Penerapan Metode Transformasi Wavelet Diskret dan Partial Least Square Discriminant Analysis (PLSDA) untuk Klasifikasi Komponen Obat Bahan Alam (Studi Kasus: Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah).
PENERAPAN METODE TRANSFORMASI WAVELET DISKRET
DAN PARTIAL LEAST SQUARE DISCRIMINANT ANALYSIS (PLSDA)
UNTUK KLASIFIKASI KOMPONEN OBAT BAHAN ALAM
(Studi Kasus: Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah)
FADLI HAKIM
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2010
RINGKASAN
FADLI HAKIM. Penerapan Metode Transformasi Wavelet Diskret dan Partial Least Square
Discriminant Analysis (PLSDA) untuk Klasifikasi Komponen Obat Bahan Alam (Studi Kasus:
Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah). Dibimbing oleh ERFIANI dan AGUS
M SOLEH.
Pemalsuan obat (adulterasi) terjadi dengan berbagai cara diantaranya penggantian bahan obat
mahal dengan bahan murah yang memiliki karakteristik kimia yang mirip, pemalsuan jumlah
bahan penyusun obat, dan pemalsuan konsentrasi masing-masing bahan penyusun (komposisi).
Untuk mendeteksi adanya pemalsuan obat (adulterasi) salah satunya adalah dengan teknik
kalibrasi menggunakan Fourier Transform Infrared (FTIR). Metode analisis ini memiliki waktu
proses lebih cepat, biaya proses murah, dan mudah dalam penggunaannya. FTIR dihasilkan oleh
spektrometer FTIR, yaitu suatu alat yang dapat mengukur panjang gelombang secara serempak
dan menghasilkan spektrum dengan banyak puncak absorbsi. Kajian-kajian analitik telah
dilakukan untuk mendeteksi adulterasi dengan berbagai teknik klasifikasi. Soleh et al. (2008)
mencoba menerapkan metode analisis komponen utama untuk menyusun diagram kontrol
fitofarmaka penyusun obat bahan alam penurun tekanan darah dan pada perkembangan terakhir
dilakukan penelitian dengan analisis diskriminan linier (Soleh, 2009). Metode yang diusulkan di
penelitian ini untuk mendeteksi adanya adulterasi adalah dengan menerapkan metode Partial Least
Square Discriminant Analysis (PLSDA). Metode PLSDA merupakan penggabungan teknik
klasifikasi dengan Partial Least Square (PLS) yang menghasilkan suatu prediksi klasifikasi yang
lebih baik dan akurat. Hasil PLSDA memberikan klasifikasi dan tingkat ketepatan yang baik
dengan semakin kecilnya nilai RMSEP. Penggunaan metode PLSDA dapat mendeteksi adanya
adulterasi pada satu komponen ekstrak dan kombinasi dua ekstrak tanpa Bahan Pengisi yang
menghasilkan tingkat ketepatan klasifikasi sebesar 100%. Penggunaan metode PLSDA untuk
kombinasi tiga ekstrak masih belum mampu mendeteksi adulterasi 100%. Semakin banyaknya
campuran komponen ekstrak penyusun obat bahan alam yang memiliki karakteristik mirip, tingkat
ketepatan klasifikasi semakin berkurang. Penggunaan data hasil pereduksian menggunakan metode
Transformasi Wavelet Diskret (TWD) dan PLSDA memberikan hasil yang lebih baik.
.
Kata kunci : FTIR, TWD, Partial Least Square Discriminant Analysis (PLSDA).
PENERAPAN METODE TRANSFORMASI WAVELET DISKRET
DAN PARTIAL LEAST SQUARE DISCRIMINANT ANALYSIS (PLSDA)
UNTUK KLASIFIKASI KOMPONEN OBAT BAHAN ALAM
(Studi Kasus: Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah)
FADLI HAKIM
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2010
Judul Skripsi : Penerapan Metode Transformasi Wavelet Diskret dan Partial
Least Square Discriminant Analysis (PLSDA) untuk Klasifikasi
Komponen Obat Bahan Alam (Studi Kasus: Obat Bahan Alam/
Fitofarmaka Penurun Tekanan Darah)
Nama
: Fadli Hakim
NIM
: G14050668
Menyetujui
Pembimbing I,
Pembimbing II,
(Dr. Ir. Erfiani, M.Si)
NIP : 196606061989032003
(Agus M Soleh, S.Si, MT)
NIP : 197503151999031004
Mengetahui :
Ketua Departemen,
(Dr. Ir. Hari Wijayanto, M.Si)
NIP : 196504211990021001
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Sukabumi pada tanggal 4 Januari 1988 dari pasangan Ahmad Helmi dan
Anon Sari Banon. Penulis merupakan putra kedua dari empat bersaudara.
Penulis memulai pendidikannya di SD Negeri Brawijaya I Sukabumi dan lulus pada tahun
2000. Kemudian melanjutkan pendidikan di SLTP Negeri 2 Sukabumi hingga tahun 2003. Setelah
menyelesaikan studinya di SMU Negeri 3 Sukabumi pada tahun 2005, penulis diterima sebagai
mahasiswa Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI)
pada tahun 2005. Selama satu tahun pertama, penulis harus melalui Tahap Persiapan Bersama
(TPB) dan pada tahun 2006 penulis diterima sebagai mahasiswa Departemen Statistika.
Selama kuliah, penulis aktif dalam organisasi kemahasiswaan Dewan Pertimbangan
Mahasiswa TPB (DPM TPB) periode 2005/2006. Decision Centre (DC) sebagai staf marketing
periode 2006/2007. Penulis juga aktif sebagai Duta Pojok BNI IPB selama dua tahun hingga 2009.
Penulis melakukan kegiatan praktik lapang di Departemen Statistika IPB pada bulan FebruariApril 2009.
KATA PENGANTAR
Alhamdulillahirobbil’alamin, puji dan syukur penulis panjatkan kehadirat Allah SWT atas
limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini.
Shalawat serta salam semoga tercurahkan kepada Rasulullah SAW, keluarga, sahabat, dan
umatnya hingga akhir zaman. Karya ilmiah ini merupakan salah satu syarat kelulusan yang harus
dipenuhi mahasiswa untuk mendapatkan gelar Sarjana Statistika pada Departemen Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Penulis mengucapkan terima kasih kepada semua pihak yang telah membantu dalam
menyelesaikan karya ilmiah ini, yaitu kepada:
1. Ibu Dr. Ir. Erfiani, M.Si dan Bapak Agus M Soleh, S.Si, MT selaku pembimbing atas segala
bimbingan, bantuan, saran, kritik, semangat, dan waktu yang telah diberikan selama proses
penulisan karya ilmiah ini.
2. Bapak Ir. Aam Alamudi, M.Si selaku penguji yang telah memberikan saran dan masukannya.
3. Teman satu bimbingan (Afud, Januar, Hadi) terima kasih atas bantuan, semangat, dan
perjuangannya.
4. Sahabat-sahabat seperjuangan STK 42 (Ramdon, Dimas, Daus, Yasin, Fuad, Anto)
5. Teman-teman satu kostan seperjuangan yang selalu memberi dukungan dan semangatnya
kepada penulis (Mahe, Iqbal, Harri, Ikin, Budi, Warno, Usron).
6. Kakak-kakak dan teman-teman STK 40, 41, 42, 43, 44, 45.
7. Duta-duta Pojok BNI IPB (Anjar, Hendro, Iwed, Ika, Memes, Dedeh, Ena, Ipang, Chigo,
Ratna, Chintia, Monic, Elis), terima kasih kenangan yang diberikan selama dua tahun ini.
8. Ayah dan ibu tercinta atas segala doa, kasih sayang, dukungan, dan didikannya hingga penulis
dapat seperti ini. Abang dan Adik-adik tercinta yang telah memberikan dukungan serta
dorongan semangat yang diberikan selama ini.
Semoga semua amal baik dan bantuan yang telah diberikan kepada penulis mendapat balasan
dari Allah SWT, dan semoga karya ilmiah ini dapat bermanfaat bagi pihak yang membutuhkan.
Penulis mohon maaf atas segala kekurangan dan kesalahan yang terdapat di dalam penyusunan
laporan ini.
Bogor, Maret 2010
Penulis
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................... viii
DAFTAR LAMPIRAN ............................................................................................................. viii
PENDAHULUAN
Latar Belakang ...................................................................................................................... 1
Tujuan .................................................................................................................................. 1
TINJAUAN PUSTAKA
Fourier Transform Infrared (FTIR) ....................................................................................... 1
Transformasi Wavelet Diskret (TWD) .................................................................................... 2
Partial Least Square (PLS) ..................................................................................................... 2
Partial Least Square Discriminant Analysis (PLSDA) ............................................................. 3
Kriteria Kebaikan Model ........................................................................................................ 3
BAHAN DAN METODE
Bahan..................................................................................................................................... 3
Metode ................................................................................................................................... 3
HASIL DAN PEMBAHASAN
Satu komponen ekstrak........................................................................................................... 4
Dua komponen ekstrak ........................................................................................................... 4
Tiga komponen ekstrak........................................................................................................... 5
SIMPULAN ................................................................................................................................ 6
DAFTAR PUSTAKA .................................................................................................................. 6
LAMPIRAN ................................................................................................................................ 8
viii
DAFTAR TABEL
Halaman
1
Struktur komponen penyusun obat......................................................................................... 3
2
Tabel kontingensi hasil PLSDA untuk satu komponen ekstrak ............................................... 4
3
Tabel kontingensi hasil PLSDA untuk dua komponen ekstrak ................................................ 5
4
Tabel kontingensi hasil PLSDA untuk tiga komponen ekstrak............................................... 5
DAFTAR LAMPIRAN
Halaman
1
Simplex Lattice Design {3,3} untuk kombinasi SDKKBP ......................................................8
2
Simplex Lattice Design {3,3} untuk kombinasi SDRPBP .......................................................9
3
Simplex Lattice Design {3,3} untuk kombinasi SDSBLBP ................................................... 10
4
Nilai RMSEP hasil PLSDA untuk satu komponen ekstrak ................................................... 11
5
Ketepatan prediksi hasil PLSDA untuk satu komponen ekstrak ............................................ 12
6
Nilai RMSEP hasil PLSDA untuk dua komponen ekstrak .................................................... 14
7
Ketepatan prediksi hasil PLSDA untuk dua komponen ekstrak ............................................ 14
8
Nilai RMSEP hasil PLSDA untuk tiga komponen ekstrak .................................................... 16
9
Ketepatan prediksi hasil PLSDA untuk tiga komponen ekstrak ............................................ 16
1
PENDAHULUAN
Latar Belakang
Saat ini penggunaan obat bahan alam
semakin meningkat, hal ini dikarenakan obat
bahan alam atau obat tradisional relatif lebih
aman dibandingkan obat sintesis sehingga
orang semakin percaya dengan keunggulan
dan manfaat obat bahan alam. Seperti halnya
obat-obat sintesis, obat bahan alam seringkali
disalahgunakan oleh pihak tertentu untuk
meraup
keuntungan.
Pemalsuan
obat
(adulterasi) terjadi dengan berbagai cara
diantaranya penggantian bahan obat mahal
dengan bahan murah yang memiliki
karakteristik kimia yang mirip, pemalsuan
jumlah bahan penyusun obat, dan pemalsuan
dari sisi konsentrasi masing-masing bahan
penyusun (komposisi). Semakin banyaknya
pemalsuan
obat
akan
menyebabkan
ketidakpercayaan masyarakat akan obat bahan
alam.
Untuk mendeteksi adanya adulterasi salah
satunya adalah dengan teknik kalibrasi
menggunakan Fourier Transform Infrared
(FTIR). Metode analisis ini memiliki waktu
proses lebih cepat, biaya proses murah, dan
mudah dalam penggunaannya. Kalibrasi
memiliki peran penting dalam teknik
spektroskopi, yaitu untuk menganalisis
kandungan unsur-unsur suatu senyawa tanpa
perlu melakukan pemisahan antara unsur yang
satu dengan unsur lainnya. FTIR dihasilkan
oleh spektrometer FTIR, yaitu suatu alat yang
dapat mengukur panjang gelombang secara
serempak dan menghasilkan spektrum dengan
banyak puncak absorbsi, sehingga akan
terbentuk suatu model kalibrasi peubah ganda.
Spektrum FTIR dapat digunakan untuk
mengidentifikasi kandungan senyawa aktif
berdasarkan identifikasi gugus fungsinya (Nur
dan Adijuwana, 1989).
Kajian-kajian analitik telah dilakukan
untuk mendeteksi adulterasi dengan berbagai
teknik klasifikasi. Soleh et al. (2008) mencoba
menerapkan metode analisis komponen utama
untuk menyusun diagram kontrol fitofarmaka
penyusun obat bahan alam penurun tekanan
darah, hasil dari penelitian ini memperoleh
simpulan diagram kontrol yang diperoleh
dapat mendeteksi komposisi obat, tetapi tidak
dapat mendeteksi adanya adulterasi komponen
oleh
bahan
lain.
Kemudian
dalam
perkembangan terakhir dilakukan penelitian
dengan analisis diskriminan linier (Soleh,
2009) dengan hasil yang belum memuaskan
terutama untuk data lebih dari satu komponen
penyusun.
Metode yang diusulkan di penelitian ini
untuk mendeteksi adanya adulterasi adalah
dengan menerapkan metode Partial Least
Square Discriminant Analysis (PLSDA).
Metode PLSDA merupakan penggabungan
teknik klasifikasi dengan Partial Least Square
(PLS) yang menghasilkan suatu prediksi
klasifikasi yang lebih baik dan akurat. Data
keluaran FTIR umumnya memiliki dimensi
yang sangat besar, sehingga kadang
diperlukan
pereduksian
data
untuk
mempermudah analisis selanjutnya. Metode
pereduksian yang digunakan dalam penelitian
ini adalah metode Transformasi Wavelet
Diskret.
Tujuan
Penelitian
ini
bertujuan
untuk
menerapkan metode Transformasi Wavelet
Dikret dan Partial Least Square Discriminant
Analysis
(PLSDA)
untuk
klasifikasi
komponen obat bahan alam.
