REDUKSI DIMENSI DENGAN TRANSFORMASI WAVELET DISKRET

(TWD) PADA DATA PERSEN TRANSMITAN KURKUMIN

MENGGUNAKAN OPEN SOURCE SOFTWARE-R (OSS-R)
Aniq Atiqi Rohmawati1, Yanti Lina Mayasari1, Elly Ana2, Nur Chamidah2
Program Studi Matematika Fakultas Sains dan Teknologi Universitas Airlangga
Email : yanti_lina88@yahoo.com

Abstrak
Temulawak (Curcuma xanthorrhiza Roxb.) merupakan salah satu tanaman obat yang banyak digunakan sebagai
bahan baku dalam industri jamu dan farmasi yang mengandung senyawa kurkumin. Penentuan konsentrasi
senyawa kurkumin dengan metode High Performance Liquid Chromatography (HPLC) cenderung mahal jika
dibandingkan dengan pengukuran menggunakan metode Fourier Trasform Infrared (FTIR). Sehingga diperlukan
suatu model yang menyatakan hubungan antara konsentrasi senyawa aktif hasil pengukuran HPLC dengan
persen transmitan (absorban) yang diukur dengan menggunakan FTIR. Beberapa permasalahan yang muncul
dalam pembuatan model adalah ketika banyaknya pengamatan (n) jauh lebih kecil dari banyaknya peubah (p)
dan antar peubah saling berkolerasi. Penelitian ini bertujuan untuk melakukan reduksi dimensi data FTIR
menggunakan Transformasi Wavelet Diskret (TWD) dengan Open Source Software-R (OSS-R). Jenis wavelet
yang digunakan adalah wavelet Haar, dengan nilai mother wavelet (x) bernilai 1 dan -1 pada interval [0,1/2)
dan [1/2,1). Hasil yang diperoleh menunjukkan bahwa level resolusi yang terpilih adalah nilai R 2 tertinggi yaitu
100% pada level 1 dan 4 dengan jumlah koefisien 18 serta 1 koefisien pemulusan. Jadi, diperoleh dimensi baru
dari variabel prediktor sehingga n > p.
Kata kunci : TWD, wavelet Haar, kurkumin, OSS-R, reduksi dimensi.
PENDAHULUAN
Di Indonesia tanaman obat telah lama
digunakan oleh masyarakat dan industri untuk
pembuatan jamu. Penggunaan tanaman obat yang
semakin meluas sudah selayaknya diikuti dengan
usaha untuk menjamin kualitas tanaman obat
tersebut. Temulawak (Curcuma xanthorrhiza Roxb.)
merupakan salah satu tanaman obat yang banyak
digunakan sebagai bahan baku dalam industri jamu
dan farmasi. Hal ini untuk menjamin agar
produksinya dapat bersaing dan diterima oleh
masyarakat. Salah satu indikator kualitas tanaman
obat adalah konsentrasi senyawa aktifnya (Mukid,
2009).
Proses penentuan konsentrasi senyawa aktif
yang dikandung oleh suatu tanaman obat perlu
dilakukan secara cepat dan akurat. Secara kuantitatif
dan kualitatif suatu senyawa aktif dapat diketahui
antara lain melalui metode High Performance
Liquid Chromatograph (HPLC) dan Fourier
Trasform Infrared (FTIR). Proses penentuan
konsentrasi
senyawa
aktif dengan
HPLC
memerlukan waktu dan biaya yang relatif mahal
dibandingkan dengan FTIR. Untuk itu diperlukan
metode yang handal tetapi relatif mudah untuk
digunakan. Salah satu metodenya adalah dengan
membuat sebuah model yang menyatakan hubungan
antara konsentrasi senyawa aktif hasil pengukuran

1
2

Mahasiswa S1 Matematika Universitas Airlangga

Dosen Matematika Universitas Airlangga

HPLC dengan persen transmitan (absorban) yang

diukur dengan menggunakan FTIR (Erfiani, 2005).
Beberapa permasalahan yang muncul dalam
pembuatan model adalah ketika banyaknya
pengamatan (n) jauh lebih kecil dari banyaknya
peubah (p) dan antar peubah saling berkolerasi.
Kasus-kasus ini membawa permasalahan pendugaan
parameter model. Metode untuk mengatasi hal ini
adalah dengan melakukan reduksi dimensi sehingga
diperoleh peubah baru yang dimensinya lebih kecil
dari p dan antar baru peubah tidak saling berkolerasi.
Dalam penelitian ini metode yang digunakan
untuk mereduksi dimensi adalah Transformasi
Wavelet Diskret (TWD).
M 12 j 1
f(t) c 0,0 (t) d j,k j,k (t)
j 0 k 0
Jenis wavelet yang digunakan adalah wavelet
yang paling tua dan sederhana, wavelet Haar, dengan
nilai mother wavelet (x) bernilai 1 dan -1 pada
interval [0,1/2) dan [1/2,1).
Metode ini secara komputasi mudah dan
sederhana dalam penerapannya serta mampu
mengatasi data yang memiliki dimensi yang tinggi
(Yinsheng Qu et al, 2003). Selain itu metode ini
dianggap paling mudah dalam implementasinya
dibandingkan
dengan
yang
lain
(www.wikipedia.org). Penelitian sebelumnya tentang
transformasi wavelet dilakukan oleh Sony dan
Notodiputro (2004); Sunaryo (2005); Da Chen et al

