HASIL DAN PEMBAHASAN
Analisis Spektrum IR
Pola spektrum FTIR sel utuh sampel biologis maupun non-biologis merupakan pola spektrum sidik jari hasil serapan vibrasi dari seluruh penyusun sel tersebut, seperti protein, lipid, karbohidrat, dan beragam metabolit sekunder (Naumann 1998). Pola inilah yang terlihat pada spektrum FTIR EVA water-based maupun EVA hotmelt (Gambar 5 & 6).
Spektrum FTIR EVA water-based standar A-760 dan non-standar DA-101 tidak memperlihatkan perbedaan pola serapan yang signifikan, juga pada spektrum EVA hotmelt standar UL-7510 dan non-standar UL-7710. Gugus C=O terdapat pada 1731 cm-1, C-O
pada 1230 cm-1, dan C-H pada 1000–650 cm-1
dalam spektrum EVA water-based standar dan non-standar. Sementara spektrum FTIR EVA hotmelt standar dan non-standar
memperlihatkan gugus C-H pada 2916 cm-1,
C=O pada 1737 cm-1, dan C-O pada 1238 cm -1. Spektrum FTIR EVA water-based dan hotmelt menunjukkan gugus C=O. Gugus C=O linear dan mempunyai 4 jenis vibrasi, diperoleh dengan rumus 3N–5 dengan N adalah jumlah atom. Keempat vibrasi tersebut adalah ulur simetrik, ulur asimetrik, gunting, dan goyang. Perbedaan intensitas dan sifat serapan konstituen yang sangat halus terutama pada daerah sidik jari tidak dapat teramati, maka diperlukan teknik kemometrik. Spektrum IR sangat kaya akan informasi struktur molekul yang terdiri atas gerak rotasi dan vibrasi. Banyaknya gerakan molekular dari molekul poliatom akan membentuk serangkaian pita serapan yang khas untuk masing-masing molekul. Hal ini membuat spektroskopi IR menjadi metode analisis kualitatif yang sangat berguna, tetapi sulit dilakukan akibat adanya kemiripan dari setiap
Bilangan Gelombang (cm-1)
Gambar 5 Spektrum IR EVA water -based A-760 (a), DA-101 (b). : standar; :non-standar
Bilangan Gelombang (cm-1)
Gambar 6 Spektrum IR EVA hotmelt UL-7510 (a), UL-7710 (b). : standar; : non-standar A B S O R B A N S A B S O R B A N S
mengekstraksi informasi dari data spektrum IR yang rumit tersebut, diperlukan metode analisis multivariat (Stchur et al. 2002).
Analisis multivariat mengurangi data berukuran besar yang diperoleh dari instrumen seperti spektrofotometer. Metode kalibrasi multivariat dapat berupa regresi linear berganda, regresi komponen utama, PLS, dan ANN (Brereton 2000). Selain itu, analisis multivariat dapat digunakan untuk pengenalan pola dalam sampel melalui metode PCA, analisis diskriminan, K-nearest neighbour, soft independent modelling of class analogy, dan analisis gerombol (Miller & Miller 2000).
Analisis Komponen Utama
Hasil PCA dinyatakan baik bila dengan jumlah komponen utama yang sedikit mampu menggambarkan total variasi yang besar seperti terlihat pada Tabel 1 dan 2. Pengelompokan EVA water-based standar dengan non-standar dan EVA hotmelt standar dengan non-standar diasumsikan dapat dilakukan dengan baik menggunakan data spektrum asli.
Pola visualisasi PCA yang dihasilkan mendukung asumsi tersebut (Lampiran 2 dan 3). Nilai % total variasi yang terwakili oleh 2 PC pertama lebih besar dibandingkan dengan hasil derivatisasi (proses pendahuluan).