TINJAUAN PUSTAKA
Fourier Transform Infrared (FTIR)
FTIR merupakan salah satu teknik
spektroskopi infra merah yang mengamati
interaksi
molekul
dengan
radiasi
elektromagnetik yang berada pada daerah
panjang gelombang 0.75 – 1000 µm atau pada
Bilangan Gelombang 13000 – 10 cm-1. Dalam
spektroskopi infra merah panjang gelombang
dan bilangan gelombang adalah nilai yang
digunakan untuk menunjukkan posisi dalam
spektrum serapan. Panjang gelombang
biasanya diukur dalam mikron atau mikro
meter ( µm ). Sedangkan bilangan gelombang
( ) adalah frekuensi dibagi dengan
kecepatan cahaya, yaitu kebalikan dari
panjang gelombang dalam satuan cm-1.
Spektrum infra merah dibagi menjadi tiga
jenis radiasi yaitu infra merah dekat (130004000 cm-1), infra merah pertengahan (4000200 cm-1), dan infra merah jauh (200-10 cm-1).
FTIR termasuk dalam kategori radiasi infra
merah pertengahan (Giwangkara, 2007).
Pada spektrum FTIR, daerah 4000-1400
cm-1 merupakan daerah khusus identifikasi
gugus-gugus fungsional sedangkan daerah
1500-800cm-1 merupakan daerah sidik jari
(Murad et al. (2006) dalam Soleh et al.
(2008)). Pada daerah sidik jari, perbedaan
struktur dan susunan molekul sedikit saja akan
menyebabkan perubahan distribusi puncak
serapan.
2
Transformasi Wavelet Diskret (TWD)
Transformasi Wavelet Diskret (TWD)
adalah suatu metode pereduksian dan
pemulusan
data
yang
merupakan
pengembangan dari metode Trasnformasi
Wavelet Kontinu dengan berlandaskan kode
sub-band yang menghasilkan perhitungan
cepat dari transformasi Wavelet.
Di dalam statistika biasanya ingin
diperoleh dekomposisi Wavelet dari suatu
fungsi yang diamati pada sekumpulan data.
Misalkan x =
adalah
vektor berukuran 2M dengan M adalah
bilangan bulat positif. Maka vektor data
tersebut dapat dihubungkan dengan potonganpotongan fungsi konstan pada interval [0,1]
yang biasa disebut fungsi tangga, dengan
persamaan :
fungsi tangga f(t) pada persamaan (1)
termasuk dalam L2 ([0,1]), sehingga
dekomposisi Wavelet dari f(t)adalah :
(Vidacovic & Meuller (1991) dalam Sunaryo
(2005)).
Persamaan
(2)
disebut
sebagai
transformasi Wavelet diskret, karena nilai j
hanya diambil pada bilangan bulat positif saja.
Bilangan j pada persamaan (2) disebut sebagai
resolusi dan f(t) dapat diperoleh secara tepat
jika diambil semua level resolusi untuk
dekomposisi, yaitu level resolusi 0 sampai
dengan (M-1). Koefisien c0,0 disebut koefisien
pemulusan atau bagian pendekatan dari suatu
fungsi, sedangkan dj,k disebut sebgai koefisien
Wavelet atau disebut juga bagian detail suatu
fungsi.
Dengan mengambil nilai
dan
untuk berbagai t, maka persamaan (2)
dapat dituliskan dengan notasi matriks,
(3)
x=WTd
dan karena W ortogonal, maka
d=W x
(4)
dengan
dan
d =
T
W
adalah matriks yang elemen-elemen
kolomnya adalah nilai dari
dan
. Sifat-sifat menarik
untuk berbagai t
dari matriks W T selain ortonormal adalah
kolom pertama bernilai sama, jumlah unsur
tiap kolom yang lain sama dengan nol.
Partial Least Square (PLS)
Partial Least Square (PLS) merupakan
suatu metode untuk menduga model yang
datanya memiliki jumlah peubah yang banyak
dan peubah-peubahya memiliki kolinearitas
yang tinggi. Selain itu, PLS memiliki
kemampuan
untuk
memodelkan
dan
menganalisis peubah Y secara bersamaan
(PLS2). PLS dikembangkan oleh Joreskog
dan Wold (1982) sebagai metode untuk
pendugaan model peubah laten yang diukur
tidak langsung oleh peubah penjelas.
PLS menggambarkan hubungan eksternal
(outer) dan hubungan internal (inner) antara
peubah bebas (X) dan peubah tak bebas (Y).
Hubungan eksternal ditulis dengan persamaan
berikut:
dimana X adalah peubah bebas, Y adalah
peubah tak bebas, T dan U adalah vektor skor
faktor komponen pertama, P dan Q adalah
vektor pembobot, E dan F masing-masing
adalah matriks residu X dan Y, th dan uh
adalah vektor skor faktor komponen pertama
ke-h, ph dan qh adalah vektor pembobot ke-h.
Keempat vektor tersebut diperoleh dengan
meminimumkan matriks residu E dan matriks
residu F. Hubungan antara X dan Y terbaik
diperoleh pada kondisi ||E|| dan ||F|| yang
minimum. Hubungan internal ditulis dengan
persamaan sebagai berikut:
(7)
(8)
Matriks residu ditulis dengan persamaan
sebagai berikut:
(9)
(10)
Faktor kedua dihitung berdasarkan residu E1
dan F1 yang diperoleh dengan cara yang sama
untuk faktor pertama, dengan h=1,2,3, ..., a.
Cara yang sama diulang sampai dengan faktor
terakhir a. Banyaknya faktor a ditentukan oleh
metode validasi silang yang bertujuan untuk
mengatasi overfitting. Overfitting terjadi
akibat banyaknya peubah lebih besar
dibandingkan dengan banyaknya pengamatan
dan juga saling berkorelasi, sehingga model
yang dibentuk sesuai dengan data contoh,
tetapi kurang baik untuk memprediksi data
yang bukan merupakan bagian dari data
penyusun model.
3
Partial Least Square
Discriminant Analysis (PLSDA)
Partial Least Squares Discriminant
Analysis (PLSDA) adalah salah satu metode
klasifikasi yang sering diterapkan dalam
bidang kemometrika dengan berlandaskan
pendekatan PLS (Barker dan Rayens (2003)
dalam Westerhuis et al. (2008). Standar
Algoritma PLS dapat dipergunakan dengan
vektor y yang tak bebas yang berupa data
kelompok. Di kasus dua kelompok, biasanya
nilai dari peubah tak bebas diberikan 1 untuk
satu kelompok dan 0 atau -1 untuk kelompok
lainnya. Jika lebih dari 2 kelompok, peubah
boneka didefinisikan dan algoritma yang
dipergunakan adalah PLS2 (Trygg dan Wold,
2002) dalam Westerhuis et al. (2008).
Kriteria Kebaikan Model
Untuk menentukan model terbaik
(keterandalan model), perlu memperhatikan
beberapa kriteria kebaikan model. Kriteria
yang digunakan adalah nilai Root Mean
Square Error of predictions (RMSEP) dengan
persamaan sebagai berikut:
dimana ŷi dan y adalah nilai dugaan dan
pengukuran pada contoh pengujian serta Np
adalah jumlah contoh pengujian (Naes et al.
2002). Model dikatakan baik jika memiliki
nilai RMSEP yang kecil.
kumis kucing dengan sambiloto dan reserpin
yang digambarkan pada Lampiran 2 dan 3.
Hasil dari keluaran FTIR tiga jenis obat
fitofarmaka (Tabel 1) berupa spektrumspektrum dengan matriks berukuran 39x1866
peubah. Analisis dilakukan terhadap tiga
kelompok data spektrum FTIR yaitu:
Satu komponen penyusun obat yang
terdiri dari ekstrak Seledri (SD), Bahan
Pengisi (BP), Kumis Kucing (KK),
Reserpin (RP) dan Sambiloto (SBL).
Kombinasi dua ekstrak tanpa Bahan
Pengisi yang terdiri dari ekstrak-ekstrak
Seledri-Kumis Kucing (SDKK), SeledriReserpin (SDRP) dan Seledri-Sambiloto
(SDSBL).
Kombinasi tiga ekstrak yang terdiri dari
ekstrak-ekstrak Seledri-Kumis KucingBahan Pengisi (SDKKBP), SeledriReserpin-Bahan Pengisi (SDRPBP) dan
Seledri-Sambiloto-Bahan
Pengisi
(SDSBLBP).
Data yang digunakan dalam melakukan
analisis berupa data keseluruhan, data sidik
jari dengan 831 bilangan gelombang, 1024
bilangan gelombang data sidik jari, dan data
hasil TWD dari ketiga kelompok komponen
ekstrak.
Tabel 1 Struktur komponen penyusun obat
Jenis Obat
SDKKBP
SDRPBP
BAHAN DAN METODE
SDSBLBP
Bahan
Bahan yang digunakan adalah data
sekunder dari penelitian Fundamental IPB
dengan judul “Model Otentikasi Komposisi
Obat Bahan Alam: Diagram Kontrol Berbasis
Plot Komponen Utama Spektra FTIR Bahan
Penyusun Obat tahun 2007” dengan bahan
alam penyusun Tensigard®. Tensigard®
merupakan merk obat bahan alam yang
berguna untuk penurunan tekanan darah
dengan komponen penyusunnya terdiri dari
ekstrak seledri dan kumis kucing.
Data spektrum FTIR diukur berdasarkan
rancangan 13 komposisi dari ekstrak seledri,
kumis
kucing
dan
bahan
pengisi
menggunakan rancangan simplex lattice
design yang diulang sebanyak 3 kali yang
digambarkan pada Lampiran 1. Untuk
mendapatkan model adulterasi, pengukuran
spektrum FTIR diulang dengan mensubstitusi
1.
2.
Komponen Penyusun
Seledri (SD), Kumis Kucing (KK),
Bahan Pengisi (BP)
Seledri (SD), Reserpin (RP),
Bahan Pengisi (BP)
Seledri (SD), Sambiloto (SBL),
Bahan Pengisi (BP)
Metode
Tahapan eksplorasi data dan penyusunan
struktur data. Pada tahapan ini, hasil
FTIR dari ketiga obat bahan alam disusun
menjadi satu komponen ekstrak, dua
komponen ekstrak, dan tiga komponen
ekstrak dengan X adalah peubah-peubah
yang merupakan bilangan gelombang dan
Y berupa data kelompok yang merupakan
peubah boneka.
Metode Wavelet yang digunakan adalah
Transformasi Wavelet Diskret (TWD).
TWD dilakukan terhadap 1024 titik
bilangan gelombang data sidik jari yang
menghasilkan data baru dengan jumlah
peubah (bilangan gelombang) sebanyak
512 (data 512), 256 (data 256), 128 (data
128), 64 (data 64), dan 32 (data 32).
4
Melakukan analisis Partial Least Square
Discriminant Analysis (PLSDA) pada
langkah 2 dan 3 dengan kriteria pemilihan
model yaitu nilai RMSEP dan jumlah
peubah laten yang paling kecil dan
tingkat ketepatan klasifikasi yang besar.
4. Membandingkan hasil analisis masingmasing komponen ekstrak pada langkah 4
sehingga diperoleh data yang lebih baik.
Metode Wavelet dan PLSDA dilakukan
dengan menggunakan software R versi 2.10.1
dengan paket yang digunakan adalah Caret
(PLSDA) dan Wavethresh (TWD).
3.
HASIL DAN PEMBAHASAN
Satu komponen ekstrak
Data spektrum FTIR untuk satu
komponen
ekstrak
dilakukan
dengan
mengambil beberapa jumlah peubah laten
kemudian memilih model dengan nilai
RMSEP yang paling kecil pada masingmasing data (Lampiran 4), apabila nilai
RMSEP yang paling kecil (masing-masing
komponen penyusun) tidak berada pada satu
peubah laten maka perlu membandingkan
dengan tingkat ketepatan prediksinya dan
yang terpilih adalah dengan tingkat ketepatan
prediksi yang lebih besar dan jumlah
komponen yang paling kecil (Lampiran 4).
Tabel 2 menunjukkan hasil PLSDA dengan
jumlah peubah laten yang terpilih untuk satu
komponen ekstrak pada masing-masing data.
Hasil PLSDA pada data keseluruhan
dipilih tujuh peubah laten dengan nilai
RMSEP Seledri (SD), Bahan Pengisi (BP),
Kumis Kucing (KK), Reserpin (RP) dan
Sambiloto (SBL) masing-masing adalah
0.0610, 0.1047, 0.1212, 0.1272, dan 0.1488.
Dari hasil tersebut diperoleh tingkat ketepatan
klasifikasi dengan tujuh peubah laten sebesar
100%. Untuk hasil PLSDA pada data sidik
jari dan data 1024 bilangan gelombang dipilih
tujuh peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100%.
Hasil yang berbeda ditunjukkan pada data
pereduksian TWD, untuk hasil PLSDA data
512 hasil TWD dan data 256 hasil TWD
dipilih empat peubah laten dengan tingkat
ketepatan klasifikasi sebesar 100%. Untuk
hasil PLSDA data 128 hasil TWD dan data 64
hasil TWD dipilih tiga peubah laten dengan
tingkat ketepatan klasifikasi sebesar 100%.
Pada hasil PLSDA untuk data 32 hasil TWD
dipilih empat peubah laten dengan tingkat
ketepatan klasifikasi sebesar 100%.
Untuk satu komponen ekstrak, data sidik
jari, data 256 hasil TWD, data 128 hasil
TWD, dan data 64 hasil TWD relatif
memberikan hasil yang lebih baik yang
ditunjukkan dengan tingkat ketepatan
klasifikasi sebesar 100% dan nilai RMSEP
yang paling kecil di salah satu komponen
penyusunnya dibandingkan data lainnya pada
komponen penyusun yang sama. Spektrum
FTIR yang berasal dari Seledri (SD) dan
Sambiloto (SBL) menghasilkan ketepatan
prediksi klasifikasi sebesar 100% pada semua
data dan jumlah peubah latennya yang
ditunjukkan pada Lampiran 5.
