
4.6. Hasil Validasi Model Persamaan HKSA