(2004) menggunakan TWD dengan mother wavelet

yang digunakan adalah wavelet Haar. Berdasarkan
uraian diatas rumusan masalah dlam penelitian ini
adalah bagaimana melakukan reduksi dimensi
dengan TWD pada data persen transmitan kurkumin
menggunakan OSS-R. Hasil penelitian ini
diharapkan dapat memberikan metode alternatif
penanganan pemodelan regresi pada data berdimensi
tinggi dengan kasus multikolinearitas dan
mengetahui penerapan TWD pada program OSS-R.
METODE PENELITIAN
Data yang digunakan dalam penelitian ini
adalah data sekunder yang merupakan bagian dari
data penelitian Hibah Pascasarjana tahun 2003-2005
hasil kerjasama antara Departemen Statistika IPB
dengan Pusat Studi Biofarmaka LPPM IPB. Data
yang digunakan adalah persen transmitan kurkumin
dari
serbuk
temulawak
hasil
pengukuran
spektrometer FTIR dan data konsentrasi senyawa
aktif kurkumin yang diukur dengan menggunakan
HPLC. Temulawak yang dijadikan contoh diambil
dari beberapa daerah sentra tanaman obat, yaitu
Bogor, Sukabumi, Kulon Progo, Karanganyar, dan
Cianjur dan Balitro. Data-data tersebut diperoleh
dari Pusat Studi Biofarmaka Institut pertanian
Bogor. Data tersebut diperoleh peneliti sebagai
bagian dari Hibah Pekerti 2010 antara Unair selaku
TPP dan IPB sebagai TPM.
Variabel Penelitian
Variabel prediktor yang digunakan pada
penelitian ini adalah data persen transmitan FTIR
serbuk kurkumin yang diperoleh dari 1866 panjang
gelombang pada 20 daerah pengamatan yang
berbeda. Sedangkan variabel respon pada penelitian
ini adalah konsentrasi HPLC dari 20 daerah
pengamatan seperti yang terlihat pada Tabel 1.
TABEL 1
Data Konsentrasi HPLC pada 20 Daerah Sentra Tanaman Obat

1
2

No

Sampel

Konsentrasi HPLC

Kulon Progo 1

0.65

Kulon Progo 2

0.63

Kulon Progo 3

0.92

Kulon Progo 4

0.9

Karanganyar 1

1.61

Karanganyar 2

7
8

16

Bogor 2

17

Kuningan 1

0.12
1.11

18

Kuningan 2

0.97

19

Sukabumi 1

1.3

20

Sukabumi 2

1.24

HASIL DAN PEMBAHASAN

Reduksi dimensi merupakan tahap prapemprosesan yang bertujuan untuk mengatasi
permasalahan yang ada pada data persen transmitan
kurkumin, yaitu memiliki dimensi yang sangat tinggi
berukuran 20x1866.
Pada metode wavelet mensyaratkan jumlah
titik yang akan direduksi harus 2 N, sedangkan pada
variabel prediktor ada 1866 sehingg$a tidak
memenuhui syarat tersebut. Variabel-variabel
tersebut dimampatkan menjadi 1024 atau 210 dengan
memperhatikan plot spektra dari masing-masing
panjang gelombang seperti yang terlihat pada
Gambar 1.

Gambar 1 Plot spektra persen transmitan

kurkumin pada 1024 panjang gelombang
Kemudian memilih koefisien-koefisien pada
level resolusi tertentu sehingga n < p. Pemilihan
koefisien pada level resolusi dilakukan dengan
metode coba-coba (trial and error), yaitu dengan
mengkombinasikan level resolusi 0, 1, 2, 3 dan 4.
Kombinasi level resolusi yang memiliki nilai R 2
tertinggi digunakan untuk memilih koefisienkoefisen wavelet.
TABEL 2
Nilai R2 dan Kombinasi Level Resolusi Koefisien Wavelet
No