Untuk EVA water-based (Tabel 1), model yang mempunyai persentase keragaman kumulatif terbesar adalah kondisi sebelum manipulasi, yaitu sebesar 96%, sedangkan untuk EVA hotmelt (Tabel 2), model dengan persentase keragaman kumulatif terbesar adalah kondisi normalisasi sebelum manipulasi, juga sebesar 96%. Kondisi persentase keragaman kumulatif yang diperoleh dapat menggambarkan data asalnya.
Penggunaan spektrum FTIR untuk penentuan struktur molekul suatu senyawa kimia biasanya terbatas hanya melibatkan informasi serapan pada daerah-daerah tertentu sebagai tanda pengenal gugus fungsi tertentu. Padahal, spektrum multidimensi mengandung informasi kuantitatif yang dapat menggambarkan ciri khas suatu spesies. Informasi ini tidak dapat diamati dengan melihat pola serapan spektrum saja, tetapi membutuhkan alat bantu berupa teknik ekstraksi pola spektrum atau teknik kemometrik. Spektrum PC dan 2 (%) A 10 96 D 10 75 M 10 72 D+M 10 48 N 10 94 D+N 10 74 M+N 10 68 D+N+M 10 38
aA = Data asli, D = Derivatisasi, M= Manipulasi, N = Normalisasi
Tabel 2 Hasil PCA spektrum IR EVA hotmelt Kode Spektruma JumlahPC Total Variasi Terwakili PC 1 dan 2 (%) A 10 94 D 10 76 M 10 61 D+M 10 70 N 10 96 D+N 10 94 N+M 10 84 D+N+M 10 64
aA = Data asli, D = Derivatisasi, M= Manipulasi, N = Normalisasi
Teknik kemometrik yang digunakan untuk mengenali pola spektrum tanpa pengelompokan terlebih dahulu, seperti teknik PCA, dikenal sebagai teknik pengenalan pola tak terawasi. Spektrum setiap contoh bahan baku EVA water-based maupun hotmelt memiliki perbedaan informasi kuantitatif. Analisis PCA mereduksi jumlah peubah yang dimiliki oleh spektrum menjadi beberapa peubah utama untuk menentukan perbedaan informasi tersebut. Proses reduksi ini dapat menyebabkan contoh EVA water-based dan hotmelt standar dan non-standar terkelompokkan. Pengelompokan ini berdasarkan korelasi informasi peubah yang dimiliki oleh setiap kelompok yang ditentukan oleh analisis PCA. Analisis PCA EVA water-based maupun EVA hotmelt dilakukan tidak hanya menggunakan data spektrum asli, tetapi juga melibatkan data spektrum yang melalui proses pendahuluan, yaitu koreksi garis dasar dan normalisasi. Perlakuan pendahuluan dimaksudkan untuk menghindari masalah akibat pergeseran garis dasar dan untuk meningkatkan resolusi spektrum yang
berim-Bilangan Gelombang (cm-1)
Gambar 7 Spektrum IR EVA water-based yang telah mengalami proses pendahuluan koreksi garis dasar A-760 (a), DA-101 (b) : standar; : non-standar.
Bilangan Gelombang (cm-1)
Gambar 8 Spektrum IR EVA water-based yang telah mengalami proses pendahuluan normalisasi A-760 (a), DA-101 (b) : standar; : non-standar. pitan (perbaikan informasi data) (Stchur et al.
2002). Gambar 7 dan 8 merupakan contoh spektrum yang telah mengalami proses pendahuluan berupa koreksi garis dasar dan normalisasi.