Dua komponen ekstrak
Seperti pada satu komponen ekstrak, data
spektrum FTIR untuk dua komponen ekstrak
dilakukan dengan mengambil beberapa
jumlah peubah laten kemudian memilih model
dengan nilai RMSEP yang paling kecil pada
masing-masing data (Lampiran 6). Tabel 3
menunjukkan hasil PLSDA dengan jumlah
peubah laten terpilih pada masing-masing
data untuk dua komponen ekstrak.
Tabel 2 Tabel kontingensi hasil PLSDA untuk satu komponen ekstrak
Jumlah
RMSEP
Peubah
Jenis Data
Laten
SD
BP
KK
RP
Data keseluruhan
7
Sidik jari
1024 bil. Gelombang
512 hasil TWD
256 hasil TWD
7
7
4
4
128 hasil TWD
64 hasil TWD
32 hasil TWD
3
3
4
0.0610
0.0474
0.0558
0.1107
0.1032
0.1047
0.0613
0.0637
0.0932
0.0834
0.1212
0.1577
0.1511
0.1265
0.1264
0.1314
0.1114
0.0660
0.0667
0.0645
0.1037
0.1272
0.1784
0.0380
0.1272
0.0642
0.0642
0.0436
0.0382
0.0589
0.0519
0.0716
SBL
Tingkat
Ketepatan
Klasifikasi
0.1488
0.1648
0.1582
0.1667
0.1675
100%
100%
100%
100%
100%
0.1435
0.1269
0.1593
100%
100%
100%
5
Tabel 3 Tabel kontingensi hasil PLSDA untuk dua komponen ekstrak
Jumlah
RMSEP
Jenis Data
Peubah
SDKK
SDRP
SDSBL
Laten
Data keseluruhan
Sidik jari
1024 bil. Gelombang
512 hasil TWD
256 hasil TWD
5
5
5
6
5
0.3382
0.3612
0.3580
0.3245
0.2779
128 hasil TWD
64 hasil TWD
32 hasil TWD
3
3
3
0.2501
0.2696
0.2670
0.2025
0.1909
0.1958
0.2544
0.2251
0.2190
0.3495
0.3335
0.3184
0.2841
0.2656
0.2753
0.1590
0.1755
0.2567
0.2926
Tabel 4 Tabel kontingensi hasil PLSDA untuk tiga komponen ekstrak
Jumlah
RMSEP
Peubah
Jenis Data
Laten
SDKKBP
SDRPBP
SDSBLBP
Data keseluruhan
Sidik jari
1024 bil. Gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
5
5
5
4
4
4
0.4276
0.5484
0.6418
0.5193
0.4365
0.5989
0.4783
0.5400
0.6098
0.5022
0.3562
0.4357
0.4725
0.3760
0.4516
0.4521
0.3536
0.4234
64 hasil TWD
32 hasil TWD
4
4
0.4405
0.3533
0.4522
0.4528
0.4037
0.4557
Hasil PLSDA pada data keseluruhan
dipilih lima peubah laten dengan nilai RMSEP
Seledri-Kumis Kucing (SDKK), SeledriReserpin (SDRP) dan Seledri-Sambiloto
(SDSBL) masing-masing adalah 0.3382,
0.2025, dan 0.3495. Dari hasil tersebut
kemudian diperoleh tingkat ketepatan
klasifikasi dengan lima peubah laten sebesar
100%. Untuk PLSDA pada data sidik jari dan
data 1024 bilangan gelombang diplih lima
peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100%.
Pada hasil PLSDA untuk data
pereduksian TWD mengalami perubahan
jumlah peubah laten yang dipilih. Hasil
PLSDA untuk data 512 hasil TWD dipilih
enam peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100% dan untuk data 256
hasil TWD dipilih lima peubah laten dengan
tingkat ketepatan klasifikasi sebesar 100%.
Hasil PLSDA untuk data 128 hasil TWD, data
64 hasil TWD, dan data 32 hasil TWD dipilih
tiga peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100%.
Dari hasil tersebut untuk dua komponen
ekstrak, data 128 hasil TWD dan data 64 hasil
TWD relatif memberikan hasil yang lebih
Tingkat
Ketepatan
Klasifikasi
100%
100%
100%
100%
100%
100%
100%
100%
Tingkat
Ketepatan
Klasifikasi
69.44%
72.22%
77.78%
83.33%
83.33%
80.56%
80.56%
80.56%
baik yang ditunjukkan dengan tingkat
ketepatan klasifikasi sebesar 100% dan nilai
RMSEP yang paling kecil di salah satu
komponen penyusunnya dibandingkan data
lainnya pada komponen penyusun yang sama.
Spektrum FTIR yang berasal dari SeledriReserpin (SDRP) menghasilkan ketepatan
prediksi klasifikasi mendekati 100% pada
semua data dan jumlah peubah latennya yang
ditunjukkan pada Lampiran 7.
Tiga komponen ekstrak
Data spektrum FTIR untuk tiga
komponen
ekstrak
dilakukan
dengan
mengambil beberapa jumlah peubah laten
kemudian memilih model dengan nilai
RMSEP yang paling kecil pada masingmasing data (Lampiran 8). Tabel 4
menunjukkan hasil PLSDA dengan jumlah
peubah laten terpilih pada masing-masing data
untuk tiga komponen ekstrak.
Hasil PLSDA pada data keseluruhan
dipilih lima peubah laten dengan nilai RMSEP
Seledri-Kumis
Kucing-Bahan
Pengisi
(SDKKBP), Seledri-Reserpin-Bahan Pengisi
(SDRPBP), dan Seledri-Sambiloto-Bahan
Pengisi (SDSBLBP) sebesar 0.4276, 0.5484,
6
0.6418 dengan tingkat ketepatan klasifikasi
sebesar 69.44% dan tingkat ketepatan
klasifikasi masing-masing sebesar 75%,
91.67%, dan 41,67%. Untuk hasil PLSDA
pada data sidik jari dan data 1024 bilangan
gelombang diplih lima peubah laten dengan
tingkat ketepatan klasifikasi masing-masing
sebesar 72.22% dan 77.78%.
Untuk hasil PLSDA data 512 hasil TWD
dan data 256 hasil TWD dipilih empat peubah
laten dengan tingkat ketepatan klasifikasi
sebesar 83.33%. Sementara itu, hasil PLSDA
pada data 128 hasil TWD, data 64 hasil TWD,
dan data 32 hasil TWD dipilih empat peubah
laten dengan prediksi klasifikasi sebesar
80.56%.
Dari hasil tersebut dapat disimpulkan,
untuk tiga komponen ekstrak, data
keseluruhan, data 512 hasil TWD, dan data 64
hasil TWD meiliki nilai RMSEP yang paling
kecil di salah satu komponen penyusunnya.
Namun data 512 hasil TWD relatif
memberikan hasil yang lebih baik yang
ditunjukkan dengan tingkat ketepatan
klasifikasi sebesar 83.33%. Spektrum FTIR
yang berasal dari Seledri-Reserpin-Bahan
Pengisi (SDRPBP) dan Seledri-SambilotoBahan
Pengisi
(SDSBLBP)
memiliki
ketepatan prediksi klasifikasi yang lebih baik
dibandingkan dengan Seledri-Kumis KucingBahan Pengisi (SDKKBP) yang ditunjukkan
pada Lampiran 9.
SIMPULAN
Penggunaan metode PLSDA dapat
mendeteksi adanya adulterasi pada satu
komponen ekstrak dan kombinasi dua ekstrak
tanpa Bahan Pengisi yang menghasilkan
tingkat ketepatan klasifikasi sebesar 100%.
Penggunaan metode PLSDA untuk kombinasi
tiga ekstrak masih belum mampu mendeteksi
adanya adulterasi 100%.
PLSDA memberikan klasifikasi dan
tingkat ketepatan yang baik dengan semakin
kecilnya nilai RMSEP. Semakin banyaknya
campuran komponen ekstrak penyusun obat
bahan alam yang memiliki karakteristik mirip,
tingkat
ketepatan
klasifikasi
semakin
berkurang. Penggunaan data hasil pereduksian
menggunakan metode Transformasi Wavelet
Diskret (TWD) dan PLSDA memberikan hasil
yang lebih baik.
DAFTAR PUSTAKA
Giwangkara EG. 2007. Spektrofotometri Infra
Merah. http://www.chem-is-try.org/
artikel_kimia/kimia_analisis/spektrofoto
metri_infra_merah/ ( 02 Juni 2009).
Naes T, et al. 2002. A User-Friendly Guide to
Multivariate
Calibration
and
Classification. United Kingdom : NIR
Publications Chicester.
Nur MA dan Adijuwana H. 1989. Teknik
Spektroskopi dalam Analisis Biologi.
Bogor: Pusat Antar Universitas Ilmu
Hayat. Institut Pertanian Bogor.
Soleh AM. 2009. Analisis Diskriminan Linier
untuk Klasifikasi Komponen Obat Bahan
Alam Berdasarkan Spektrum Inframerah
Studi Kasus : Obat Bahan Alam/
Fitofarmaka Penurun Tekanan Darah.
Prosiding Seminar ITS. Surabaya.
Soleh AM, Darusman LK, dan Rafi M. 2008.
Model Otentikasi Komposisi Obat Bahan
Alam Berdasarkan Spektra Inframerah
dan Komponen Utama Studi Kasus: Obat
Bahan Alam/ Fitofarmaka Penurun
Tekanan Darah. Bogor: Departemen
Statistika Institut Pertanian Bogor. Forum
Statistika dan Komputasi 13(1): 1-6.
Sunaryo S. 2005. Model Kalibrasi Dengan
Transformasi Wavelet sebagai metode
Pra-pemrosesan.
[Disertasi].
Bogor.
Program Pascasarjana. Institut Pertanian
Bogor.
Westerhuis JA, et al. 2009. Assessment of
PLSDA Cross Validation. Metabolomics
4:81-89
LAMPIRAN
8
Lampiran 1. Simplex Lattice Design {3,3} untuk kombinasi SDKKBP
Simplex Design Plot in Amounts
Seledri
1
13
12
11
10
0
0
9
8
7
6
4
5
3
2
1
0
1
1
Kumis Kucing
Bahan Pengisi
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
1
2
3
4
5
6
7
8
9
10
11
12
13
Presentase Campuran
Seledri Kumis Kucing Bahan Pengisi
0.00
0.00
0.00
0.00
16.67
16.67
33.33
33.33
33.33
66.67
66.67
66.67
100
0.00
33.33
66.67
100
16.67
66.67
0.00
33.33
66.67
0.00
16.67
33.33
0.00
100
66.67
33.33
0.00
66.67
16.67
66.67
33.33
0.00
33.33
16.67
0.00
0.00
9
Lampiran 2. Simplex Lattice Design {3,3} untuk kombinasi SDRPBP
Simplex Design Plot in Amounts
Seledri
1
13
12
11
10
0
0
9
8
7
6
4
5
3
2
0
1
Reserpin
1
1
Bahan Pengisi
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
1
2
3
4
5
6
7
8
9
10
11
12
13
Presentase Campuran
Seledri Reserpin Bahan Pengisi
0.00
0.00
100
0.00
33.33
66.67
0.00
66.67
33.33
0.00
100
0.00
16.67
16.67
66.67
16.67
66.67
16.67
33.33
0.00
66.67
33.33
33.33
33.33
33.33
66.67
0.00
66.67
0.00
33.33
66.67
16.67
16.67
66.67
33.33
0.00
100
0.00
0.00
10
Lampiran 3. Simplex Lattice Design {3,3} untuk kombinasi SDSBLBP
Simplex Design Plot in Amounts
Seledri
1
13
12
11
10
0
0
9
8
7
6
4
5
3
2
0
1
1
1
Sambiloto
Bahan Pengisi
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
1
2
3
4
5
6
7
8
9
10
11
12
13
Presentase Campuran
Seledri Sambiloto Bahan Pengisi
0.00
0.00
0.00
0.00
16.67
16.67
33.33
33.33
33.33
66.67
66.67
66.67
100
0.00
33.33
66.67
100
16.67
66.67
0.00
33.33
66.67
0.00
16.67
33.33
0.00
100
66.67
33.33
0.00
66.67
16.67
66.67
33.33
0.00
33.33
16.67
0.00
0.00
11
Lampiran 4. Nilai RMSEP hasil PLSDA untuk satu komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Komponen
Penyusun
Jumlah Peubah Laten
1
2
3
4
5
6
7
Seledri
0.1528
0.1402
0.1074
0.1004
0.1110
0.1057
0.0610
Bahan Pengisi
0.4033
0.3282
0.3041
0.3164
0.2702
0.2575
0.1047
Kumis Kucing
0.3316
0.3582
0.2892
0.2220
0.1244
0.1234
0.1212
Reserpin
0.3157
0.3181
0.3205
0.3369
0.2507
0.2313
0.1272
Sambiloto
0.3342
0.2613
0.2973
0.2884
0.2216
0.2214
0.1488
Seledri
0.3322
0.1959
0.1107
0.1118
0.0895
0.0937
0.0474
Bahan Pengisi
0.3210
0.3290
0.2888
0.3024
0.2445
0.1307
0.0613
Kumis Kucing
0.3272
0.3864
0.4005
0.3883
0.2534
0.2404
0.1577
Reserpin
0.3175
0.3192
0.3355
0.3503
0.2597
0.1758
0.0642
Sambiloto
0.3274
0.2561
0.2957
0.3002
0.2040
0.1610
0.1648
Seledri
0.2870
0.1623
0.1213
0.1234
0.1289
0.1228
0.0558
Bahan Pengisi
0.3309
0.3358
0.2984
0.3092
0.2447
0.2074
0.0637
Kumis Kucing
0.3283
0.3772
0.3798
0.3730
0.2653
