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
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.
.
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
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
Mengetahui :
Ketua Departemen,
(Dr. Ir. Hari Wijayanto, M.Si)
NIP : 196504211990021001
Tanggal Lulus :
Pembimbing I,
Pembimbing II,
(Dr. Ir. Erfiani, M.Si)
NIP : 196606061989032003
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.
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
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
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 ...82 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
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 (13000-4000 cm-1), infra merah pertengahan (4000-200 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.
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 potongan-potongan 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,
x = W T d (3) dan karena W ortogonal, maka
d = W x (4) dengan
d = dan
W T adalah matriks yang elemen-elemen kolomnya adalah nilai dari dan untuk berbagai t . Sifat-sifat menarik 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)
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.
BAHAN DAN METODE
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
kumis kucing dengan sambiloto dan reserpin yang digambarkan pada Lampiran 2 dan 3.
Hasil dari keluaran FTIR tiga jenis obat fitofarmaka (Tabel 1) berupa spektrum-spektrum 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 Kumis Kucing (SDKK), Seledri-Reserpin (SDRP) dan Seledri-Sambiloto (SDSBL).
Kombinasi tiga ekstrak yang terdiri dari ekstrak-ekstrak Seledri-Kumis Kucing-Bahan Pengisi (SDKKBP), Seledri-Reserpin-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 Komponen Penyusun
SDKKBP
Seledri (SD), Kumis Kucing (KK), Bahan Pengisi (BP)
SDRPBP
Seledri (SD), Reserpin (RP), Bahan Pengisi (BP)
SDSBLBP
Seledri (SD), Sambiloto (SBL), Bahan Pengisi (BP)
Metode
1. 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.
4
3. 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
masing-masing 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).
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 masing-masing 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
Jenis Data
Jumlah Peubah Laten
RMSEP Tingkat
Ketepatan Klasifikasi
SD BP KK RP SBL
Data keseluruhan 7 0.0610 0.1047 0.1212 0.1272 0.1488 100% Sidik jari 7 0.0474 0.0613 0.1577 0.0642 0.1648 100%
1024 bil. Gelombang 7 0.0558 0.0637 0.1511 0.0642 0.1582 100% 512 hasil TWD 4 0.1107 0.0932 0.1265 0.0436 0.1667 100% 256 hasil TWD 4 0.1032 0.0834 0.1264 0.0382 0.1675 100%
128 hasil TWD 3 0.1314 0.0660 0.1037 0.0589 0.1435 100%
64 hasil TWD 3 0.1114 0.0667 0.1272 0.0519 0.1269 100%
5
Tabel 3 Tabel kontingensi hasil PLSDA untuk dua komponen ekstrak
Jenis Data
Jumlah Peubah Laten
RMSEP Tingkat
Ketepatan Klasifikasi
SDKK SDRP SDSBL
Data keseluruhan 5 0.3382 0.2025 0.3495 100%
Sidik jari 5 0.3612 0.1909 0.3335 100%
1024 bil. Gelombang 5 0.3580 0.1958 0.3184 100%
512 hasil TWD 6 0.3245 0.2544 0.2841 100%
256 hasil TWD 5 0.2779 0.2251 0.2656 100%
128 hasil TWD 3 0.2501 0.2190 0.2753 100%
64 hasil TWD 3 0.2696 0.1590 0.2567 100%
32 hasil TWD 3 0.2670 0.1755 0.2926 100%
Tabel 4 Tabel kontingensi hasil PLSDA untuk tiga komponen ekstrak
Jenis Data
Jumlah Peubah Laten
RMSEP Tingkat
Ketepatan Klasifikasi SDKKBP SDRPBP SDSBLBP
Data keseluruhan 5 0.4276 0.5484 0.6418 69.44%
Sidik jari 5 0.5193 0.4365 0.5989 72.22%
1024 bil. Gelombang 5 0.4783 0.5400 0.6098 77.78%
512 hasil TWD 4 0.5022 0.3562 0.4357 83.33%
256 hasil TWD 4 0.4725 0.3760 0.4516 83.33%
128 hasil TWD 4 0.4521 0.3536 0.4234 80.56%
64 hasil TWD 4 0.4405 0.3533 0.4522 80.56%
32 hasil TWD 4 0.4528 0.4037 0.4557 80.56%
Hasil PLSDA pada data keseluruhan dipilih lima peubah laten dengan nilai RMSEP Kumis Kucing (SDKK), Seledri-Reserpin (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
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-Reserpin (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 masing-masing data (Lampiran 8). Tabel 4 menunjukkan hasil PLSDA dengan jumlah peubah laten terpilih pada masing-masing data untuk tiga komponen ekstrak.
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-Sambiloto-Bahan Pengisi (SDSBLBP) memiliki ketepatan prediksi klasifikasi yang lebih baik dibandingkan dengan Seledri-Kumis Kucing-Bahan 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
8
Lampiran 1. Simplex Lattice Design {3,3} untuk kombinasi SDKKBP
Seledri
0 1
Kumis Kucing 1
0
Bahan Pengisi 1 0
13
12 11 10
9 8 7
6 5
4 3 2 1
Simplex Design Plot in Amounts
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi Presentase Campuran
Seledri Kumis Kucing Bahan Pengisi
1 0.00 0.00 100
2 0.00 33.33 66.67
3 0.00 66.67 33.33
4 0.00 100 0.00
5 16.67 16.67 66.67
6 16.67 66.67 16.67
7 33.33 0.00 66.67
8 33.33 33.33 33.33
9 33.33 66.67 0.00
10 66.67 0.00 33.33
11 66.67 16.67 16.67
12 66.67 33.33 0.00
9
Lampiran 2. Simplex Lattice Design {3,3} untuk kombinasi SDRPBP
Seledri
0 1
Reserpin 1
0
Bahan Pengisi 1 0
13
12 11 10
9 8 7
6 5
4 3 2 1
Simplex Design Plot in Amounts
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi
Presentase Campuran
Seledri Reserpin Bahan Pengisi
1
0.00
0.00
100
2
0.00
33.33
66.67
3
0.00
66.67
33.33
4
0.00
100
0.00
5
16.67
16.67
66.67
6
16.67
66.67
16.67
7
33.33
0.00
66.67
8
33.33
33.33
33.33
9
33.33
66.67
0.00
10
66.67
0.00
33.33
11
66.67
16.67
16.67
12
66.67
33.33
0.00
10
Lampiran 3. Simplex Lattice Design {3,3} untuk kombinasi SDSBLBP
Seledri
0 1
Sambiloto 1
0
Bahan Pengisi 1 0
13
12 11 10
9 8 7
6 5
4 3 2 1
Simplex Design Plot in Amounts
Kode komposisi campuran untuk semua kombinasi
Kode Komposisi Presentase Campuran Seledri Sambiloto Bahan Pengisi
1 0.00 0.00 100
2 0.00 33.33 66.67
3 0.00 66.67 33.33
4 0.00 100 0.00
5 16.67 16.67 66.67
6 16.67 66.67 16.67
7 33.33 0.00 66.67
8 33.33 33.33 33.33
9 33.33 66.67 0.00
10 66.67 0.00 33.33
11 66.67 16.67 16.67
12 66.67 33.33 0.00
11
Lampiran 4. Nilai RMSEP hasil PLSDA untuk satu komponen ekstrak
Jenis Data Komponen Penyusun
Jumlah Peubah Laten
1 2 3 4 5 6 7
Data Keseluruhan
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
Sidik Jari
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
1024 bilangan gelombang
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
512 hasil TWD
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
256 hasil TWD
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
128 hasil TWD
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
64 hasil TWD
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
32 hasil TWD
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
12
Lampiran 5. Ketepatan prediksi hasil PLSDA untuk satu komponen ekstrak
Jenis Data
Jumlah Peubah Laten
Komponen Penyusun (prediksi benar)
Total Prediksi Benar Bahan Pengisi Kumis Kucing Reserpin Sambiloto Seledri
Data Keseluruhan
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%
Sidik Jari
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%
1024 bilangan gelombang
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%
512 hasil TWD
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%
256 hasil TWD
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%
13
Jenis Data
Jumlah Peubah Laten
Komponen Penyusun (prediksi benar)
Total Prediksi Benar Bahan Pengisi Kumis Kucing Reserpin Sambiloto Seledri
128 hasil TWD
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%
64 hasil TWD
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%
32 hasil TWD
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%
14
Lampiran 6. Nilai RMSEP hasil PLSDA untuk dua komponen ekstrak
Jenis Data
Komponen Penyusun
Jumlah Peubah Laten
1 2 3 4 5 6
Data Keseluruhan
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
Sidik Jari
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
1024 bilangan gelombang
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
512 hasil TWD
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
256 hasil TWD
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
128 hasil TWD
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
64 hasil TWD
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
32 hasil TWD
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
Jumlah Peubah Laten
Komponen Penyusun (prediksi benar)
Total Prediksi Benar
SDKK SDRP SDSBL
Data Keseluruhan
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%
Sidik Jari
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%
15
Jenis Data
Jumlah Peubah Laten
Komponen Penyusun (prediksi benar)
Total Prediksi Benar
SDKK SDRP SDSBL
1024 bilangan gelombang
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%
512 hasil TWD
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%
256 hasil TWD
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%
128 hasil TWD
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%
64 hasil TWD
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%
32 hasil TWD
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%
16
Lampiran 8. Nilai RMSEP hasil PLSDA untuk tiga komponen ekstrak
Jenis Data
Komponen Penyusun
Jumlah Peubah Laten
1 2 3 4 5 6
Data Keseluruhan
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
Sidik Jari
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
1024 bilangan gelombang
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
512 hasil TWD
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
256 hasil TWD
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
128 hasil TWD
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
64 hasil TWD
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
32 hasil TWD
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
Jumlah Peubah Laten
Komponen Penyusun (prediksi benar)
Total Prediksi Benar SDKKBP SDRPBP SDSBLBP
Data Keseluruhan
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%
Sidik Jari
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%
17
Jenis Data
Jumlah Peubah Laten
Komponen Penyusun (prediksi benar)
Total Prediksi Benar SDKKBP SDRPBP SDSBLBP
1024 bilangan gelombang
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%
512 hasil TWD
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%
256 hasil TWD
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%
128 hasil TWD
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%
64 hasil TWD
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%
32 hasil TWD
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%
