Dapat dilihat pada kurva setiap titik dilewati oleh garis linier yang menunjukkan hubungan yang sangat baik antara nilai sebenarnya dan nilai
terhitung.
C. Validasi Model Kalibrasi Multivariat Partial Least Square PLS
Konfirmasi terhadap kebaikan suatu model dalam menetapkan suatu data dapat dilakukan dengan melakukan validasi. Salah satu kendala dalam pembuatan
model kalibrasi dengan metode partial least square adalah terjadinya overfitting. Terjadinya overfitting dapat menimbulkan permasalahan saat melakukan
penetapan suatu data lain data baru meskipun model kalibrasi yang dihasilkan memiliki kriteria yang baik seperti mampu memberikan korelasi yang baik
maupun kesalahan prediksi yang kecil. Masalah overfitting dapat diatasi dengan adanya metode cross validation leave one out. Pada cross validation leave one out
data yang digunakan berasal dari set kalibrasi dengan mengeluarkan satu data dan memprediksi hasilnya menggunakan persamaan dari data yang tersisa. Data yang
diuji diperlakukan sebagai data sampel sedangkan data yang tersisa sebagai prediktor. Hal ini diulang terus menerus hingga tiap sampel diuji sebagai data
sampel. Hasil cross validation leave one out berupa nilai PRESS predicted
residual error sum of square yang menunjukkan kesalahan prediksi yang terjadi, semakin kecil nilai PRESS maka semakin baik hasil prediksi yang dihasilkan oleh
model. Parameter yang digunakan untuk melihat hasil validasi cross validation leave one out berupa nilai RMSECV root mean square error of calibration
validation dan nilai R
2
dapat dilihat pada tabel IV.
Tabel IIV. Nilai sebenarnya dan terhitung hasil kalibrasi PLS dari set kalibrasi yang mengandung parasetamol PCT dan kafein CAF validasi silang cross
validation pada panjang gelombang 220 –310 nm
Nomor Campuran
Konsentrasi µgmL PCT
CAF Sebenarnya
Terhitung Sebenarnya
Terhitung 1
6,3969 6,9175
0,9905 0,9884
2
5,7967 5,9510
0,5999 0,5998
3
4,3041 4,4342
0,6036 0,6053
4
5,6999 5,8070
0,8115 0,8138
5
7,0080 7,2430
0,7707 0,7615
6
4,4904 4,3591
0,4897 0,4856
7
6,8925 7,1234
0,9939 0,9914
8
5,5027 5,0628
0,9040 0,9054
9
6,3059 6,2052
0,5880 0,5861
10
7,2043 6,7216
1,0832 1,0774
11
5,0987 5,2510
0,5976 0,5965
12
4,1016 4,2086
1,1110 1,1258
13
7,0007 7,0644
1,0029 1,0024
14
7,4103 7,7157
0,7077 0,7096
15
6,8993 6,7739
0,7960 0,7953
16
8,0983 8,0546
0,8999 0,9004
17
7,5935 7,7273
0,8248 0,8352
18
7,9950 7,6632
0,8138 0,8171
19
5,3060 5,2761
0,5077 0,5114
20
5,7953 5,6426
0,5036 0,5049
Persamaan : y = 0,987x+0,094
y = 1,003x - 0,002 RMSECV
0,0196 0,1435
R
2
0,957 0,999
PRESS 1,1892
0,0053
Semakin kecil nilai RMSECV root mean square error of calibration validation yang dihasilkan maka semakin baik kemampuan prediksi oleh model.