0.2838
0.1511
Reserpin
0.3174
0.3188
0.3391
0.3459
0.2503
0.2472
0.0642
Sambiloto
0.3299
0.2542
0.3070
0.3102
0.2186
0.1915
0.1582
Seledri
0.2485
0.2598
0.1770
0.1665
0.1107
0.0829
0.0713
Bahan Pengisi
0.3401
0.2683
0.1785
0.0824
0.0932
0.0956
0.0929
Kumis Kucing
0.3282
0.3307
0.3780
0.1505
0.1265
0.1417
0.1379
Reserpin
0.3201
0.2454
0.0450
0.0429
0.0436
0.0442
0.0431
Sambiloto
0.3284
0.3496
0.1740
0.1415
0.1667
0.1737
0.1683
Seledri
0.2500
0.2522
0.1599
0.1461
0.1032
0.0692
0.0594
Bahan Pengisi
0.3385
0.2796
0.1577
0.0708
0.0834
0.0837
0.0596
Kumis Kucing
0.3282
0.3322
0.3721
0.1271
0.1264
0.1274
0.1629
Reserpin
0.3201
0.2840
0.0433
0.0400
0.0382
0.0385
0.0395
Sambiloto
0.3283
0.3301
0.1927
0.1369
0.1675
0.1622
0.1819
Seledri
0.2515
0.1992
0.1228
0.1314
0.1013
0.0761
0.0608
Bahan Pengisi
0.3292
0.3775
0.1429
0.0660
0.0724
0.0699
0.0423
Kumis Kucing
0.3283
0.3236
0.3243
0.1037
0.1328
0.1551
0.1851
Reserpin
0.3211
0.2820
0.1357
0.0589
0.0393
0.0391
0.0401
Sambiloto
0.3282
0.2891
0.3145
0.1435
0.1694
0.1726
0.1903
Seledri
0.2962
0.1245
0.1062
0.1114
0.0538
0.0501
0.0563
Bahan Pengisi
0.3248
0.2694
0.1257
0.0667
0.0644
0.0556
0.0558
Kumis Kucing
0.3272
0.3040
0.2664
0.1272
0.1378
0.1736
0.1586
Reserpin
0.3179
0.3243
0.1316
0.0519
0.0478
0.0465
0.0469
Sambiloto
0.3268
0.2854
0.3268
0.1269
0.1483
0.1698
0.1694
Seledri
0.1857
0.0972
0.0610
0.0629
0.0380
0.0321
0.0330
Bahan Pengisi
0.3580
0.2808
0.3386
0.1212
0.0645
0.0599
0.0623
Kumis Kucing
0.3286
0.3457
0.1953
0.1152
0.1784
0.1854
0.2153
Reserpin
0.3194
0.3218
0.3519
0.1142
0.0716
0.0799
0.0773
Sambiloto
0.3292
0.2120
0.1990
0.1432
0.1593
0.1756
0.2001
12
Lampiran 5. Ketepatan prediksi hasil PLSDA untuk satu komponen ekstrak
Jenis Data
Data
Keseluruhan
Sidik Jari
1024
bilangan
gelombang
512 hasil
TWD
256 hasil
TWD
Jumlah
Peubah
Laten
Bahan Pengisi
Kumis Kucing
Reserpin
Sambiloto
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
3(100%)
9(100%)
77.78%
3
9(100%)
2(66.67%)
0(0%)
1(33.33%)
9(100%)
77.78%
4
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
2(66.67%)
9(100%)
74.07%
3
9(100%)
1(33.33%)
0(0%)
2(66.67%)
9(100%)
77.78%
4
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
3(100%)
9(100%)
77.78%
3
9(100%)
2(66.67%)
0(0%)
2(66.67%)
9(100%)
81.48%
4
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
3(100%)
0(0%)
9(100%)
77.78%
3
9(100%)
0(0%)
3(100%)
3(100%)
9(100%)
88.89%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
3(100%)
0(0%)
9(100%)
77.78%
3
9(100%)
0(0%)
3(100%)
3(100%)
9(100%)
88.89%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
Komponen Penyusun (prediksi benar)
Seledri
Total Prediksi
Benar
13
Jenis
Data
128
hasil
TWD
64 hasil
TWD
32 hasil
TWD
Jumlah
Peubah
Laten
Bahan Pengisi
Kumis Kucing
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
2(66.67%)
2(66.67%)
9(100%)
81.48%
3
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
3(100%)
0(0%)
1(33.33%)
9(100%)
81.48%
3
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
3(100%)
9(100%)
77.78%
3
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
Komponen Penyusun (prediksi benar)
Reserpin
Sambiloto
Seledri
Total Prediksi
Benar
14
Lampiran 6. Nilai RMSEP hasil PLSDA untuk dua komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah Peubah Laten
Komponen
Penyusun
1
2
3
4
5
6
SDKK
0.5163
0.5185
0.4954
0.3774
0.3382
0.3526
SDRP
0.3974
0.2253
0.1764
0.1844
0.2025
0.2574
SDSBL
0.4602
0.4590
0.4918
0.3863
0.3495
0.3648
SDKK
0.5118
0.4889
0.5972
0.3844
0.3612
0.3953
SDRP
0.3699
0.1927
0.1908
0.1868
0.1909
0.2014
SDSBL
0.4543
0.4684
0.5880
0.3891
0.3335
0.3669
SDKK
0.5099
0.4989
0.5123
0.4196
0.3580
0.3784
SDRP
0.3587
0.1912
0.1893
0.1786
0.1958
0.2246
SDSBL
0.4501
0.4566
0.4807
0.3964
0.3184
0.3464
SDKK
0.5379
0.5813
0.3786
0.3727
0.3515
0.3245
SDRP
0.4836
0.4365
0.3091
0.2795
0.2751
0.2544
SDSBL
0.4997
0.3338
0.3071
0.3356
0.3325
0.2841
SDKK
0.5511
0.6194
0.3426
0.2979
0.2779
0.3138
SDRP
0.4537
0.4932
0.2844
0.2420
0.2251
0.2202
SDSBL
0.4327
0.3751
0.2978
0.3199
0.2656
0.2811
SDKK
0.5395
0.3213
0.2501
0.2500
0.2670
0.3146
SDRP
0.4021
0.2949
0.2190
0.2100
0.1848
0.2086
SDSBL
0.3187
0.2851
0.2753
0.3020
0.2721
0.3118
SDKK
0.4718
0.3194
0.2696
0.3210
0.3627
0.3575
SDRP
0.1675
0.1702
0.1590
0.1762
0.1758
0.1676
SDSBL
0.4447
0.3022
0.2567
0.3028
0.3254
0.3305
SDKK
0.5008
0.3314
0.2670
0.2886
0.2793
0.3233
SDRP
0.2390
0.2351
0.1755
0.1543
0.1492
0.1586
SDSBL
0.4221
0.3104
0.2926
0.2980
0.2679
0.2945
Lampiran 7. Ketepatan prediksi hasil PLSDA untuk dua komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKK
SDRP
SDSBL
Total Prediksi
Benar
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
1(16.67%)
6(100%)
5(83.33%)
66.67%
3
5(83.33%)
6(100%)
4(66.67%)
83.33%
4
6(100%)
6(100%)
5(83.33%)
94.44%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
3(50%)
6(100%)
5(83.33%)
77.78%
3
6(100%)
6(100%)
5(83.33%)
94.44%
4
6(100%)
6(100%)
5(83.33%)
94.44%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
15
Jenis Data
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKK
SDRP
SDSBL
Total Prediksi
Benar
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
3(50%)
6(100%)
5(83.33%)
77.78%
3
5(83.33%)
6(100%)
4(66.67%)
83.33%
4
6(100%)
6(100%)
5(83.33%)
94.44%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
4(66.67%)
4(66.67%)
44.44%
2
2(33.33%)
6(100%)
6(100%)
77.78%
3
6(100%)
6(100%)
5(83.33%)
94.44%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
2(33.33%)
6(100%)
6(100%)
77.78%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
6(100%)
66.67%
2
6(100%)
6(100%)
6(100%)
100%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
6(100%)
66.67%
2
6(100%)
6(100%)
6(100%)
100%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
6(100%)
66.67%
2
6(100%)
6(100%)
6(100%)
100%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
16
Lampiran 8. Nilai RMSEP hasil PLSDA untuk tiga komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah Peubah Laten
Komponen
Penyusun
1
2
3
4
5
6
SDKKBP
0.4871
0.5034
0.5262
0.4801
0.4276
0.6666
SDRPBP
0.4817
0.4946
0.6732
0.6519
0.5484
0.7013
SDSBLBP
0.4499
0.4841
0.5958
0.6242
0.6418
1.1610
SDKKBP
0.4821
0.4968
0.5412
0.5715
0.5193
0.5556
SDRPBP
0.4899
0.4945
0.5143
0.4956
0.4365
0.4959
SDSBLBP
0.4537
0.4665
0.5374
0.5900
0.5989
0.7260
SDKKBP
0.4842
0.4941
0.5227
0.5362
0.4783
0.4867
SDRPBP
0.4849
0.4955
0.5302
0.5286
0.5400
0.6513
SDSBLBP
0.4534
0.4674
0.5067
0.6072
0.6098
0.8664
SDKKBP
0.5016
0.4943
0.5351
0.5022
0.5046
0.5097
SDRPBP
0.4817
0.3649
0.3720
0.3562
0.3569
0.3552
SDSBLBP
0.4988
0.4688
0.4706
0.4357
0.4356
0.4382
SDKKBP
0.5015
0.4944
0.5110
0.4725
0.4700
0.4798
SDRPBP
0.4800
0.3678
0.3822
0.3760
0.3703
0.3753
SDSBLBP
0.4984
0.4775
0.4889
0.4516
0.4589
0.4538
SDKKBP
0.5026
0.5243
0.4903
0.4521
0.4919
0.5000
SDRPBP
0.4780
0.3863
0.3726
0.3536
0.3634
0.3761
SDSBLBP
0.5002
0.4598
0.4486
0.4234
0.4612
0.4678
SDKKBP
0.5070
0.5146
0.4597
0.4405
0.4952
0.5155
SDRPBP
0.4802
0.4730
0.4084
0.3533
0.3955
0.4188
SDSBLBP
0.5131
0.4490
0.4622
0.4522
0.4905
0.5203
SDKKBP
0.5143
0.5602
0.4989
0.4528
0.4667
0.4760
SDRPBP
0.4774
0.4820
0.4424
0.4037
0.4156
0.3728
SDSBLBP
0.5111
0.5057
0.4560
0.4557
0.4905
0.4674
Lampiran 9. Ketepatan prediksi hasil PLSDA untuk tiga komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKKBP
SDRPBP
SDSBLBP
Total Prediksi
Benar
1
0(0%)
9(75%)
4(33.33%)
47.22%
2
5(41.67%)
5(41.67%)
5(41.67%)
41.67%
3
2(16.67%)
7(58.33%)
9(75%)
50%
4
7(58.33%)
10(83.33%)
8(66.67%)
69.44%
5
9(75%)
11(91.67%)
5(41.67%)
69.44%
6
9(75%)
11(91.67%)
9(75%)
80.56%
1
6(50%)
0(0%)
9(75%)
41.67%
2
6(50%)
5(41.67%)
5(41.67%)
44.44%
3
4(33.33%)
3(25%)
9(75%)
44.44%
4
2(16.67%)
7(58.33%)
9(75%)
50%
5
7(58.33%)
10(83.33%)
9(75%)
72.22%
6
7(58.33%)
12(100%)
10(83.33%)
80.56%
17
Jenis Data
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKKBP
SDRPBP
SDSBLBP
Total Prediksi
Benar
1
6(50%)
0(0%)
8(66.67%)
38.89%
2
6(50%)
4(33.33%)
4(33.33%)
38.89%
3
4(33.33%)
4(33.33%)
7(58.33%)
41.67%
4
2(16.67%)
8(66.67%)
9(75%)
52.78%
5
8(66.67%)
11(91.67%)
9(75%)
77.78%
6
6(50%)
12(100%)
11(91.67%)
80.56%
1
0(0%)
8(66.67%)
5(41.67%)
36.11%
2
0(0%)
11(91.67%)
12(100%)
63.89%
3
8(66.67%)
10(83.33%)
10(83.33%)
77.78%
4
7(58.33%)
11(91.67%)
12(100%)
83.33%
5
8(66.67%)
11(91.67%)
12(100%)
86.11%
6
8(66.67%)
11(91.67%)
12(100%)
86.11%
1
0(0%)
8(66.67%)
5(41.67%)
36.11%
2
0(0%)
12(100%)
12(100%)
66.67%
3
7(58.33%)
11(91.67%)
9(75%)
75%
4
7(58.33%)
11(91.67%)
12(100%)
83.33%
5
7(58.33%)
11(91.67%)
12(100%)
83.33%
6
8(66.67%)
11(91.67%)
12(100%)
86.11%
1
0(0%)
8(66.67%)
5(41.67%)
36.11%
2
0(0%)
11(91.67%)
11(91.67%)
61.11%
3
7(58.33%)
11(91.67%)
10(83.33%)
77.78%
4
6(50%)
11(91.67%)
12(100%)
80.56%
5
7(58.33%)
11(91.67%)
12(100%)
83.33%
6
8(66.67%)
12(100%)
12(100%)
88.89%
1
8(66.67%)
8(66.67%)
0(0%)
44.44%
2
2(16.67%)
7(58.33%)
10(83.33%)
52.78%
3
8(66.67%)
11(91.67%)
10(83.33%)
80.56%
4
7(58.33%)
11(91.67%)
11(91.67%)
80.56%
5
8(66.67%)
12(100%)
11(91.67%)
86.11%
6
7(58.33%)
12(100%)
11(91.67%)
83.33%
1
0(0%)
9(75%)
5(41.67%)
38.89
2
1(8.33%)
10(83.33%)
9(75%)
55.56%
3
6(50%)
10(83.33%)
9(75%)
69.44%
4
7(58.33%)
12(100%)
10(83.33%)
80.56%
5
8(66.67%)
12(100%)
11(91.67%)
86.11%
6
8(66.67%)
12(100%)
12(100%)
88.89%
DAN PARTIAL LEAST SQUARE DISCRIMINANT ANALYSIS (PLSDA)
UNTUK KLASIFIKASI KOMPONEN OBAT BAHAN ALAM
(Studi Kasus: Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah)
FADLI HAKIM
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2010
RINGKASAN
FADLI HAKIM. Penerapan Metode Transformasi Wavelet Diskret dan Partial Least Square
Discriminant Analysis (PLSDA) untuk Klasifikasi Komponen Obat Bahan Alam (Studi Kasus:
Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah). Dibimbing oleh ERFIANI dan AGUS
M SOLEH.
