Transformasi Wavelet Diskret dan Partial Least Squares dalam Pemodelan Kalibrasi serta Implementasinya pada OSS-R oleh: Aniq Atiqi Rohmawati Departemen Statistika Fakultas Sains dan Teknologi Universitas Airlangga 2011 Edited by Anwar

LATAR BELAKANG Indikator kualitas tanaman obat Mahal Konsentrasi HPLC senyawa aktifnya Metode Metode Murah Ini Masalahnya ??? FTIR Data FTIR: * Dimensi tinggi * Multikolinearitas MODEL KALIBRASI

STEP 1 STEP 2 S O L U I PLS Wavelet + Mampu mengatasi masalah multikolinearitas antar varibel prediktor dengan lebih baik daripada metode Brown dan + Mampu mengatasi data berdimensi tinggi + Secara komputasi dan implementasi mudah dan sederhana Sebelumnya: Sony dan Notodiputro (2004); Sony (2005); Suprapti (2009); Da Chen et al (2004); Sebelumnya: Wigena (1998); Otto Mathias (1999); Harjono (2008); Fitriani (2010)

TUJUAN Melakukan reduksi dimensi data FTIR dengan Transformasi Wavelet Diskret (TWD). Mengatasi masalah multikolinearitas dengan Partial Least Squares (PLS) pada data hasil reduksi dengan TWD. Membuat algoritma program TWD dan PLS dalam OSS-R Menerapakan program TWD dan PLS pada data persen transmitan senyawa aktif kurkumin

MANFAAT Hasil penelitian ini diharapkan mmemberikan metode alternatif penanganan pemodelan regresi pada databerdimensi tinggi dengan kasus multikolinearitas. Menambah pengetahuan pembaca tentang reduksi dimensi dengan TWD dan penanganan kasus multikolinearitas dengan PLS. Mengetahui penerapan TWD dan PLS pada OSS-R.

METODE PENELITIAN Data yang digunakan adalah data sekunder dari data penelitian Hibah Pascasarjana tahun 2003-2005. Variabel prediktornya adalah data persen transmitan FTIR serbuk kurkumin yang diperoleh dari 20 daerah pengamatan pada 1866 panjang gelombang. Sedangkan variabel responnya adalah konsentrasi HPLC dari 20 daerah pengamatan. Temulawak yang dijadikan contoh diambil dari beberapa daerah sentra tanaman obat: Bogor, Sukabumi, Kulon Progo, Karanganyar, dan Cianjur dan Balitro.

Mulai A Data validasi Selesai A Data dengan n pengamatan dan p peubahb ebas dimana p > n Data building set Menentukan jumlahkomponen Memampatkan variabel prediktor (p) hingga berukuran q=2M Mentransformasi variabel berukuran 2M kedalam interval [0,1) Memilih jumlah komponenberdasarkan RMSEP Menghitung matriks W berukuran qxq Menghitung X-loading dan X-scores berdasarkan komponen terpilih Mentransformasi variabel X untuk mendapatkan matriks koefisien wavelet, D Uji multikolineritas terhadap X-score Reduksi dimensi dengan mengambil sehingga Uji kebaikan jumlah komponen terpilih dengan validasi silang Selesai A

HASIL PEMBAHASAN Reduksi Dimensi dengan Transformasi Wavelet Diskret

Nilai WT : Diperoleh dengan memasukkan komponen ψ(t) dan Φ(t) pada Haar wavelet yang selanjutnya dikalikan dengan 1/√1024

penanganan multikolineritas dengan pls

Data dari 20 pengamatan dibagi menjadi dua bagian, 17 pengamatan untuk membangun model (building set) dan 3 pengamatan untuk validasi silang

vektor latent optimal juga dapat ditentukan dari nilai dan plot RMSEP masing-masing komponen Leveling off

Tabel 4.3 Perbandingan Hasil Prediksi dan HPLC pada 10 dan 11 Vektor Latent (VL) Hasil validasi yang diperoleh terlihat bahwa nilai prediksi HPLC dengan jumlah VL 11 nampak akurat. Prediksi optimal dengan 11 VL juga terlihat dari nilai korelasi yang tinggi antara hasil prediksi dan HPLC 0,9981

Kesimpulan: Hasil reduksi dimensi dengan metode Transformasi Wavelet Diskrit (TWD), memberikan hasil yang cukup baik dalam menggambarkan data asal . Pada hasil reduksi dimensi dengan TWD dimungkinkan adanya kasus multikolinearitas. Metode Partial Least Squares mampu mengatasi masalah multikolineritas dengan melakukan reduksi kembali menjadi 11 vektor latent. Gabungan metode TWD dan PLS, menghasilkan model yang memuaskan untuk memprediksi variabel respon (HPLC), dengan kriteria kebaikan model sebesar 99,61%.

TERIMA KASIH Semoga Bermanfaat Apologize for any mistakes and shortage. Thanks for attention.