Koefisien determinasi R
2
yang mendekati 1 menunjukkan korelasi yang baik antara nilai sebenarnya dan nilai terhitung hasil prediksi. Nilai sebenarnya pada
tabel IV merupakan nilai yang diperoleh dari penetapan model kalibrasi sebelumnya, sementara nilai terhitung merupakan nilai prediksi yang terjadi pada
proses leave one out. Hubungan nilai sebenarnya dan nilai terhitung dinyatakan dalam persamaan linier, dimana persamaan linier untuk parasetamol y=
0,987x+0,094 dengan nilai RMSECV sebesar 0,0196, nilai R
2
sebesar 0,957, dan nilai PRESS sebesar 1,1892. Persamaan linier untuk kafein y = 1,003x-0,002
dengan nilai RMSECV sebesar 0,1435, nilai R
2
0,999, serta nilai PRESS sebesar 0,0053. Persamaan linier yang menggambarkan hubungan nilai sebenarnya dan
nilai terhitung dapat digambarkan dalam bentuk kurva yang ditunjukkan pada gambar 11 dan gambar 12.
Gambar 11. Kurva hubungan nilai sebenarnya dan nilai terhitung pada model kalibrasi parasetamol dengan cross validation leave one out
y = 0,9872x + 0,0949 R² = 0,9579
0,0000 2,0000
4,0000 6,0000
8,0000 10,0000
0,0000 2,0000
4,0000 6,0000
8,0000 10,0000
Kurva Hubungan Nilai Sebenarnya vs Nilai Terhitung Model Cross
Validation Parasetamol
Gambar 12. Kurva hubungan nilai sebenarnya dan nilai terhitung pada model kalibrasi kafein dengan cross validation leave one out.
Setelah dilakukan cross validation leave one out dimana telah diperoleh model yang dapat mengatasi permasalahan yang mungkin terjadi yaitu overfitting untuk
melihat kesahihan model hasil validasi silang leave one out dilakukan validasi eksternal. Hasil dari validasi eksternal dapat dilihat pada tabel V.
Tabel V. Nilai sebenarnya dan nilai terhitung dari parasetamol dan kafein hasil validasi eksternal
No PCT
CAF Sebenarnya
Terhitung Sebenarnya Terhitung
1 7,7
9,124 1,2
1,214 2
4,5 5,23
1,3 1,305
3 5,5
6,845 1,1
1,147 4
4,1 5,162
0,8 0,769
5 7,0
7,539 0,6
0,603 6
8,2 9,343
0,7 0,669
7 5,3
6,347 1,4
1,398 8
6,3 6,963
1,0 0,970
9 5,1
6,421 0,9
0,913 10
4,3 4,303
0,8 0,764
Persamaan y=1,097x + 0,363
y=1,043x – 0,047
R
2
0,933 0,992
RMSECP 1,263
0,072
y = 1,0039x - 0,0024 R² = 0,9993
0,0000 0,5000
1,0000 1,5000
0,0000 0,2000
0,4000 0,6000
0,8000 1,0000
1,2000
Kurva Hubungan Nilai Sebenarnya vs Nilai Terhitung Model Cross
Validation Kafein
Validasi eksternal dilakukan dengan cara menetapkan konsentrasi 10 larutan tersendiri yang disiapkan untuk melihat kemampuan prediksi dari model
kalibrasi setelah divalidasi silang leave one out. Hasil dari validasi eksternal dapat digunakan untuk melihat kemampuan prediksi model kalibrasi yang telah
melalui proses cross validation leave one out. Seluruh parameter yang digunakan sebagai tolak ukur kebaikan suatu
model dievaluasi ditunjukkan pada tabel VI.
Tabel VI. Evaluasi parameter validasi metode spektrofotometri UV-kalibrasi multivariat PLS untuk penetapan kadar parasetamol PCT dan kafein CAF
Tahap Parameter PCT
CAF Kalibarasi
RMSEC 0,0036
0,0027 R
2
0,999 0,999
A 0,0004
0,00002 B
1 1
Validasi Internal
RMSECV 0,0196 0,1435
R
2
0,957 0,999
A 0,094
0,002 B
0,987 1,003
PRESS 1,1892
0,0053 Validasi
Eksternal RMSECP 1,263
0,072 R
2
0,933 0,992
A 0,363
0,047 B
1,097 1,043
Dilihat dari parameter yang dihasilkan maka pemodelan memiliki akurasi dan presisi yang baik sehingga model dapat digunakan untuk melakukan
penetapan kadar sediaan farmasi.
D. Penetapan Kadar Sediaan Farmasi