Pemalsuan obat (adulterasi) terjadi dengan berbagai cara diantaranya penggantian bahan obat
mahal dengan bahan murah yang memiliki karakteristik kimia yang mirip, pemalsuan jumlah
bahan penyusun obat, dan pemalsuan konsentrasi masing-masing bahan penyusun (komposisi).
Untuk mendeteksi adanya pemalsuan obat (adulterasi) salah satunya adalah dengan teknik
kalibrasi menggunakan Fourier Transform Infrared (FTIR). Metode analisis ini memiliki waktu
proses lebih cepat, biaya proses murah, dan mudah dalam penggunaannya. FTIR dihasilkan oleh
spektrometer FTIR, yaitu suatu alat yang dapat mengukur panjang gelombang secara serempak
dan menghasilkan spektrum dengan banyak puncak absorbsi. Kajian-kajian analitik telah
dilakukan untuk mendeteksi adulterasi dengan berbagai teknik klasifikasi. Soleh et al. (2008)
mencoba menerapkan metode analisis komponen utama untuk menyusun diagram kontrol
fitofarmaka penyusun obat bahan alam penurun tekanan darah dan pada perkembangan terakhir
dilakukan penelitian dengan analisis diskriminan linier (Soleh, 2009). Metode yang diusulkan di
penelitian ini untuk mendeteksi adanya adulterasi adalah dengan menerapkan metode Partial Least
Square Discriminant Analysis (PLSDA). Metode PLSDA merupakan penggabungan teknik
klasifikasi dengan Partial Least Square (PLS) yang menghasilkan suatu prediksi klasifikasi yang
lebih baik dan akurat. Hasil PLSDA memberikan klasifikasi dan tingkat ketepatan yang baik
dengan semakin kecilnya nilai RMSEP. Penggunaan metode PLSDA dapat mendeteksi adanya
adulterasi pada satu komponen ekstrak dan kombinasi dua ekstrak tanpa Bahan Pengisi yang
menghasilkan tingkat ketepatan klasifikasi sebesar 100%. Penggunaan metode PLSDA untuk
kombinasi tiga ekstrak masih belum mampu mendeteksi adulterasi 100%. Semakin banyaknya
campuran komponen ekstrak penyusun obat bahan alam yang memiliki karakteristik mirip, tingkat
ketepatan klasifikasi semakin berkurang. Penggunaan data hasil pereduksian menggunakan metode
Transformasi Wavelet Diskret (TWD) dan PLSDA memberikan hasil yang lebih baik.
.
Kata kunci : FTIR, TWD, Partial Least Square Discriminant Analysis (PLSDA).
PENERAPAN METODE TRANSFORMASI WAVELET DISKRET
DAN PARTIAL LEAST SQUARE DISCRIMINANT ANALYSIS (PLSDA)
UNTUK KLASIFIKASI KOMPONEN OBAT BAHAN ALAM
(Studi Kasus: Obat Bahan Alam/ Fitofarmaka Penurun Tekanan Darah)
FADLI HAKIM
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2010
Judul Skripsi : Penerapan Metode Transformasi Wavelet Diskret dan Partial
Least Square Discriminant Analysis (PLSDA) untuk Klasifikasi
Komponen Obat Bahan Alam (Studi Kasus: Obat Bahan Alam/
Fitofarmaka Penurun Tekanan Darah)
Nama
: Fadli Hakim
NIM
: G14050668
Menyetujui
Pembimbing I,
Pembimbing II,
(Dr. Ir. Erfiani, M.Si)
NIP : 196606061989032003
(Agus M Soleh, S.Si, MT)
NIP : 197503151999031004
Mengetahui :
Ketua Departemen,
(Dr. Ir. Hari Wijayanto, M.Si)
NIP : 196504211990021001
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Sukabumi pada tanggal 4 Januari 1988 dari pasangan Ahmad Helmi dan
Anon Sari Banon. Penulis merupakan putra kedua dari empat bersaudara.
Penulis memulai pendidikannya di SD Negeri Brawijaya I Sukabumi dan lulus pada tahun
2000. Kemudian melanjutkan pendidikan di SLTP Negeri 2 Sukabumi hingga tahun 2003. Setelah
menyelesaikan studinya di SMU Negeri 3 Sukabumi pada tahun 2005, penulis diterima sebagai
mahasiswa Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI)
pada tahun 2005. Selama satu tahun pertama, penulis harus melalui Tahap Persiapan Bersama
(TPB) dan pada tahun 2006 penulis diterima sebagai mahasiswa Departemen Statistika.
Selama kuliah, penulis aktif dalam organisasi kemahasiswaan Dewan Pertimbangan
Mahasiswa TPB (DPM TPB) periode 2005/2006. Decision Centre (DC) sebagai staf marketing
periode 2006/2007. Penulis juga aktif sebagai Duta Pojok BNI IPB selama dua tahun hingga 2009.
Penulis melakukan kegiatan praktik lapang di Departemen Statistika IPB pada bulan FebruariApril 2009.
KATA PENGANTAR
Alhamdulillahirobbil’alamin, puji dan syukur penulis panjatkan kehadirat Allah SWT atas
limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini.
Shalawat serta salam semoga tercurahkan kepada Rasulullah SAW, keluarga, sahabat, dan
umatnya hingga akhir zaman. Karya ilmiah ini merupakan salah satu syarat kelulusan yang harus
dipenuhi mahasiswa untuk mendapatkan gelar Sarjana Statistika pada Departemen Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Penulis mengucapkan terima kasih kepada semua pihak yang telah membantu dalam
menyelesaikan karya ilmiah ini, yaitu kepada:
1. Ibu Dr. Ir. Erfiani, M.Si dan Bapak Agus M Soleh, S.Si, MT selaku pembimbing atas segala
bimbingan, bantuan, saran, kritik, semangat, dan waktu yang telah diberikan selama proses
penulisan karya ilmiah ini.
2. Bapak Ir. Aam Alamudi, M.Si selaku penguji yang telah memberikan saran dan masukannya.
3. Teman satu bimbingan (Afud, Januar, Hadi) terima kasih atas bantuan, semangat, dan
perjuangannya.
4. Sahabat-sahabat seperjuangan STK 42 (Ramdon, Dimas, Daus, Yasin, Fuad, Anto)
5. Teman-teman satu kostan seperjuangan yang selalu memberi dukungan dan semangatnya
kepada penulis (Mahe, Iqbal, Harri, Ikin, Budi, Warno, Usron).
6. Kakak-kakak dan teman-teman STK 40, 41, 42, 43, 44, 45.
7. Duta-duta Pojok BNI IPB (Anjar, Hendro, Iwed, Ika, Memes, Dedeh, Ena, Ipang, Chigo,
Ratna, Chintia, Monic, Elis), terima kasih kenangan yang diberikan selama dua tahun ini.
8. Ayah dan ibu tercinta atas segala doa, kasih sayang, dukungan, dan didikannya hingga penulis
dapat seperti ini. Abang dan Adik-adik tercinta yang telah memberikan dukungan serta
dorongan semangat yang diberikan selama ini.
Semoga semua amal baik dan bantuan yang telah diberikan kepada penulis mendapat balasan
dari Allah SWT, dan semoga karya ilmiah ini dapat bermanfaat bagi pihak yang membutuhkan.
Penulis mohon maaf atas segala kekurangan dan kesalahan yang terdapat di dalam penyusunan
laporan ini.
Bogor, Maret 2010
Penulis
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................... viii
DAFTAR LAMPIRAN ............................................................................................................. viii
PENDAHULUAN
Latar Belakang ...................................................................................................................... 1
Tujuan .................................................................................................................................. 1
TINJAUAN PUSTAKA
Fourier Transform Infrared (FTIR) ....................................................................................... 1
Transformasi Wavelet Diskret (TWD) .................................................................................... 2
Partial Least Square (PLS) ..................................................................................................... 2
Partial Least Square Discriminant Analysis (PLSDA) ............................................................. 3
Kriteria Kebaikan Model ........................................................................................................ 3
BAHAN DAN METODE
Bahan..................................................................................................................................... 3
Metode ................................................................................................................................... 3
HASIL DAN PEMBAHASAN
Satu komponen ekstrak........................................................................................................... 4
Dua komponen ekstrak ........................................................................................................... 4
Tiga komponen ekstrak........................................................................................................... 5
SIMPULAN ................................................................................................................................ 6
DAFTAR PUSTAKA .................................................................................................................. 6
LAMPIRAN ................................................................................................................................ 8
viii
DAFTAR TABEL
Halaman
1
Struktur komponen penyusun obat......................................................................................... 3
2
Tabel kontingensi hasil PLSDA untuk satu komponen ekstrak ............................................... 4
3
Tabel kontingensi hasil PLSDA untuk dua komponen ekstrak ................................................ 5
4
Tabel kontingensi hasil PLSDA untuk tiga komponen ekstrak............................................... 5
DAFTAR LAMPIRAN
Halaman
1
Simplex Lattice Design {3,3} untuk kombinasi SDKKBP ......................................................8
2
Simplex Lattice Design {3,3} untuk kombinasi SDRPBP .......................................................9
3
Simplex Lattice Design {3,3} untuk kombinasi SDSBLBP ................................................... 10
4
Nilai RMSEP hasil PLSDA untuk satu komponen ekstrak ................................................... 11
5
Ketepatan prediksi hasil PLSDA untuk satu komponen ekstrak ............................................ 12
6
Nilai RMSEP hasil PLSDA untuk dua komponen ekstrak .................................................... 14
7
Ketepatan prediksi hasil PLSDA untuk dua komponen ekstrak ............................................ 14
8
Nilai RMSEP hasil PLSDA untuk tiga komponen ekstrak .................................................... 16
9
Ketepatan prediksi hasil PLSDA untuk tiga komponen ekstrak ............................................ 16
1
PENDAHULUAN
Latar Belakang
Saat ini penggunaan obat bahan alam
semakin meningkat, hal ini dikarenakan obat
bahan alam atau obat tradisional relatif lebih
aman dibandingkan obat sintesis sehingga
orang semakin percaya dengan keunggulan
dan manfaat obat bahan alam. Seperti halnya
obat-obat sintesis, obat bahan alam seringkali
disalahgunakan oleh pihak tertentu untuk
meraup
keuntungan.
Pemalsuan
obat
(adulterasi) terjadi dengan berbagai cara
diantaranya penggantian bahan obat mahal
dengan bahan murah yang memiliki
karakteristik kimia yang mirip, pemalsuan
jumlah bahan penyusun obat, dan pemalsuan
dari sisi konsentrasi masing-masing bahan
penyusun (komposisi). Semakin banyaknya
pemalsuan
obat
akan
menyebabkan
ketidakpercayaan masyarakat akan obat bahan
alam.
Untuk mendeteksi adanya adulterasi salah
satunya adalah dengan teknik kalibrasi
menggunakan Fourier Transform Infrared
(FTIR). Metode analisis ini memiliki waktu
proses lebih cepat, biaya proses murah, dan
mudah dalam penggunaannya. Kalibrasi
memiliki peran penting dalam teknik
spektroskopi, yaitu untuk menganalisis
kandungan unsur-unsur suatu senyawa tanpa
perlu melakukan pemisahan antara unsur yang
satu dengan unsur lainnya. FTIR dihasilkan
oleh spektrometer FTIR, yaitu suatu alat yang
dapat mengukur panjang gelombang secara
serempak dan menghasilkan spektrum dengan
banyak puncak absorbsi, sehingga akan
terbentuk suatu model kalibrasi peubah ganda.
Spektrum FTIR dapat digunakan untuk
mengidentifikasi kandungan senyawa aktif
berdasarkan identifikasi gugus fungsinya (Nur
dan Adijuwana, 1989).
Kajian-kajian analitik telah dilakukan
untuk mendeteksi adulterasi dengan berbagai
teknik klasifikasi. Soleh et al. (2008) mencoba
menerapkan metode analisis komponen utama
untuk menyusun diagram kontrol fitofarmaka
penyusun obat bahan alam penurun tekanan
darah, hasil dari penelitian ini memperoleh
simpulan diagram kontrol yang diperoleh
dapat mendeteksi komposisi obat, tetapi tidak
dapat mendeteksi adanya adulterasi komponen
oleh
bahan
lain.
Kemudian
dalam
perkembangan terakhir dilakukan penelitian
dengan analisis diskriminan linier (Soleh,
2009) dengan hasil yang belum memuaskan
terutama untuk data lebih dari satu komponen
penyusun.
Metode yang diusulkan di penelitian ini
untuk mendeteksi adanya adulterasi adalah
dengan menerapkan metode Partial Least
Square Discriminant Analysis (PLSDA).
Metode PLSDA merupakan penggabungan
teknik klasifikasi dengan Partial Least Square
(PLS) yang menghasilkan suatu prediksi
klasifikasi yang lebih baik dan akurat. Data
keluaran FTIR umumnya memiliki dimensi
yang sangat besar, sehingga kadang
diperlukan
pereduksian
data
untuk
mempermudah analisis selanjutnya. Metode
pereduksian yang digunakan dalam penelitian
ini adalah metode Transformasi Wavelet
Diskret.
Tujuan
Penelitian
ini
bertujuan
untuk
menerapkan metode Transformasi Wavelet
Dikret dan Partial Least Square Discriminant
Analysis
(PLSDA)
untuk
klasifikasi
komponen obat bahan alam.
TINJAUAN PUSTAKA
Fourier Transform Infrared (FTIR)
FTIR merupakan salah satu teknik
spektroskopi infra merah yang mengamati
interaksi
molekul
dengan
radiasi
elektromagnetik yang berada pada daerah
panjang gelombang 0.75 – 1000 µm atau pada
Bilangan Gelombang 13000 – 10 cm-1. Dalam
spektroskopi infra merah panjang gelombang
dan bilangan gelombang adalah nilai yang
digunakan untuk menunjukkan posisi dalam
spektrum serapan. Panjang gelombang
biasanya diukur dalam mikron atau mikro
meter ( µm ). Sedangkan bilangan gelombang
( ) adalah frekuensi dibagi dengan
kecepatan cahaya, yaitu kebalikan dari
panjang gelombang dalam satuan cm-1.
Spektrum infra merah dibagi menjadi tiga
jenis radiasi yaitu infra merah dekat (130004000 cm-1), infra merah pertengahan (4000200 cm-1), dan infra merah jauh (200-10 cm-1).
FTIR termasuk dalam kategori radiasi infra
merah pertengahan (Giwangkara, 2007).
Pada spektrum FTIR, daerah 4000-1400
cm-1 merupakan daerah khusus identifikasi
gugus-gugus fungsional sedangkan daerah
1500-800cm-1 merupakan daerah sidik jari
(Murad et al. (2006) dalam Soleh et al.
(2008)). Pada daerah sidik jari, perbedaan
struktur dan susunan molekul sedikit saja akan
menyebabkan perubahan distribusi puncak
serapan.
2
Transformasi Wavelet Diskret (TWD)
Transformasi Wavelet Diskret (TWD)
adalah suatu metode pereduksian dan
pemulusan
data
yang
merupakan
pengembangan dari metode Trasnformasi
Wavelet Kontinu dengan berlandaskan kode
sub-band yang menghasilkan perhitungan
cepat dari transformasi Wavelet.
Di dalam statistika biasanya ingin
diperoleh dekomposisi Wavelet dari suatu
fungsi yang diamati pada sekumpulan data.
Misalkan x =
adalah
vektor berukuran 2M dengan M adalah
bilangan bulat positif. Maka vektor data
tersebut dapat dihubungkan dengan potonganpotongan fungsi konstan pada interval [0,1]
yang biasa disebut fungsi tangga, dengan
persamaan :
fungsi tangga f(t) pada persamaan (1)
termasuk dalam L2 ([0,1]), sehingga
dekomposisi Wavelet dari f(t)adalah :
(Vidacovic & Meuller (1991) dalam Sunaryo
(2005)).
Persamaan
(2)
disebut
sebagai
transformasi Wavelet diskret, karena nilai j
hanya diambil pada bilangan bulat positif saja.
Bilangan j pada persamaan (2) disebut sebagai
resolusi dan f(t) dapat diperoleh secara tepat
jika diambil semua level resolusi untuk
dekomposisi, yaitu level resolusi 0 sampai
dengan (M-1). Koefisien c0,0 disebut koefisien
pemulusan atau bagian pendekatan dari suatu
fungsi, sedangkan dj,k disebut sebgai koefisien
Wavelet atau disebut juga bagian detail suatu
fungsi.
Dengan mengambil nilai
dan
untuk berbagai t, maka persamaan (2)
dapat dituliskan dengan notasi matriks,
(3)
x=WTd
dan karena W ortogonal, maka
d=W x
(4)
dengan
dan
d =
T
W
adalah matriks yang elemen-elemen
kolomnya adalah nilai dari
dan
. Sifat-sifat menarik
untuk berbagai t
dari matriks W T selain ortonormal adalah
kolom pertama bernilai sama, jumlah unsur
tiap kolom yang lain sama dengan nol.
Partial Least Square (PLS)
Partial Least Square (PLS) merupakan
suatu metode untuk menduga model yang
datanya memiliki jumlah peubah yang banyak
dan peubah-peubahya memiliki kolinearitas
yang tinggi. Selain itu, PLS memiliki
kemampuan
untuk
memodelkan
dan
menganalisis peubah Y secara bersamaan
(PLS2). PLS dikembangkan oleh Joreskog
dan Wold (1982) sebagai metode untuk
pendugaan model peubah laten yang diukur
tidak langsung oleh peubah penjelas.
PLS menggambarkan hubungan eksternal
(outer) dan hubungan internal (inner) antara
peubah bebas (X) dan peubah tak bebas (Y).
Hubungan eksternal ditulis dengan persamaan
berikut:
dimana X adalah peubah bebas, Y adalah
peubah tak bebas, T dan U adalah vektor skor
faktor komponen pertama, P dan Q adalah
vektor pembobot, E dan F masing-masing
adalah matriks residu X dan Y, th dan uh
adalah vektor skor faktor komponen pertama
ke-h, ph dan qh adalah vektor pembobot ke-h.
Keempat vektor tersebut diperoleh dengan
meminimumkan matriks residu E dan matriks
residu F. Hubungan antara X dan Y terbaik
diperoleh pada kondisi ||E|| dan ||F|| yang
minimum. Hubungan internal ditulis dengan
persamaan sebagai berikut:
(7)
(8)
Matriks residu ditulis dengan persamaan
sebagai berikut:
(9)
(10)
Faktor kedua dihitung berdasarkan residu E1
dan F1 yang diperoleh dengan cara yang sama
untuk faktor pertama, dengan h=1,2,3, ..., a.
Cara yang sama diulang sampai dengan faktor
terakhir a. Banyaknya faktor a ditentukan oleh
metode validasi silang yang bertujuan untuk
mengatasi overfitting. Overfitting terjadi
akibat banyaknya peubah lebih besar
dibandingkan dengan banyaknya pengamatan
dan juga saling berkorelasi, sehingga model
yang dibentuk sesuai dengan data contoh,
tetapi kurang baik untuk memprediksi data
yang bukan merupakan bagian dari data
penyusun model.
3
Partial Least Square
Discriminant Analysis (PLSDA)
Partial Least Squares Discriminant
Analysis (PLSDA) adalah salah satu metode
klasifikasi yang sering diterapkan dalam
bidang kemometrika dengan berlandaskan
pendekatan PLS (Barker dan Rayens (2003)
dalam Westerhuis et al. (2008). Standar
Algoritma PLS dapat dipergunakan dengan
vektor y yang tak bebas yang berupa data
kelompok. Di kasus dua kelompok, biasanya
nilai dari peubah tak bebas diberikan 1 untuk
satu kelompok dan 0 atau -1 untuk kelompok
lainnya. Jika lebih dari 2 kelompok, peubah
boneka didefinisikan dan algoritma yang
dipergunakan adalah PLS2 (Trygg dan Wold,
2002) dalam Westerhuis et al. (2008).
Kriteria Kebaikan Model
Untuk menentukan model terbaik
(keterandalan model), perlu memperhatikan
beberapa kriteria kebaikan model. Kriteria
yang digunakan adalah nilai Root Mean
Square Error of predictions (RMSEP) dengan
persamaan sebagai berikut:
dimana ŷi dan y adalah nilai dugaan dan
pengukuran pada contoh pengujian serta Np
adalah jumlah contoh pengujian (Naes et al.
2002). Model dikatakan baik jika memiliki
nilai RMSEP yang kecil.
kumis kucing dengan sambiloto dan reserpin
yang digambarkan pada Lampiran 2 dan 3.
Hasil dari keluaran FTIR tiga jenis obat
fitofarmaka (Tabel 1) berupa spektrumspektrum dengan matriks berukuran 39x1866
peubah. Analisis dilakukan terhadap tiga
kelompok data spektrum FTIR yaitu:
Satu komponen penyusun obat yang
terdiri dari ekstrak Seledri (SD), Bahan
Pengisi (BP), Kumis Kucing (KK),
Reserpin (RP) dan Sambiloto (SBL).
Kombinasi dua ekstrak tanpa Bahan
Pengisi yang terdiri dari ekstrak-ekstrak
Seledri-Kumis Kucing (SDKK), SeledriReserpin (SDRP) dan Seledri-Sambiloto
(SDSBL).
Kombinasi tiga ekstrak yang terdiri dari
ekstrak-ekstrak Seledri-Kumis KucingBahan Pengisi (SDKKBP), SeledriReserpin-Bahan Pengisi (SDRPBP) dan
Seledri-Sambiloto-Bahan
Pengisi
(SDSBLBP).
Data yang digunakan dalam melakukan
analisis berupa data keseluruhan, data sidik
jari dengan 831 bilangan gelombang, 1024
bilangan gelombang data sidik jari, dan data
hasil TWD dari ketiga kelompok komponen
ekstrak.
Tabel 1 Struktur komponen penyusun obat
Jenis Obat
SDKKBP
SDRPBP
BAHAN DAN METODE
SDSBLBP
Bahan
Bahan yang digunakan adalah data
sekunder dari penelitian Fundamental IPB
dengan judul “Model Otentikasi Komposisi
Obat Bahan Alam: Diagram Kontrol Berbasis
Plot Komponen Utama Spektra FTIR Bahan
Penyusun Obat tahun 2007” dengan bahan
alam penyusun Tensigard®. Tensigard®
merupakan merk obat bahan alam yang
berguna untuk penurunan tekanan darah
dengan komponen penyusunnya terdiri dari
ekstrak seledri dan kumis kucing.
Data spektrum FTIR diukur berdasarkan
rancangan 13 komposisi dari ekstrak seledri,
kumis
kucing
dan
bahan
pengisi
menggunakan rancangan simplex lattice
design yang diulang sebanyak 3 kali yang
digambarkan pada Lampiran 1. Untuk
mendapatkan model adulterasi, pengukuran
spektrum FTIR diulang dengan mensubstitusi
1.
2.
Komponen Penyusun
Seledri (SD), Kumis Kucing (KK),
Bahan Pengisi (BP)
Seledri (SD), Reserpin (RP),
Bahan Pengisi (BP)
Seledri (SD), Sambiloto (SBL),
Bahan Pengisi (BP)
Metode
Tahapan eksplorasi data dan penyusunan
struktur data. Pada tahapan ini, hasil
FTIR dari ketiga obat bahan alam disusun
menjadi satu komponen ekstrak, dua
komponen ekstrak, dan tiga komponen
ekstrak dengan X adalah peubah-peubah
yang merupakan bilangan gelombang dan
Y berupa data kelompok yang merupakan
peubah boneka.
Metode Wavelet yang digunakan adalah
Transformasi Wavelet Diskret (TWD).
TWD dilakukan terhadap 1024 titik
bilangan gelombang data sidik jari yang
menghasilkan data baru dengan jumlah
peubah (bilangan gelombang) sebanyak
512 (data 512), 256 (data 256), 128 (data
128), 64 (data 64), dan 32 (data 32).
4
Melakukan analisis Partial Least Square
Discriminant Analysis (PLSDA) pada
langkah 2 dan 3 dengan kriteria pemilihan
model yaitu nilai RMSEP dan jumlah
peubah laten yang paling kecil dan
tingkat ketepatan klasifikasi yang besar.
4. Membandingkan hasil analisis masingmasing komponen ekstrak pada langkah 4
sehingga diperoleh data yang lebih baik.
Metode Wavelet dan PLSDA dilakukan
dengan menggunakan software R versi 2.10.1
dengan paket yang digunakan adalah Caret
(PLSDA) dan Wavethresh (TWD).
3.
HASIL DAN PEMBAHASAN
Satu komponen ekstrak
Data spektrum FTIR untuk satu
komponen
ekstrak
dilakukan
dengan
mengambil beberapa jumlah peubah laten
kemudian memilih model dengan nilai
RMSEP yang paling kecil pada masingmasing data (Lampiran 4), apabila nilai
RMSEP yang paling kecil (masing-masing
komponen penyusun) tidak berada pada satu
peubah laten maka perlu membandingkan
dengan tingkat ketepatan prediksinya dan
yang terpilih adalah dengan tingkat ketepatan
prediksi yang lebih besar dan jumlah
komponen yang paling kecil (Lampiran 4).
Tabel 2 menunjukkan hasil PLSDA dengan
jumlah peubah laten yang terpilih untuk satu
komponen ekstrak pada masing-masing data.
Hasil PLSDA pada data keseluruhan
dipilih tujuh peubah laten dengan nilai
RMSEP Seledri (SD), Bahan Pengisi (BP),
Kumis Kucing (KK), Reserpin (RP) dan
Sambiloto (SBL) masing-masing adalah
0.0610, 0.1047, 0.1212, 0.1272, dan 0.1488.
Dari hasil tersebut diperoleh tingkat ketepatan
klasifikasi dengan tujuh peubah laten sebesar
100%. Untuk hasil PLSDA pada data sidik
jari dan data 1024 bilangan gelombang dipilih
tujuh peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100%.
Hasil yang berbeda ditunjukkan pada data
pereduksian TWD, untuk hasil PLSDA data
512 hasil TWD dan data 256 hasil TWD
dipilih empat peubah laten dengan tingkat
ketepatan klasifikasi sebesar 100%. Untuk
hasil PLSDA data 128 hasil TWD dan data 64
hasil TWD dipilih tiga peubah laten dengan
tingkat ketepatan klasifikasi sebesar 100%.
Pada hasil PLSDA untuk data 32 hasil TWD
dipilih empat peubah laten dengan tingkat
ketepatan klasifikasi sebesar 100%.
Untuk satu komponen ekstrak, data sidik
jari, data 256 hasil TWD, data 128 hasil
TWD, dan data 64 hasil TWD relatif
memberikan hasil yang lebih baik yang
ditunjukkan dengan tingkat ketepatan
klasifikasi sebesar 100% dan nilai RMSEP
yang paling kecil di salah satu komponen
penyusunnya dibandingkan data lainnya pada
komponen penyusun yang sama. Spektrum
FTIR yang berasal dari Seledri (SD) dan
Sambiloto (SBL) menghasilkan ketepatan
prediksi klasifikasi sebesar 100% pada semua
data dan jumlah peubah latennya yang
ditunjukkan pada Lampiran 5.
Dua komponen ekstrak
Seperti pada satu komponen ekstrak, data
spektrum FTIR untuk dua komponen ekstrak
dilakukan dengan mengambil beberapa
jumlah peubah laten kemudian memilih model
dengan nilai RMSEP yang paling kecil pada
masing-masing data (Lampiran 6). Tabel 3
menunjukkan hasil PLSDA dengan jumlah
peubah laten terpilih pada masing-masing
data untuk dua komponen ekstrak.
Tabel 2 Tabel kontingensi hasil PLSDA untuk satu komponen ekstrak
Jumlah
RMSEP
Peubah
Jenis Data
Laten
SD
BP
KK
RP
Data keseluruhan
7
Sidik jari
1024 bil. Gelombang
512 hasil TWD
256 hasil TWD
7
7
4
4
128 hasil TWD
64 hasil TWD
32 hasil TWD
3
3
4
0.0610
0.0474
0.0558
0.1107
0.1032
0.1047
0.0613
0.0637
0.0932
0.0834
0.1212
0.1577
0.1511
0.1265
0.1264
0.1314
0.1114
0.0660
0.0667
0.0645
0.1037
0.1272
0.1784
0.0380
0.1272
0.0642
0.0642
0.0436
0.0382
0.0589
0.0519
0.0716
SBL
Tingkat
Ketepatan
Klasifikasi
0.1488
0.1648
0.1582
0.1667
0.1675
100%
100%
100%
100%
100%
0.1435
0.1269
0.1593
100%
100%
100%
5
Tabel 3 Tabel kontingensi hasil PLSDA untuk dua komponen ekstrak
Jumlah
RMSEP
Jenis Data
Peubah
SDKK
SDRP
SDSBL
Laten
Data keseluruhan
Sidik jari
1024 bil. Gelombang
512 hasil TWD
256 hasil TWD
5
5
5
6
5
0.3382
0.3612
0.3580
0.3245
0.2779
128 hasil TWD
64 hasil TWD
32 hasil TWD
3
3
3
0.2501
0.2696
0.2670
0.2025
0.1909
0.1958
0.2544
0.2251
0.2190
0.3495
0.3335
0.3184
0.2841
0.2656
0.2753
0.1590
0.1755
0.2567
0.2926
Tabel 4 Tabel kontingensi hasil PLSDA untuk tiga komponen ekstrak
Jumlah
RMSEP
Peubah
Jenis Data
Laten
SDKKBP
SDRPBP
SDSBLBP
Data keseluruhan
Sidik jari
1024 bil. Gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
5
5
5
4
4
4
0.4276
0.5484
0.6418
0.5193
0.4365
0.5989
0.4783
0.5400
0.6098
0.5022
0.3562
0.4357
0.4725
0.3760
0.4516
0.4521
0.3536
0.4234
64 hasil TWD
32 hasil TWD
4
4
0.4405
0.3533
0.4522
0.4528
0.4037
0.4557
Hasil PLSDA pada data keseluruhan
dipilih lima peubah laten dengan nilai RMSEP
Seledri-Kumis Kucing (SDKK), SeledriReserpin (SDRP) dan Seledri-Sambiloto
(SDSBL) masing-masing adalah 0.3382,
0.2025, dan 0.3495. Dari hasil tersebut
kemudian diperoleh tingkat ketepatan
klasifikasi dengan lima peubah laten sebesar
100%. Untuk PLSDA pada data sidik jari dan
data 1024 bilangan gelombang diplih lima
peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100%.
Pada hasil PLSDA untuk data
pereduksian TWD mengalami perubahan
jumlah peubah laten yang dipilih. Hasil
PLSDA untuk data 512 hasil TWD dipilih
enam peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100% dan untuk data 256
hasil TWD dipilih lima peubah laten dengan
tingkat ketepatan klasifikasi sebesar 100%.
Hasil PLSDA untuk data 128 hasil TWD, data
64 hasil TWD, dan data 32 hasil TWD dipilih
tiga peubah laten dengan tingkat ketepatan
klasifikasi sebesar 100%.
Dari hasil tersebut untuk dua komponen
ekstrak, data 128 hasil TWD dan data 64 hasil
TWD relatif memberikan hasil yang lebih
Tingkat
Ketepatan
Klasifikasi
100%
100%
100%
100%
100%
100%
100%
100%
Tingkat
Ketepatan
Klasifikasi
69.44%
72.22%
77.78%
83.33%
83.33%
80.56%
80.56%
80.56%
baik yang ditunjukkan dengan tingkat
ketepatan klasifikasi sebesar 100% dan nilai
RMSEP yang paling kecil di salah satu
komponen penyusunnya dibandingkan data
lainnya pada komponen penyusun yang sama.
Spektrum FTIR yang berasal dari SeledriReserpin (SDRP) menghasilkan ketepatan
prediksi klasifikasi mendekati 100% pada
semua data dan jumlah peubah latennya yang
ditunjukkan pada Lampiran 7.
Tiga komponen ekstrak
Data spektrum FTIR untuk tiga
komponen
ekstrak
dilakukan
dengan
mengambil beberapa jumlah peubah laten
kemudian memilih model dengan nilai
RMSEP yang paling kecil pada masingmasing data (Lampiran 8). Tabel 4
menunjukkan hasil PLSDA dengan jumlah
peubah laten terpilih pada masing-masing data
untuk tiga komponen ekstrak.
Hasil PLSDA pada data keseluruhan
dipilih lima peubah laten dengan nilai RMSEP
Seledri-Kumis
Kucing-Bahan
Pengisi
(SDKKBP), Seledri-Reserpin-Bahan Pengisi
(SDRPBP), dan Seledri-Sambiloto-Bahan
Pengisi (SDSBLBP) sebesar 0.4276, 0.5484,
6
0.6418 dengan tingkat ketepatan klasifikasi
sebesar 69.44% dan tingkat ketepatan
klasifikasi masing-masing sebesar 75%,
91.67%, dan 41,67%. Untuk hasil PLSDA
pada data sidik jari dan data 1024 bilangan
gelombang diplih lima peubah laten dengan
tingkat ketepatan klasifikasi masing-masing
sebesar 72.22% dan 77.78%.
Untuk hasil PLSDA data 512 hasil TWD
dan data 256 hasil TWD dipilih empat peubah
laten dengan tingkat ketepatan klasifikasi
sebesar 83.33%. Sementara itu, hasil PLSDA
pada data 128 hasil TWD, data 64 hasil TWD,
dan data 32 hasil TWD dipilih empat peubah
laten dengan prediksi klasifikasi sebesar
80.56%.
Dari hasil tersebut dapat disimpulkan,
untuk tiga komponen ekstrak, data
keseluruhan, data 512 hasil TWD, dan data 64
hasil TWD meiliki nilai RMSEP yang paling
kecil di salah satu komponen penyusunnya.
Namun data 512 hasil TWD relatif
memberikan hasil yang lebih baik yang
ditunjukkan dengan tingkat ketepatan
klasifikasi sebesar 83.33%. Spektrum FTIR
yang berasal dari Seledri-Reserpin-Bahan
Pengisi (SDRPBP) dan Seledri-SambilotoBahan
Pengisi
(SDSBLBP)
memiliki
ketepatan prediksi klasifikasi yang lebih baik
dibandingkan dengan Seledri-Kumis KucingBahan Pengisi (SDKKBP) yang ditunjukkan
pada Lampiran 9.
SIMPULAN
Penggunaan metode PLSDA dapat
mendeteksi adanya adulterasi pada satu
komponen ekstrak dan kombinasi dua ekstrak
tanpa Bahan Pengisi yang menghasilkan
tingkat ketepatan klasifikasi sebesar 100%.
Penggunaan metode PLSDA untuk kombinasi
tiga ekstrak masih belum mampu mendeteksi
adanya adulterasi 100%.
PLSDA memberikan klasifikasi dan
tingkat ketepatan yang baik dengan semakin
kecilnya nilai RMSEP. Semakin banyaknya
campuran komponen ekstrak penyusun obat
bahan alam yang memiliki karakteristik mirip,
tingkat
ketepatan
klasifikasi
semakin
berkurang. Penggunaan data hasil pereduksian
menggunakan metode Transformasi Wavelet
Diskret (TWD) dan PLSDA memberikan hasil
yang lebih baik.
DAFTAR PUSTAKA
Giwangkara EG. 2007. Spektrofotometri Infra
Merah. http://www.chem-is-try.org/
artikel_kimia/kimia_analisis/spektrofoto
metri_infra_merah/ ( 02 Juni 2009).
Naes T, et al. 2002. A User-Friendly Guide to
Multivariate
Calibration
and
Classification. United Kingdom : NIR
Publications Chicester.
Nur MA dan Adijuwana H. 1989. Teknik
Spektroskopi dalam Analisis Biologi.
Bogor: Pusat Antar Universitas Ilmu
Hayat. Institut Pertanian Bogor.
Soleh AM. 2009. Analisis Diskriminan Linier
untuk Klasifikasi Komponen Obat Bahan
Alam Berdasarkan Spektrum Inframerah
Studi Kasus : Obat Bahan Alam/
Fitofarmaka Penurun Tekanan Darah.
Prosiding Seminar ITS. Surabaya.
Soleh AM, Darusman LK, dan Rafi M. 2008.
Model Otentikasi Komposisi Obat Bahan
Alam Berdasarkan Spektra Inframerah
dan Komponen Utama Studi Kasus: Obat
Bahan Alam/ Fitofarmaka Penurun
Tekanan Darah. Bogor: Departemen
Statistika Institut Pertanian Bogor. Forum
Statistika dan Komputasi 13(1): 1-6.
Sunaryo S. 2005. Model Kalibrasi Dengan
Transformasi Wavelet sebagai metode
Pra-pemrosesan.
[Disertasi].
Bogor.
Program Pascasarjana. Institut Pertanian
Bogor.
Westerhuis JA, et al. 2009. Assessment of
PLSDA Cross Validation. Metabolomics
4:81-89
LAMPIRAN
8
Lampiran 1. Simplex Lattice Design {3,3} untuk kombinasi SDKKBP
Simplex Design Plot in Amounts
Seledri
1
13
12
11
10
0
0
9
8
7
6
4
5
3
2
1
0
1
1
Kumis Kucing
Bahan Pengisi
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
1
2
3
4
5
6
7
8
9
10
11
12
13
Presentase Campuran
Seledri Kumis Kucing Bahan Pengisi
0.00
0.00
0.00
0.00
16.67
16.67
33.33
33.33
33.33
66.67
66.67
66.67
100
0.00
33.33
66.67
100
16.67
66.67
0.00
33.33
66.67
0.00
16.67
33.33
0.00
100
66.67
33.33
0.00
66.67
16.67
66.67
33.33
0.00
33.33
16.67
0.00
0.00
9
Lampiran 2. Simplex Lattice Design {3,3} untuk kombinasi SDRPBP
Simplex Design Plot in Amounts
Seledri
1
13
12
11
10
0
0
9
8
7
6
4
5
3
2
0
1
Reserpin
1
1
Bahan Pengisi
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
1
2
3
4
5
6
7
8
9
10
11
12
13
Presentase Campuran
Seledri Reserpin Bahan Pengisi
0.00
0.00
100
0.00
33.33
66.67
0.00
66.67
33.33
0.00
100
0.00
16.67
16.67
66.67
16.67
66.67
16.67
33.33
0.00
66.67
33.33
33.33
33.33
33.33
66.67
0.00
66.67
0.00
33.33
66.67
16.67
16.67
66.67
33.33
0.00
100
0.00
0.00
10
Lampiran 3. Simplex Lattice Design {3,3} untuk kombinasi SDSBLBP
Simplex Design Plot in Amounts
Seledri
1
13
12
11
10
0
0
9
8
7
6
4
5
3
2
0
1
1
1
Sambiloto
Bahan Pengisi
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
1
2
3
4
5
6
7
8
9
10
11
12
13
Presentase Campuran
Seledri Sambiloto Bahan Pengisi
0.00
0.00
0.00
0.00
16.67
16.67
33.33
33.33
33.33
66.67
66.67
66.67
100
0.00
33.33
66.67
100
16.67
66.67
0.00
33.33
66.67
0.00
16.67
33.33
0.00
100
66.67
33.33
0.00
66.67
16.67
66.67
33.33
0.00
33.33
16.67
0.00
0.00
11
Lampiran 4. Nilai RMSEP hasil PLSDA untuk satu komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Komponen
Penyusun
Jumlah Peubah Laten
1
2
3
4
5
6
7
Seledri
0.1528
0.1402
0.1074
0.1004
0.1110
0.1057
0.0610
Bahan Pengisi
0.4033
0.3282
0.3041
0.3164
0.2702
0.2575
0.1047
Kumis Kucing
0.3316
0.3582
0.2892
0.2220
0.1244
0.1234
0.1212
Reserpin
0.3157
0.3181
0.3205
0.3369
0.2507
0.2313
0.1272
Sambiloto
0.3342
0.2613
0.2973
0.2884
0.2216
0.2214
0.1488
Seledri
0.3322
0.1959
0.1107
0.1118
0.0895
0.0937
0.0474
Bahan Pengisi
0.3210
0.3290
0.2888
0.3024
0.2445
0.1307
0.0613
Kumis Kucing
0.3272
0.3864
0.4005
0.3883
0.2534
0.2404
0.1577
Reserpin
0.3175
0.3192
0.3355
0.3503
0.2597
0.1758
0.0642
Sambiloto
0.3274
0.2561
0.2957
0.3002
0.2040
0.1610
0.1648
Seledri
0.2870
0.1623
0.1213
0.1234
0.1289
0.1228
0.0558
Bahan Pengisi
0.3309
0.3358
0.2984
0.3092
0.2447
0.2074
0.0637
Kumis Kucing
0.3283
0.3772
0.3798
0.3730
0.2653
0.2838
0.1511
Reserpin
0.3174
0.3188
0.3391
0.3459
0.2503
0.2472
0.0642
Sambiloto
0.3299
0.2542
0.3070
0.3102
0.2186
0.1915
0.1582
Seledri
0.2485
0.2598
0.1770
0.1665
0.1107
0.0829
0.0713