Teknik PCA dapat mengurangi dimensi data awal dari ribuan dimensi (sebanyak jumlah bilangan gelombang spektrum IR) menjadi hanya 2 dimensi. Proyeksi sampel terhadap 2 peubah baru ini ditunjukkan pada plot skor. Plot skor untuk 2 PC pertama biasanya paling berguna dalam analisis karena kedua PC ini memiliki variasi terbanyak dalam data. Pada Tabel 1 & 2, total variasi terwakili merupakan penjumlahan PC1 dan PC2 yang diolah menggunakan program Unscrambler 9.7 (Lampiran 4). EVA water-based sebelum manipulasi mampu menjelaskan 96% variasi (PC1 = 84% dan PC2 = 12%), sedangkan setelah diderivatisasi hanya mampu menjelaskan 75% variasi (PC1
= 55 dan PC2 = 20%). Hal yang sama berlaku juga untuk EVA hotmelt. Sebelum manipulasi, PC1 dan 2 mampu menjelaskan 94% variasi (PC1 = 86% dan PC2 = 8%); setelah derivatisasi, hanya mampu menjelaskan 76% variasi (PC1 = 64% dan PC2 = 12%).
Pada Gambar 9 dan 10 terlihat jelas perbedaan plot skor 2 dimensi antara EVA water-based sebelum manipulasi (a) dan sebelum manipulasi derivatisasi (b). Plot skor merupakan nilai banyaknya komponen utama. Menurut Marisson (1990), banyaknya PC yang dipilih sudah cukup memadai apabila mempunyai keragaman kumulatif tidak kurang dari 75%. Namun menurut Jhonson dan Whicem (1992) komponen utama dengan kondisi persentase keragaman kumulatif sebesar 80–90% dapat menggambarkan data asalnya. A B S O R B A N S A B S O R B A N S
(a)
(b)
Gambar 9 Plot skor dua dimensi komponen utama IR EVA water-based sebelum manipulasi (a) setelah derivatisasi (b).
Kuadrat Terkecil Parsial
Tabel 3 memberikan informasi perbedaan antara nilai kalibrasi dan validasi pada berbagai parameter, yaitu galat standar kalibrasi (SEC), galat standar prediksi (SEP), galat kalibrasi akar rerata kuadrat (RMSEC), dan korelasi (r). Secara umum, hasil kalibrasi lebih tinggi dibandingkan dengan hasil validasi pada keempat parameter tersebut. Hasil uji statistik PLS training dari EVA water-based dan EVA hotmelt ditunjukkan pada Tabel 3. Nilai korelasi validasi terbesar sebesar 0.9431 diperoleh pada EVA water-based sebelum manipulasi, dengan nilai RMSEP sebesar 0.1223 dan RMSEC sebesar 0.0694, terendah di antara EVA water-based Model ini juga memiliki nilai galat baku sebesar 0.0702 untuk SEC dan 0.1236 untuk SEP.
EVA hotmelt sebelum manipulasi juga mempunyai nilai korelasi validasi terbesar yaitu 0.8414. Nilai RMSEP dan RMSEC berturut-turut 0.1612 dan 0.0992, terkecil daripada model yang lain. Nilai galat baku
sebesar 0.0997 untuk SEC dan 0.1634 untuk SEP (Lampiran 5).
Nilai korelasi validasi terkecil pada EVA water-based ialah 0.8206 pada model EVA water-based normalisasi sesudah manipulasi, dengan nilai RMSEP sebesar 0.2195 dan RMSEC sebesar 0.1311, terbesar dibandingkan dengan model yang lain dalam satu kelompok EVA water-based. Nilai galat baku sebesar 0.1325 untuk SEC dan 0.2213 untuk SEP. Pada EVA hotmelt, model yang memiliki nilai korelasi validasi terkecil ialah model sesudah manipulasi, yaitu sebesar 0.5874. Nilai RMSEP sebesar 0.2590 dan RMSEC sebesar 0.1363 sementara nilai galat baku sebesar 0.1307 untuk SEC dan 0.2599 untuk SEP. Dari hasil statistik tersebut, model prediksi terbaik untuk EVA water-based adalah sebelum manipulasi, demikian pula pada EVA hotmelt. Kemampuan prediksi model dapat dilihat dari beberapa parameter terutama nilai korelasi dan RMSEP. Model prediksi yang baik memiliki nilai korelasi yang tinggi dan RMSEP yang rendah (Naes et al. 2002).