Level Resolusi

R2

C0,0 dan 0

20,18%

C0,0 dan 1

13,97%

1.66

C0,0 dan 2

24,59%

Kulon Progo 5

1.01

C0,0 dan 3

62,18%

Kulon Progo 6

1.13

C0,0 dan 4

96,92%

Karanganyar 3

0.47

10

Karanganyar 4

0.5

C0,0 , 0 dan 1

29,85%

11

Balitro 1

1.38

C0,0 , 0 dan 2

42,69%

12

Balitro 2

1.57

C0,0 , 0 dan 3

72,39

C0,0 , 0 dan 4

99,91%

C0,0 , 1 dan 2

47,26%

13

Cianjur 1

1.57

14

Cianjur 2

1.74

10

15

Bogor 1

0.13

Mahasiswa S1 Matematika Universitas Airlangga

Dosen Matematika Universitas Airlangga

11

C0,0 , 1 dan 3

68,97%

12

C0,0 , 1 dan 4

100%

13

C0,0 , 2 dan 3

81,78%

14

C0,0 , 0, 1 dan 2

47,26%

15

C0,0 , 0, 1 dan 3

73,08%

16

C0,0 , 0, 2 dan 3

83,21%

17

C0,0 , 1 2 dan 3

85,85%

18

C0,0 , 0, 1, 2 dan 3

81,86%

Berdasarkan Tabel 2, level resolusi yang

terpilih adalah nilai R2 tertinggi yaitu 100% pada
level 1 dan 4 dengan jumlah koefisien wavelet 18
serta 1 koefisien pemulusan. Jadi, diperoleh dimensi
baru dari variabel prediktor sehingga n > p.
Ucapan Terima Kasih
Terima kasih disampaikan kepada Direktorat
Penelitian dan Pengabdian kepada Masyrakat Dirjen
Dikti, LPPM Unair yang telah membiayai penelitian
ini, Departemen Statistika IPB, Dr. Sony Sunaryo,
dan Anggreini Suprapti serta seluruh pihak yang
telah meluangkan waktu dalam penyelesaian
penelitian ini.
DAFTAR PUSTAKA
Antoniadis, A, 2003. An Introduction to Wavelets
and some Applications. Prancis, University
Joseph Fourier, Laboratoire IMAG-LMC.
Chen, D., Hu B., X., Shao., & Qingde, S. 2004,
Variable Selection by Modified IPW
(Iterative
Predictor
Weighting)-KTP
(Partial Least Squares) in Continuos
Wavelet Regression Models, www.rsc.org/analyst.
Chui, C. K, 1992. An Introduction to Wavelets.
Academic Press.
Draper, N.R & Smith, H., 1992. Analisis Regresi
Terapan. Edisi Kedua. Jakarta: PT.
GramediaPustaka Utama.
Erfiani. 2005. Pengembangan Model Kalibrasi
dengan Pendekatan Bayes (Kasus
Tanaman Obat [Disertasi]. Bogor: Program
Pascasarjana, Institut Pertanian Bogor.
Fitriani, A, 2010. Metode Regresi Kuadrat Terkecil
Parsial Untuk Pra-Pemrosesan Data
Luaran GCM CSIRO Mk-3 [Tugas Akhir].
Surabaya, Institut Teknologi Sepuluh
November.
Nason G. P, 2010. Wavelet Methods in Statistics with
R. New York. Springer.
Nur MA, Adijuwana H. 1989. Teknik Spektroskopi
dalam Analisis Biologi. Bogor:
Pusat Antar Univrsitas Ilmu Hayat, Institut
Pertanian Bogor.

1
2

Mahasiswa S1 Matematika Universitas Airlangga

Dosen Matematika Universitas Airlangga

Matthias, O. 1999. Chemometrics: Statistics and

Computer Apllication in Analytical
Chemistry. New York: Wiley-VCH ISBN 3527-29628-X.
Mukid, A, 2009. Regresi Proses Gaussian untuk
Pemodelan Kalibrasi [disertasi]. Bogor :
Sekolah Pascasarjana, Institut Pertanian
Bogor.
Mevik, B. & Ron W. 2007. Principal Component
and Partial Least Squares Regression in R.
Jurnal
Software
Statistik,
www.jstatsoft.org.
Qu Yinsheng, et al. 2003, Data Reduction Using a
Discrete
Wavelet
Transform
in
Discriminant Analysis of Very High
Dimensionality Data, Biometrics, Vol. 59,
No. 1 (Maret,2003),pp.143-151.
Sinambela JM. 1985. Fitostandar dan Temulawak.
Prosiding Simposium Nasional Temulawak.
Bandung, 17 sepetember 1985. Lembaga
Penelitian Universitas Padjajaran.
Socrates G. 1994. Infared Characteristic Group
Frequencies Tables and Charts. Edisi Ke-2.
England : John Wiley and Sons.
Sunaryo S. 2005. Model Kalibrasi dengan
Transformasi Wavelet sebagai Metode Prapemrosesan [disertasi]. Bogor : Sekolah
Pascasarjana, Institut Pertanian Bogor.
Suprapti, A, 2009. Pra-Pemrosesan Data Luaran
GCM CSIRO-Mk3 dengan Metode
Transformasi Wavelet Diskret [Tugas
Akhir]. Surabaya, Institut Teknologi
Sepuluh November.
Walpole, E.R. 1995. Ilmu Peluang dan Statistika
untuk Insinyur dan Ilmuan, Edisi Keempat.
Bandung: Penerbit ITB.
Wigena, A.H. & Aunuddin. 1997. Metode PLS untuk
Mengatasi Kolinearitas dalam Kalibrasi
Ganda. Bogor, Institut Pertanian Bogor.
Vidacovic B, Meuller P. 1991. Wavelets for Kids. A
Tutorial
Introduction.
AMS
Subject
Classification, Duke University.