Bahan Pengisi
0.3401
0.2683
0.1785
0.0824
0.0932
0.0956
0.0929
Kumis Kucing
0.3282
0.3307
0.3780
0.1505
0.1265
0.1417
0.1379
Reserpin
0.3201
0.2454
0.0450
0.0429
0.0436
0.0442
0.0431
Sambiloto
0.3284
0.3496
0.1740
0.1415
0.1667
0.1737
0.1683
Seledri
0.2500
0.2522
0.1599
0.1461
0.1032
0.0692
0.0594
Bahan Pengisi
0.3385
0.2796
0.1577
0.0708
0.0834
0.0837
0.0596
Kumis Kucing
0.3282
0.3322
0.3721
0.1271
0.1264
0.1274
0.1629
Reserpin
0.3201
0.2840
0.0433
0.0400
0.0382
0.0385
0.0395
Sambiloto
0.3283
0.3301
0.1927
0.1369
0.1675
0.1622
0.1819
Seledri
0.2515
0.1992
0.1228
0.1314
0.1013
0.0761
0.0608
Bahan Pengisi
0.3292
0.3775
0.1429
0.0660
0.0724
0.0699
0.0423
Kumis Kucing
0.3283
0.3236
0.3243
0.1037
0.1328
0.1551
0.1851
Reserpin
0.3211
0.2820
0.1357
0.0589
0.0393
0.0391
0.0401
Sambiloto
0.3282
0.2891
0.3145
0.1435
0.1694
0.1726
0.1903
Seledri
0.2962
0.1245
0.1062
0.1114
0.0538
0.0501
0.0563
Bahan Pengisi
0.3248
0.2694
0.1257
0.0667
0.0644
0.0556
0.0558
Kumis Kucing
0.3272
0.3040
0.2664
0.1272
0.1378
0.1736
0.1586
Reserpin
0.3179
0.3243
0.1316
0.0519
0.0478
0.0465
0.0469
Sambiloto
0.3268
0.2854
0.3268
0.1269
0.1483
0.1698
0.1694
Seledri
0.1857
0.0972
0.0610
0.0629
0.0380
0.0321
0.0330
Bahan Pengisi
0.3580
0.2808
0.3386
0.1212
0.0645
0.0599
0.0623
Kumis Kucing
0.3286
0.3457
0.1953
0.1152
0.1784
0.1854
0.2153
Reserpin
0.3194
0.3218
0.3519
0.1142
0.0716
0.0799
0.0773
Sambiloto
0.3292
0.2120
0.1990
0.1432
0.1593
0.1756
0.2001
12
Lampiran 5. Ketepatan prediksi hasil PLSDA untuk satu komponen ekstrak
Jenis Data
Data
Keseluruhan
Sidik Jari
1024
bilangan
gelombang
512 hasil
TWD
256 hasil
TWD
Jumlah
Peubah
Laten
Bahan Pengisi
Kumis Kucing
Reserpin
Sambiloto
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
3(100%)
9(100%)
77.78%
3
9(100%)
2(66.67%)
0(0%)
1(33.33%)
9(100%)
77.78%
4
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
2(66.67%)
9(100%)
74.07%
3
9(100%)
1(33.33%)
0(0%)
2(66.67%)
9(100%)
77.78%
4
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
3(100%)
9(100%)
77.78%
3
9(100%)
2(66.67%)
0(0%)
2(66.67%)
9(100%)
81.48%
4
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
3(100%)
0(0%)
9(100%)
77.78%
3
9(100%)
0(0%)
3(100%)
3(100%)
9(100%)
88.89%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
3(100%)
0(0%)
9(100%)
77.78%
3
9(100%)
0(0%)
3(100%)
3(100%)
9(100%)
88.89%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
Komponen Penyusun (prediksi benar)
Seledri
Total Prediksi
Benar
13
Jenis
Data
128
hasil
TWD
64 hasil
TWD
32 hasil
TWD
Jumlah
Peubah
Laten
Bahan Pengisi
Kumis Kucing
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
2(66.67%)
2(66.67%)
9(100%)
81.48%
3
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
3(100%)
0(0%)
1(33.33%)
9(100%)
81.48%
3
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
1
9(100%)
0(0%)
0(0%)
0(0%)
9(100%)
66.67%
2
9(100%)
0(0%)
0(0%)
3(100%)
9(100%)
77.78%
3
9(100%)
3(100%)
0(0%)
3(100%)
9(100%)
88.89%
4
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
5
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
6
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
7
9(100%)
3(100%)
3(100%)
3(100%)
9(100%)
100%
Komponen Penyusun (prediksi benar)
Reserpin
Sambiloto
Seledri
Total Prediksi
Benar
14
Lampiran 6. Nilai RMSEP hasil PLSDA untuk dua komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah Peubah Laten
Komponen
Penyusun
1
2
3
4
5
6
SDKK
0.5163
0.5185
0.4954
0.3774
0.3382
0.3526
SDRP
0.3974
0.2253
0.1764
0.1844
0.2025
0.2574
SDSBL
0.4602
0.4590
0.4918
0.3863
0.3495
0.3648
SDKK
0.5118
0.4889
0.5972
0.3844
0.3612
0.3953
SDRP
0.3699
0.1927
0.1908
0.1868
0.1909
0.2014
SDSBL
0.4543
0.4684
0.5880
0.3891
0.3335
0.3669
SDKK
0.5099
0.4989
0.5123
0.4196
0.3580
0.3784
SDRP
0.3587
0.1912
0.1893
0.1786
0.1958
0.2246
SDSBL
0.4501
0.4566
0.4807
0.3964
0.3184
0.3464
SDKK
0.5379
0.5813
0.3786
0.3727
0.3515
0.3245
SDRP
0.4836
0.4365
0.3091
0.2795
0.2751
0.2544
SDSBL
0.4997
0.3338
0.3071
0.3356
0.3325
0.2841
SDKK
0.5511
0.6194
0.3426
0.2979
0.2779
0.3138
SDRP
0.4537
0.4932
0.2844
0.2420
0.2251
0.2202
SDSBL
0.4327
0.3751
0.2978
0.3199
0.2656
0.2811
SDKK
0.5395
0.3213
0.2501
0.2500
0.2670
0.3146
SDRP
0.4021
0.2949
0.2190
0.2100
0.1848
0.2086
SDSBL
0.3187
0.2851
0.2753
0.3020
0.2721
0.3118
SDKK
0.4718
0.3194
0.2696
0.3210
0.3627
0.3575
SDRP
0.1675
0.1702
0.1590
0.1762
0.1758
0.1676
SDSBL
0.4447
0.3022
0.2567
0.3028
0.3254
0.3305
SDKK
0.5008
0.3314
0.2670
0.2886
0.2793
0.3233
SDRP
0.2390
0.2351
0.1755
0.1543
0.1492
0.1586
SDSBL
0.4221
0.3104
0.2926
0.2980
0.2679
0.2945
Lampiran 7. Ketepatan prediksi hasil PLSDA untuk dua komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKK
SDRP
SDSBL
Total Prediksi
Benar
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
1(16.67%)
6(100%)
5(83.33%)
66.67%
3
5(83.33%)
6(100%)
4(66.67%)
83.33%
4
6(100%)
6(100%)
5(83.33%)
94.44%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
3(50%)
6(100%)
5(83.33%)
77.78%
3
6(100%)
6(100%)
5(83.33%)
94.44%
4
6(100%)
6(100%)
5(83.33%)
94.44%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
15
Jenis Data
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKK
SDRP
SDSBL
Total Prediksi
Benar
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
3(50%)
6(100%)
5(83.33%)
77.78%
3
5(83.33%)
6(100%)
4(66.67%)
83.33%
4
6(100%)
6(100%)
5(83.33%)
94.44%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
4(66.67%)
4(66.67%)
44.44%
2
2(33.33%)
6(100%)
6(100%)
77.78%
3
6(100%)
6(100%)
5(83.33%)
94.44%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
5(83.33%)
61.11%
2
2(33.33%)
6(100%)
6(100%)
77.78%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
6(100%)
66.67%
2
6(100%)
6(100%)
6(100%)
100%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
6(100%)
66.67%
2
6(100%)
6(100%)
6(100%)
100%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
1
0(0%)
6(100%)
6(100%)
66.67%
2
6(100%)
6(100%)
6(100%)
100%
3
6(100%)
6(100%)
6(100%)
100%
4
6(100%)
6(100%)
6(100%)
100%
5
6(100%)
6(100%)
6(100%)
100%
6
6(100%)
6(100%)
6(100%)
100%
16
Lampiran 8. Nilai RMSEP hasil PLSDA untuk tiga komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah Peubah Laten
Komponen
Penyusun
1
2
3
4
5
6
SDKKBP
0.4871
0.5034
0.5262
0.4801
0.4276
0.6666
SDRPBP
0.4817
0.4946
0.6732
0.6519
0.5484
0.7013
SDSBLBP
0.4499
0.4841
0.5958
0.6242
0.6418
1.1610
SDKKBP
0.4821
0.4968
0.5412
0.5715
0.5193
0.5556
SDRPBP
0.4899
0.4945
0.5143
0.4956
0.4365
0.4959
SDSBLBP
0.4537
0.4665
0.5374
0.5900
0.5989
0.7260
SDKKBP
0.4842
0.4941
0.5227
0.5362
0.4783
0.4867
SDRPBP
0.4849
0.4955
0.5302
0.5286
0.5400
0.6513
SDSBLBP
0.4534
0.4674
0.5067
0.6072
0.6098
0.8664
SDKKBP
0.5016
0.4943
0.5351
0.5022
0.5046
0.5097
SDRPBP
0.4817
0.3649
0.3720
0.3562
0.3569
0.3552
SDSBLBP
0.4988
0.4688
0.4706
0.4357
0.4356
0.4382
SDKKBP
0.5015
0.4944
0.5110
0.4725
0.4700
0.4798
SDRPBP
0.4800
0.3678
0.3822
0.3760
0.3703
0.3753
SDSBLBP
0.4984
0.4775
0.4889
0.4516
0.4589
0.4538
SDKKBP
0.5026
0.5243
0.4903
0.4521
0.4919
0.5000
SDRPBP
0.4780
0.3863
0.3726
0.3536
0.3634
0.3761
SDSBLBP
0.5002
0.4598
0.4486
0.4234
0.4612
0.4678
SDKKBP
0.5070
0.5146
0.4597
0.4405
0.4952
0.5155
SDRPBP
0.4802
0.4730
0.4084
0.3533
0.3955
0.4188
SDSBLBP
0.5131
0.4490
0.4622
0.4522
0.4905
0.5203
SDKKBP
0.5143
0.5602
0.4989
0.4528
0.4667
0.4760
SDRPBP
0.4774
0.4820
0.4424
0.4037
0.4156
0.3728
SDSBLBP
0.5111
0.5057
0.4560
0.4557
0.4905
0.4674
Lampiran 9. Ketepatan prediksi hasil PLSDA untuk tiga komponen ekstrak
Jenis Data
Data Keseluruhan
Sidik Jari
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKKBP
SDRPBP
SDSBLBP
Total Prediksi
Benar
1
0(0%)
9(75%)
4(33.33%)
47.22%
2
5(41.67%)
5(41.67%)
5(41.67%)
41.67%
3
2(16.67%)
7(58.33%)
9(75%)
50%
4
7(58.33%)
10(83.33%)
8(66.67%)
69.44%
5
9(75%)
11(91.67%)
5(41.67%)
69.44%
6
9(75%)
11(91.67%)
9(75%)
80.56%
1
6(50%)
0(0%)
9(75%)
41.67%
2
6(50%)
5(41.67%)
5(41.67%)
44.44%
3
4(33.33%)
3(25%)
9(75%)
44.44%
4
2(16.67%)
7(58.33%)
9(75%)
50%
5
7(58.33%)
10(83.33%)
9(75%)
72.22%
6
7(58.33%)
12(100%)
10(83.33%)
80.56%
17
Jenis Data
1024 bilangan gelombang
512 hasil TWD
256 hasil TWD
128 hasil TWD
64 hasil TWD
32 hasil TWD
Jumlah
Peubah
Laten
Komponen Penyusun (prediksi benar)
SDKKBP
SDRPBP
SDSBLBP
Total Prediksi
Benar
1
6(50%)
0(0%)
8(66.67%)
38.89%
2
6(50%)
4(33.33%)
4(33.33%)
38.89%
3
4(33.33%)
4(33.33%)
7(58.33%)
41.67%
4
2(16.67%)
8(66.67%)
9(75%)
52.78%
5
8(66.67%)
11(91.67%)
9(75%)
77.78%
6
6(50%)
12(100%)
11(91.67%)
80.56%
1
0(0%)
8(66.67%)
5(41.67%)
36.11%
2
0(0%)
11(91.67%)
12(100%)
63.89%
3
8(66.67%)
10(83.33%)
10(83.33%)
77.78%
4
7(58.33%)
11(91.67%)
12(100%)
83.33%
5
8(66.67%)
11(91.67%)
12(100%)
86.11%
6
8(66.67%)
11(91.67%)
12(100%)
86.11%
1
0(0%)
8(66.67%)
5(41.67%)
36.11%
2
0(0%)
12(100%)
12(100%)
66.67%
3
7(58.33%)
11(91.67%)
9(75%)
75%
4
7(58.33%)
11(91.67%)
12(100%)
83.33%
5
7(58.33%)
11(91.67%)
12(100%)
83.33%
6
8(66.67%)
11(91.67%)
12(100%)
86.11%
1
0(0%)
8(66.67%)
5(41.67%)
36.11%
2
0(0%)
11(91.67%)
11(91.67%)
61.11%
3
7(58.33%)
11(91.67%)
10(83.33%)
77.78%
4
6(50%)
11(91.67%)
12(100%)
80.56%
5
7(58.33%)
11(91.67%)
12(100%)
83.33%
6
8(66.67%)
12(100%)
12(100%)
88.89%
1
8(66.67%)
8(66.67%)
0(0%)
44.44%
2
2(16.67%)
7(58.33%)
10(83.33%)
52.78%
3
8(66.67%)
11(91.67%)
10(83.33%)
80.56%
4
7(58.33%)
11(91.67%)
11(91.67%)
80.56%
5
8(66.67%)
12(100%)
11(91.67%)
86.11%
6
7(58.33%)
12(100%)
11(91.67%)
83.33%
1
0(0%)
9(75%)
5(41.67%)
38.89
2
1(8.33%)
10(83.33%)
9(75%)
55.56%
3
6(50%)
10(83.33%)
9(75%)
69.44%
4
7(58.33%)
12(100%)
10(83.33%)
80.56%
5
8(66.67%)
12(100%)
11(91.67%)
86.11%
6
8(66.67%)
12(100%)
12(100%)
88.89%