(a)
(b)
Gambar 10 Plot skor dua dimensi komponen utama IR EVA hotmelt sebelum manipulasi (a) dan setelah derivatisasi (b).
Nilai galat baku model juga harus diperhatikan. Galat validasi (prediksi) yang jauh lebih besar daripada galat kalibrasi menandakan terjadinya overfitting pada model. Model tersebut melibatkan terlalu banyak komponen sehingga variasi yang dimilikinya akan menjadi terlalu besar. Hal ini menurunkan kemampuan prediksi model. Oleh karena itu, dalam memilih model terbaik, kedekatan nilai galat validasi dan kalibrasi juga perlu diperhatikan (Baranska et al. 2005). Hasil PLS diolah dengan menggunakan program Unscrambler 9.7 seperti pada Lampiran 6.
PCA mengekstraksi informasi spektrum secara keseluruhan, sedangkan PLS hanya mengekstraksi informasi spektrum yang relevan dengan sifat kimia tertentu yang dibutuhkan. Sebagai salah satu metode pengenalan pola terawasi (pola spektrum dikenali dengan proses pengelompokan terlebih dahulu), model regresi PLS mencari korelasi linear antara peubah x hasil pengukuran spektrum (peubah indikator) dan peubah y sebagai peubah respons. Dalam penelitian ini peubah x merupakan nilai
absorbans pada bilangan gelombang tertentu, sedangkan peubah y bernilai 0 untuk diterima dan 1 untuk ditolak. Analisis PLS ini disebut teknik PLS-2 karena melibatkan 2 komponen respons dari spektrum, yaitu dalam bentuk nilai 0 dan 1.
Suatu model PLS dikategorikan dapat dipercaya bila nilai parameter yang dihasilkan, di antaranya berupa nilai korelasi dan nilai galat, sama untuk setiap tahapan pembuatan model. Korelasinya (r) harus bernilai tinggi, sedangkan galatnya bernilai rendah (Baranska et al. 2005). Model prediksi yang memiliki nilai galat validasi lebih besar daripada galat kalibrasi digolongkan sebagai overfitted (Naes et al. 2002).
Dari kelompok test diperoleh nilai prediksi dan validasi terbaik pada model EVA water-based maupun EVA hotmelt sebelum manipulasi Gambar 11 (Lampiran 7). Keberhasilan nilai prediksi dilihat dari kedekatan antara nilai prediksi dan nilai pembanding yang digunakan yang diolah dengan program Unscrambler 9.7 (Lampiran 8).
(× 10 ) A water-based 0.9801 0.9431 0.0694 0.0702 -3.663 0.1223 0.1236 0.0011 8 M water-based 0.9617 0.8434 0.0964 0.0974 0.714 0.2001 0.2022 -0.0045 6 N water-based 0.9668 0.9085 0.0898 0.0907 -2.173 0.1350 0.1564 0.0015 7 N+M water-based 0.9292 0.8206 0.1311 0.1325 0.186 0.2195 0.2213 -0.0146 5 A hotmelt 0.9402 0.8414 0.0992 0.0997 2.577 0.1627 0.1634 -0.0067 10 M hotmelt 0.8873 0.5874 0.1363 0.1307 -0.520 0.2590 0.2599 -0.0167 8 N hotmelt 0.8254 0.6320 0.1697 0.1705 -0.520 0.2489 0.2493 0.0203 8 N+M hotmelt 0.8643 0.6259 0.1495 0.1503 4.943 0.2503 0.2516 -0.0056 9 aA = Data asli, D = Derivatisasi, M= Manipulasi, N = Normalisasi
(a)
(b)
Gambar 11 Scatter plot dua dimensi EVA water based (a) dan EVA hotmelt sebelum manipulasi (b). Plot skor kalibrasi: ; Plot skor validasi:
