Anda di halaman 1dari 42

PENENTUAN SIMULTAN NATRIUM BENZOAT DAN KALIUM

SORBAT DENGAN METODE KALIBRASI MULTIVARIAT


Damiyati1, Ferry Sukarta2, dan Noviyanti3.
Departemen Kimia, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor
Kampus IPB Dramaga, Bogor 16680.
ABSTRAK

Kemometrik adalah salah satu cabang dari ilmu kimia yang merupakan perpaduan
antara ilmu kimia dengan ilmu statistika. Kemometrik menyediakan metode untuk
mengurangi data berukuran besar yang diperoleh dari instrumen kimia seperti
spektrofotometer sehingga dapat diketahui tingkat reabilitas dari data tersebut. Salah
satu teknik analisis kemometrik yang banyak digunakan yaitu kalibrasi multivariat.
Kalibrasi multivariat ini dapat digunakan untuk analisis simultan berbagai senyawa
dalam campuran. Pendekatan metode analisis multivariat yang digunakan yaitu partial
least square (PLS), principle component regression (PCR), dan principle component
analysis (PCA). Partial least square (PLS) merupakan bagian dari kemometrik
yang bertujuan menemukan hubungan statistik antara data spektrum dan informasi
yang telah diketahui. Sedangkan PCA digunakan untuk mereduksi data atau mengurangi
jumlah peubah bebas dari peubah aslinya.
Kata kunci: Kalibrasi multivariat, PLS, PCA, dan PCR.
ABSTRACT

Chemometric is one branch of chemistry that is a blend of chemistry to the science of


statistics. chemometric provides a method for reducing large data obtained from
chemical instruments such as spectrophotometers locations to determine the reliability
of the data. One technique that is widely used chemometric analysis is a multivariate
calibration. Multivariate calibration can be used for simultaneous analysis of various
compounds in the mixture. Approach to multivariate analysis method used is partial
least squares (PLS), principle component regression (PCR), and principle component
analysis (PCA). Partial least squares (PLS) is a part of chemometric aimed at finding
statistical relationships between spectral data and information already known. While
PCA is used to reduce the data or reduce the number of free variables of the original
variables.
Keywords: Multivariate calibration, PLS, PCA, and PCR.
1

Damiyati (G44090007), Mahasiswa Departeman Kimia FMIPA IPB.


Ferry Sukarta (G44090090), Mahasiswa Departeman Kimia FMIPA IPB.
3
Noviyanti (G44090100), Mahasiswa Departeman Kimia FMIPA IPB.
2

PENDAHULUAN
Kalibrasi Multivariat
Kemometrik
menyediakan
metode dalam mengurangi data
berukuran besar yang diperoleh dari
instrument seperti spektrofotometer
(Varmuza 2002). Salah satu analisis
spektrum yang terpenting adalah
membentuk model kalibrasi melalui
metode
pengenalan
pola
untuk
mengidentifikasi kemiripan dan pola
utama data. Metode ini menghitung
persamaan
regresi
berdasarkan
spektrofotometri dan informasi analat
yang diketahui. Selanjutnya, model ini
digunakan untuk memprediksi sampel
yang tidak diketahui (Brereton 2000).
Kalibrasi multivariat merupakan
salah satu bentuk model analisis
kemometrik yang dapat digunakan
untuk menentukan campuran dari
beberapa senyawa (Forina et al 1998).
Metode kalibrasi multivariat ini dapat
berupa multiple linear regression
(MLR), principle component analysis
(PCA), principle component regression
(PCR), partial least square (PLS), dan
artificial neural network (ANN)
(Brereton 2000). Teknik kalibrasi
multivariat ini yang sering digunakan
dalam analisis spektrum kuantitatif
untuk mendapatkan informasi yang
selektif dari data yang tidak selektif
berupa PCR dan PLS (Diaz et al. 1997).
Regresi Komponen Utama (PCR)
PCR
digunakan
untuk
membentuk model antara konsentrasi
senyawa
dan
komponen
utama
(principle component, PC) pada data
matriks (spektrum) (Cevdet et al. 1998).
PCR menggunakan regresi untuk
mengubah skor dalam konsentrasi
(Brereton 2000). Untuk mendapatkan
skor yang akan diregresikan dengan

konsentrasi
dibutuhkan
analisis
komponen utama (principle component
analysis, PCA). Komponen-komponen
utama (PC) tersebut dipilih sedemikian
rupa sehingga komponen utama pertama
memiliki variasi terbesar dalam set data,
sedangkan komponen utama kedua
tegak lurus terhadap komponen utama
pertama dan memiliki variasi terbesar
berikutnya (Miller & Miller 2000). PC
digunakan untuk mengurangi jumlah
peubah bebas dari peubah aslinya.
Pemilihan PC dilakukan sehingga PC
pertama memiliki varians terbesar
dalam set data, sedangkan PC kedua
tegak lurus terhadap PC pertama dan
memiliki varians terbesar selanjutnya
(Miller & Miller 2000). Jika jumlah
ragam dari komponen utama satu (PC1)
dan dua (PC 2) lebih besar dari 70%,
maka plot skor memperlihatkan
visualisasi dua dimensi yang baik
(Varmuza 2000).

Gambar 6 menggambarkan komponen


utama dari peubah X1, X2, dan X3.
Analisis Komponen Utama (PCA)
PCA merupakan suatu teknik
untuk mengurangi jumlah peubah dalam
suatu matriks data. Prinsip PCA adalah
mencari komponen utama yang
merupakan kombinasi linear dari
peubah asli (Varmuza 2000).Metode
Principal Component Analysis (PCA)

ini adalah salah satu teknik statistik


yang bertujuan untuk mereduksi
dimensi dan sekaligus mengatasi
masalah multikolinearitas pada data.
Pada dasarnya PCA mentransformasi
secara linier variabel asal yang
umumnya saling berkorelasi menjadi
sejumlah variabel yang lebih sedikit
yang tidak berkorelasi dan disebut
komponen
utama
(Principal
Component). Metode PCA yang
berdasarkan rata-rata dan matriks varian
kovarian sangat sensitif terhadap outlier
data pengamatan. (Hubert, Rousseeuw,
& Branden, 2005). Prinsip utama
analisis multivariat dengan metode PCA
adalah mencari komponen utama (PC)
yang merupakan kombinasi linear dari
peubah asli (Lebart et al. 1984).
Kuadrat Terkecil Parsial (PLS)
PLS merupakan salah satu
teknik kalibrasi multivariat yang sangat
luas
digunakan
dalam
analisis
kuantitatif data spektroskopi dan
elektrokimia (Abdollahi et al. 2003).
PLS digunakan untuk menduga
serangkaian peubah dependen dari
peubah independen (penduga) yang
jumlahnya sangat banyak, memiliki
struktur sistematik linear atau nonlinear,
dengan atau tanpa data yang hilang, dan
memiliki kolinearitas yang tinggi.
Teknik ini membentuk model dari
peubah-peubah
yang
ada
untuk
membentuk serangkaian respon dengan
menggunakan regresi kuadrat terkecil
dalam bentuk matriks (Lindblom 2004).
Inti dari PLS adalah untuk menghitung
nilai (skor) dari matriks X dan Y dan
untuk membuat model regresi antara
nilai-nilai tersebut.
Kelebihan
dari
PLS
dibandingkan dengan regresi berganda
adalah dalam mengatasi masalah
kolinearitas data, peubah penjelas (X)
yang banyak, dan juga dapat secara

simultan memodelkan beberapa peubah


respon (Y) (Wold 1995). Variabel dalam
PLS ditunjukkan oleh tingginya korelasi
dengan
variabel
respon
yang
memberikan pengaruh besar, sehingga
lebih
efektif
dalam
pendugaan.
Kombinasi linear variabel bebas yang
dipilih harus berkorelasi paling tinggi
dengan variabel respon dan dapat
menjelaskan kombinasi dari variable
bebas (Miller & Miller 2000).
BAHAN DAN METODE
Bahan dan Alat
Bahan-bahan yang digunakan
adalah software minitab 14, microsoft
word dan excel. Alat yang digunakan
adalah notebook atau komputer.
Metode
Partial Least Square (PLS)
Data yang akan diolah dengan
PLS, disiapkan dalam software minitab
14. Pada menu dipilih regression
kemudian dipilih partial least square.
Terdapat window untuk PLS, kemudian
pada kolom response diisi dengan
konsentrasi natrium benzoat dan kalium
sorbat (c503-c504) dan pada kolom
predictor diisi dengan panjang
gelombang 200-300 nm (c1-c501).
Dipilih
storage
lalu
pilih
coefficients dan fits, lalu pilih ok.
Kemudian, dipilih validation lalu
pilih leave group out size dan ok.
Setelah selesai pilih ok. Maka di layar
session akan muncul hasil pengolahan
dari PLS. Di kolom c506-c507
merupakan koefisien dari pengolahan
PLS untuk natrium benzoat dan kalium
sorbat. Di kolom c508-c509 merupakan
hasil konsentrasi natrium benzoat dan
kalium sorbat.

Principal Component Analysis (PCA)


Pilihan stat pada menu dipilih,
kemudian dipilih multivariate dan
principle
component.
Terdapat
window untuk PCA, kemudian kolom
variable diisi dengan kolom panjang
gelombang 200-300 nm (c1-c501).
Kolom number of compute 2 diisi dan
pilihan covariance dipilih. Pilih
graph lalu dipilih score plot for first
2 component, lalu ok.
Principal Component Regression
(PCR)
Pilihan stat pada menu dipilih,
kemudian dipilih regression dan pilih
regression lagi sehingga muncul
window untuk regression. Kolom
respon diisi dengan kolom yang berisi
konsentrasi natrium benzoat (c504),
kolom predictor diisi dengan kolom
yang berisi komponen utama 1 dan
komponen utama 2 (c512-c513). Pilih
result lalu pilih in addition, the full
table of fits and residual kemudian
ok. Pilih options lalu pilih PRESS
and predicted R-square kemudian pilih
ok. Pilih storage lalu pilih
coefficients and fits kemudian pilih
ok. Sehingga muncul pada layar
session data pengolahan PCR untuk
natrium benzoat. Pada kolom c514 akan
terisi koefisien dari regresi natrium dan
pada kolom c515 akan terisi konsentrasi
natrium benzoat. Untuk kalium sorbat
dilakukan hal yang sama. Sehingga
muncul pada layar session data
pengolahan PCR untuk kalium sorbat.
Pada kolom c516 terisi koefisien dari
regresi kalium dan pada kolom c517
akan terisi dengan nilai konsentrasi
kalium sorbat. Dua nilai koefisien yang
mendampingi nilai PC1 dan PC2 (baik
natrium benzoat dan kalium sorbat)
disalin pada kolom yang masih kosong.
Kursor diletakkan ke layar session

paling bawah. Pilih editor pada menu


dan pilih enable command. Pada layar
session akan muncul MTB > dan
ketikkan copy c518-c519 m1.
Kemudian ketik copy c510-c511 m2.
Kemudian ketik mult m2 m1 m3.
Kemudian ketik copy m3 c520-c521.
Maka pada kolom c520-c521 akan
muncul nilai hasil perkalian koefisien
PCA dengan koefisien regresi. Nilai
intersep pada baris diatas nilai hasil
perkalian tadi dimasukkan. Maka nilai
tersebut adalah matriks Na dan K.
HASIL DAN PEMBAHASAN
kemometrik adalah salah satu
cabang ilmu kimia yang merupakan
perkawinan atau perpaduan antara
statistik dengan ilmu kimia khususnya
kimia analisis. Kemometrik dapat
didefinisikan sebagai cabang ilmu kimia
analisis yang menggunakan prinsip
statistik untuk (a) merancang dan
memilih suatu prosedur dan eksperimen
analisis yang optimal dan (b)
memberikan informasi kimiawi secara
maksimal dan relevan melalui analisis
data
kimiawi.
Kemometrik
menyediakan metode untuk mengurangi
data berukuran besar yang diperoleh
dari instrumen seperti spektrofotometer
sehingga dapat diketahui tingkat
reabilitas dari suatu data. Analisis
multivariat merupakan salah satu teknik
analisis kemometrik yang banyak
digunakan untuk analisis matriks
kompleks dan analisis multikomponen
pada
sistem
yang
sederhana.
Pendekatan
multivariat
dapat
diaplikasikan pada sampel yang
mempunyai lebih dari satu peubah
pengukuran. Misalnya pada saat kita
mengukur spektrum suatu sampel
menggunakan lebih dari satu panjang
gelombang (Brereton 2000).
Metode kalibrasi multivariat
yang dilakukan kali ini yaitu principle

untuk K diperoleh nilai PRESS


minimum sebesar 0.168 dan R2 sebesar
99,98%. untuk set kalibrasi dan
banyaknya komponen yang akan
digunakan dalam model, yaitu 4
komponen.
PLS Response Plot
(response is K)
4 components

Variable
Fitted
C rossv al

Calculated Response

20

15

10

0
0

10
Actual Response

15

20

Grafik 1 Menunjukkan plot respon


untuk K.
PLS Response Plot
(response is Na)
4 components

Variable
F itted
C rossv al

50

Calculated Response

component analysis (PCA), principle


component regression (PCR),
dan
partial least square (PLS). Ketiga
metode
ini
digunakan
untuk
menganalisis data dari campuran
Natrium benzoat dengan Kalium sorbat.
Campuran ini diukur absorbansinya dari
panjang gelombang 200-300 nm dengan
23 kali ulangan. Datadata ini kemudian
diolah dengan menggunakan software
Minitab 14.
Analisis regresi yang melibatkan
variabel independen yang jumlahnya
banyak dimana terdapat kolinieritas atau
korelasi diantara variabel independen
tersebut maka analisis menggunakan
PCR dan PLS merupakan salah satu
metode yang dapat diterapkan. Data
tersebut
diolah
terlebih
dahulu
menggunakan metode Partial Least
Square (PLS). Partial least squares
(PLS) adalah sebuah metode reduksi
dimensi data, sejenis dengan PCA,
untuk mencari faktor-faktor yang paling
relevan dalam memprediksi dan
menginterprestasi data. Regresi PLS
meningkatkan kemampuan model dari
PCA dengan menggunakan variabel
respon secara aktif dalam dekomposisi
bilinier prediktor. PCA terfokus pada
keragaman
di
dalam
prediktor,
sedangkan PLS fokus pada kovarians
diantara respon dan prediktor-prediktor.
Dengan
jalan
menyeimbangkan
informasi antara prediktor dan respon,
PLS mereduksi dampak dari banyaknya
prediktor yang tidak relevan dengan
keragaman data. Estimasi kesalahan
prediktor ditingkatkan dengan cara
validasi silang.
Campuran Natrium benzoat dan
Kalium sorbat ini diperoleh regresi dan
residual error yang menunjukkan bahwa
residual error untuk Na lebih besar
daripada K yaitu 1.34 berbanding 0.11.
Berdasarkan nilai PRESS minimum
diperoleh nilai sebesar 3.05 untuk Na
dengan R2 sebesar 99,95% sedangkan

40
30
20
10
0
0

10

20
30
A ctual Response

40

50

Grafik 2 Menunjukkan plot respon


untuk K.

(response is K)
4 components

Coefficients

-5

-10

-15

-20
1

50

100

150

200

250
300
Predictors

350

400

450

500

Grafik 3 Menunjukkan plot koefisien


untuk K.
PLS Coefficient Plot
(response is Na)
4 components

40

Coefficients

30
20
10
0
-10
1

50

100

150

200

250
300
Predictors

350

400

450

500

Grafik 4 Menunjukkan plot koefisien


untuk K.
Model PCR diawali dengan
PCA yang menghasilkan nilai loading
PC sebanyak jumlah peubah yang
dipakai, yaitu 501 panjang gelombang
yang
digunakan.Metode
Principal
Component Analysis ( PCA) adalah
salah satu teknik statistik yang dikenal
bertujuan mereduksi dimensi dan
sekaligus
mengatasi
masalah
multikolinearitas pada data. Pada
dasarnya PCA mentransformasi secara
linier variabel asal yang umumnya
saling berkorelasi menjadi sejumlah
variabel yang lebih sedikit yang tidak
berkorelasi dan disebut komponen
utama (Principal Component).
Metode
PCA
yang
berdasarkan rata-rata dan matriks varian

kovarian sangat sensitif terhadap outlier


data pengamatan. Outlier didefinisikan
sebagai sebagian dari data pengamatan
yang memiliki pola yang berbeda dari
sebagian besar data pengamatan (Hadi,
Imon, & Werner 2009). Outlier pada
data
dapat
menyebabkan
ketidakhomogenan
matriks
varian
kovarian. Selain itu Hadi et al (2009)
menyebutkan outlier memberi efek
masking (mengaburkan data) dan
swamping (kesalahan mengidentifikasi
data non outliers sebagai outliers).
Sebaiknya jumlah outlier dalam data
tidak melebihi dari 50 persen. Pada
analisis regresi, adanya outlier dapat
menyebabkan berbagai penyimpangan
antara lain; 1) residual yang besar dari
model yang terbentuk, 2) varian data
menjadi lebih besar, dan 3) rentang
yang lebar pada confidence region.
Teknik PCA berdasar pada
dekomposisi matriks data X (N x K)
menjadi dua matriks T (N x A) dan
matriks P (K x A) yang saling tegak
lurus (Gambar 2). Matriks T yang
disebut
dengan
matriks
scores
menggambarkan variansi dalam objek,
sedangkan matriks P yang disebut
matriks loading menjelaskan pengaruh
variabel terhadap komponen utama.
Matriks P terdiri atas data asli dalam
system koordinat baru. Error dari model
yang terbentuk dinyatakan dalam E
(Lohninger 2004).
Scree Plot of 200.0; ...; 300.0
70
60
50
Eigenvalue

PLS Coefficient Plot

40
30
20
10
0
1

50

100

150

200
250
300
Component Number

350

400

450

500

Grafik 5 Menunjukkan score plot PCA

Score Plot of 200.0; ...; 300.0

Second Component

10

-5

-10
-35

-30

-25

-20
-15
First Component

-10

-5

Grafik 6. Menunjukkan distribusi


komponen Na dan K pada
campuran setelah dilakukan
PCA.
PCR secara khas digunakan
untuk model-model regresi linier,
dimana
jumlah
variabel
bebas
(prediktor) p adalah sangat banyak, atau
dimana antar prediktor berkorelasi
tinggi
(kita
ketahui
sebagai
multikolinieritas). Salah satu aplikasi
PCR yang cukup penting adalah
kalibrasi multivariat, dimana tujuannya
adalah untuk memprediksi konsentrasi
konstituen
berdasarkan
pada
spektrumnya. Spektrum yang dianalisis
dapat diperoleh melalui berbagai teknik,
antara lain spektrofotometer fluoresensi,
near-infrared
spectrometry
(NIR),
NMR, UV spectrofotometer, XRD dll.
Spektrum secara khas terdiri dari nilainilai
yang menjangkau panjang
gelombang dengan kisaran yang luas,
sehingga terdiri dari ratusan komponen
yang harus dianalisis, sedangkan faktor
konsentrasi umumnya terbatas (Otto
Mathias 1999).
Pendekatan
PCR
dalam
aplikasi analisis multikomponen secara
spektroskopik, dekomposisi matrik
Absorbansi A dapat dituliskan sebagai
berikut:
A = UWVT

Estimasi matrik koefisien regresi B


dilakukan menurut kolom dengan
menggunakan:
b = A- c
dengan A- merupakan pseudo-invers
dari matrik absorbansi A.
Regresi yang diperoleh dari PCR
untuk Na yaitu 2,01 - 1,46 C512 + 2,30
C513 dengan nilai S sebesar 1,22555
dan PRESS nya sebesar 39,5893
dengan R2 yaitu 99,40%, sedangkan
untuk K yaitu - 0,109 - 0,578 C512 0,934 C513 dengan nilai S sebesar
0,174512 dan nilai PRESS yang
diperoleh yaitu 0,812543 dengan R2
sebesar 99,92%. Dari tabel dibawah
dapat dilihat perbandingan nilai PRESS
dan R2 dari model PCR dengan PLS.
Dari kedua model tersebut dapat dilihat
bahwa pada model PLS diperoleh nilai
PRESS yang lebih kecil dengan nilai R2
yang lebih besar sehingga dapat
dikatakan bahwa model PLS dalam
penentuan simultan campuran ini lebih
baik daripada metode PCR.
Tabel 1 Perbandingan model PCR dan
PLS dilihat dari nilai PRESS dan
R2.
Standar Model PRESS
R2
Na
PLS
3.05
99.95%
PCR
39,5893 99.40%
K
PLS
0.168
99.98%
PCR
0,812543 99.92%
Keuntungan utama dari kalibrasi
PCR adalah pertama, dekomposisi dari
matrik absorbansi menjadi matrik
ortogonal
yang
lebih
kecil
memungkinkan terjadinya pengurangan
permasalahan dimensional dalam kasus
sistem yang dikondisikan buruk. Jadi,
jika terdapat spektrum dengan korelasi
yang tinggi, kita akan selalu
memperoleh solusi yang terbaik dalam
hal matrik yang mendekati tunggal.
Kedua, Komponen tambahan yang tidak
diketahui atau komponen background
7

dapat secara otomatis dimodelkan


sebagai
komponen
utama
jika
konsentrasi dari komponen tersebut
bervariasi terhadap sampel kalibrasi
yang berbeda.

Cevdet D, Demir C, Brereton RG. 1998.


Multivariate
calibration
on
designed
mixture
of
four
pharmaceutical. Analyst 123:181189.

SIMPULAN

Diaz TG, Guiberteau, Burguillos JMO,


Salinas F. 1997. Comparison of
chemometric method: derivative
ratio spectra and multivariate
method (CLS, PCR, and PLS) for
the resolution of ternary mixture of
pesticides carbofuran carbanyl and
phenamifos after their extraction
into chloroform. Analyst 122:513517.

Metode kalibrasi multivariat


digunakan untuk menentukan simultan
dari campuran natrium benzoat dengan
kalium sorbat. principle component
analysis (PCA), principle component
regression (PCR), dan partial least
square (PLS) merupakan teknik
kalibrasi multivariat yang digunakan
kali ini. Pada PLS diperoleh bahwa
residual error dari analisis variasi dari
Na lebih besar daripada K. PCA
berperan untuk mereduksi data tersebut
sehingga hanya menjadi 23 data yang
ditunjukkan dalan grafik score plot.
Selanjutnya regresi linier Na maupun K
diperoleh dari teknik PCR dengan
menggunakan data yang telah direduksi
dari PCA.Pada model PLS diperoleh
nilai PRESS yang lebih kecil dengan
nilai R2 yang lebih besar sehingga dapat
dikatakan bahwa model PLS dalam
penentuan simultan campuran ini lebih
baik daripada metode PCR-nya.
DAFTAR PUSTAKA
Abdollahi H. 2001. Simultaneous
spectrophotometric determination
of chromium(VI) and iron(III) with
chromogenic mixed reagents by Hpoint standard addition method and
partial least squares regression.
Analytica Chimica Acta 442 : 327326.
Brereton RG. 2000. Introducing to
multivariate
calibration
in
analytical chemistry. Analyst 126:
2125-2154.

Forina M, Casolino MC, Martinez CP.


1998. Multivariate Calibration:
Applications to pharmaceutical
analysis. J Pharm Biomed Anal 18:
21-33.
Hadi, A.S. Imon, A.H.M.R, & Werner,
M. (2009). Detection of Outliers.
WIREs Computational Statistics, 1,
57-70.
Hubert, M. Rousseeuw, P.J. & Branden,
K.V. (2005). ROBPCA: A new
approach to robust principal
component
analysis.
Technometrics, 47, 64-79.
Lindblom T. 2004. Reaction in the
system
nitrocellulose/diphenylamine
with
special reference to the formation
of a stabilizing product bonded to
nitrocellulose.[terhubung
berkala].http://www.urn.kb.se/resol
ve?urn=urn:nbn:se:uu:diva-3989.
[30 Mar 2012].
Miller JM, Miller JN. 2000. Statistics
and Chemometrics for Analytical
Chemistry. Ed ke-4. London:
Prentice Hall.

Otto Matthias. 1999. Chemometrics:


statistics and computer application
in analytical chemistry. New York;
Chichester; Brisbane; Singapore;
Toronto: Wiley-VCH ISBN 3-52729628-X.
Varmuza
K.
2002.
Applied
Chemometric: Form Chemical Data
Relevant
Information
[terhubungberkala].http://www.vias
.org/tmdatanaleg/ccmultica.pdf
[30 Mar 2012].

LAMPIRAN
Metode Perhitungan Data
Results for: set kalibrasi
PLS Regression: Na; K versus 200.0; 200.2; 200.4; 200.6; 200.8; 201.0; ...
Number of components selected by cross-validation: 4
Number of observations left out per group: 2
Number of components cross-validated: 10
Analysis of Variance for Na
Source
Regression
Residual
Error
Total

DF
4

SS
MS
F
6572,57 1643,14 22065,07

18

1,34

22

6573,91

P
0

0,07

Analysis of Variance for K


Source
Regression
Residual
Error
Total

DF
4

SS
1054,5

18

0,11

22

1054,61

MS
F
263,625 43537,93

P
0

0,006

Model Selection and Validation for Na


Components
1
2
3
4
5
6
7
8
9
10

X
Variance
0,725935
0,984354
0,998433
0,999089

Error SS

R-Sq

PRESS

6057,76
10,28
3,6
1,34
0,66
0,58
0,28
0,26
0,25
0,11

0,078516
0,998437
0,999453
0,999796
0,9999
0,999913
0,999957
0,999961
0,999961
0,999983

7277,43
12,6
5,79
3,05
4,13
3,67
3,64
3,43
3,66
3,46

R-Sq
(pred)
0
0,998084
0,999119
0,999536
0,999371
0,999442
0,999446
0,999479
0,999444
0,999474

10

Model Selection and Validation for K


Components
1
2
3
4
5
6
7
8
9
10

X
Variance
0,725935
0,984354
0,998433
0,999089

Error SS

R-Sq

PRESS

140,21
4,593
0,121
0,109
0,106
0,105
0,083
0,043
0,01
0,01

0,86705
0,99564
0,99988
0,9999
0,9999
0,9999
0,99992
0,99996
0,99999
0,99999

175,991
6,478
0,181
0,168
0,189
0,207
0,238
0,227
0,255
0,237

R-Sq
(pred)
0,833122
0,993857
0,999828
0,999841
0,99982
0,999803
0,999774
0,999785
0,999758
0,999775

Principal Component Analysis: 200.0; 200.2; 200.4; 200.6; 200.8; 201.0; 201.2;
Eigenanalysis of the Covariance Matrix
Eigenvalue 64,953 30,041 0,477 0,303 0,050 0,015 0,006 0,002 0,001
Proportion 0,678 0,313 0,005 0,003 0,001 0,000 0,000 0,000 0,000
Cumulative 0,678 0,991 0,996 0,999 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

11

Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

12

Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

13

Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000


Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

14

Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000


Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

15

Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000


Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000
Cumulative 1,000 1,000 1,000 1,000 1,000 1,000
Regression Analysis: Na versus C512; C513
The regression equation is
Na = 2,01 - 1,46 C512 + 2,30 C513
Predictor
Constant
C512
C513

Coef
2,0074
-1,45681
2,30493

SE Coef
0,6255
0,03242
0,04767

T
3,21
-44,93
48,35

P
0,004
0
0

S = 1,22555 R-Sq = 99,5% R-Sq(adj) = 99,5%


PRESS = 39,5893 R-Sq(pred) = 99,40%
Analysis of Variance
Source
Regression
Residual
Error
Total

DF
2

SS
6543,9

MS
3271,9

20

30

1,5

22

6573,9

Source
C512
C513

DF
1
1

Seq SS
3032,7
3511,2

Obs
1
2
3
4

C512
-3,4
-6,6
-10,0
-13,2

Na
0,000
0,000
0,000
0,000

Fit
1,970
1,363
1,327
0,773

SE Fit
0,527
0,464
0,438
0,469

F
2178,42

Residual
-1,970
-1,363
-1,327
-0,773

P
0

St Resid
-1,78
-1,20
-1,16
-0,68
16

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

-16,5
-16,4
-19,9
-6,4
-12,9
-16,3
-9,5
-13,0
-16,3
-19,7
-23,0
-26,6
-16,6
-20,3
-23,7
-30,7
-16,9
-30,8
-34,3

0,000
10,000
10,000
20,000
20,000
20,000
30,000
30,000
30,000
30,000
30,000
30,000
40,000
40,000
40,000
40,000
50,000
50,000
50,000

0,420
9,529
9,264
19,767
18,962
18,658
28,664
28,895
28,545
28,581
28,331
28,734
40,066
40,933
41,193
40,716
50,876
51,284
51,149

0,538
0,383
0,475
0,500
0,297
0,274
0,485
0,368
0,282
0,265
0,324
0,434
0,429
0,369
0,359
0,501
0,615
0,521
0,602

-0,420
0,471
0,736
0,233
1,038
1,342
1,336
1,105
1,455
1,419
1,669
1,266
-0,066
-0,933
-1,193
-0,716
-0,876
-1,284
-1,149

-0,38
0,40
0,65
0,21
0,87
1,12
1,19
0,95
1,22
1,19
1,41
1,10
-0,06
-0,80
-1,02
-0,64
-0,83
-1,16
-1,08

Regression Analysis: K versus C512; C513


The regression equation is
K = - 0,109 - 0,578 C512 - 0,934 C513
Predictor
Constant
C512
C513

Coef
-0,10905
-0,577725
-0,934418

SE Coef
0,08907
0,004617
0,006788

T
-1,22
-125,14
-137,65

P
0,235
0
0

S = 0,174512 R-Sq = 99,9% R-Sq(adj) = 99,9%


PRESS = 0,812543 R-Sq(pred) = 99,92%
Analysis of Variance
Source
Regression
Residual
Error
Total

DF
2

SS
1054

MS
527

20

0,61

0,03

22

1054,61

Source

DF

Seq SS

C512
C513

1
1

476,94
577,06

F
17304,53

P
0

17

Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

C512
-3,4
-6,6
-10,0
-13,2
-16,5
-16,4
-19,9
-6,4
-12,9
-16,3
-9,5
-13,0
-16,3
-19,7
-23,0
-26,6
-16,6
-20,3
-23,7
-30,7
-16,9
-30,8
-34,3

K
4,0000
8,0000
12,0000
16,0000
20,0000
16,0000
20,0000
0,0000
8,0000
12,0000
0,0000
4,0000
8,0000
12,0000
16,0000
20,0000
4,0000
8,0000
12,0000
20,0000
0,0000
16,0000
20,0000

Fit
3,8363
7,8548
11,8703
15,8483
19,7600
16,0580
20,2164
0,1383
8,0695
12,2180
0,2174
4,1868
8,2140
12,1452
16,0730
20,1246
3,8919
7,8456
11,7268
20,0321
-0,1982
15,8535
20,0175

SE Fit
0,0751
0,0660
0,0623
0,0667
0,0766
0,0545
0,0677
0,0712
0,0423
0,0390
0,0691
0,0524
0,0402
0,0378
0,0461
0,0618
0,0610
0,0525
0,0511
0,0714
0,0876
0,0742
0,0857

Residual
0,1637
0,1452
0,1297
0,1517
0,2400
-0,0580
-0,2164
-0,1383
-0,0695
-0,2180
-0,2174
-0,1868
-0,2140
-0,1452
-0,0730
-0,1246
0,1081
0,1544
0,2732
-0,0321
0,1982
0,1465
-0,0175

St Resid
1,04
0,90
0,80
0,94
1,53
-0,35
-1,35
-0,87
-0,41
-1,28
-1,36
-1,12
-1,26
-0,85
-0,43
-0,76
0,66
0,93
1,64
-0,20
1,31
0,93
-0,12

Tabel 2 Penentuan Konsentrasi dan Koefisien Na & K dengan metode PLS.


Coef Na
Coef K
Kons Na
Kons K
Na
K
PLS
PLS
PLS
PLS
0
4
0,127
-0,0114
0,4404
4,0148
0
8
0,1213
-0,0109
0,2579
8,0074
0
12
0,0997
-0,0089
-0,1346
11,9616
0
16
0,0664
-0,006
0,0036
15,9824
0
20
0,0324
-0,0039
-0,1928
19,8847
10
16
-0,0063
-0,0012
9,8498
16,0619
10
20
-0,0533
0,0022
9,5718
20,1612
20
0
-0,1052
0,0057
20,1065
0,0689
20
8
-0,1421
0,0086
19,8173
7,9452
20
12
-0,12
0,0065
19,7695
12,0355
30
0
-0,0209
-0,0012
29,8268
0,004
30
4
0,0286
-0,0053
30,2699
3,9726
30
8
0,0451
-0,0068
30,0538
8,0223
30
12
0,0733
-0,0089
30,0436
11,9745
30
16
0,1265
-0,0131
30,1029
15,8894
18

30
40
40
40
40
50
50
50

20
4
8
12
20
0
16
20

0,1637
0,1561
0,1524
0,1762
0,1868
0,1893
0,2115
0,24
0,2473
0,239
0,2468
0,2608
0,2614
0,258
0,2736
0,281
0,2812
0,2826
0,2839
0,2872
0,2876
0,2951
0,3042
0,3087
0,3088
0,315
0,3155
0,3104
0,3114
0,3126
0,3118
0,3138
0,3178
0,3199
0,3272
0,3325
0,3352
0,3334
0,3317
0,335
0,3368
0,3339
0,3287
0,331

-0,016
-0,0152
-0,0147
-0,0164
-0,0169
-0,0169
-0,0184
-0,0202
-0,0204
-0,0196
-0,0202
-0,0209
-0,0205
-0,02
-0,0209
-0,0212
-0,0209
-0,0206
-0,0203
-0,0202
-0,02
-0,0203
-0,0208
-0,0208
-0,0204
-0,0207
-0,0205
-0,0198
-0,0197
-0,0195
-0,0191
-0,0191
-0,0193
-0,0193
-0,0195
-0,0197
-0,0198
-0,0195
-0,0192
-0,0194
-0,0193
-0,019
-0,0185
-0,0186

30,2913
39,8563
40,1931
40,3076
39,9613
49,4404
49,9452
50,2184

19,9281
4,0383
7,9861
11,9289
20,1595
-0,0012
15,9484
20,0256

19

0,3339
0,3357
0,3332
0,3339
0,3341
0,3338
0,3353
0,3294
0,3224
0,3177
0,3163
0,3155
0,3147
0,3132
0,3139
0,3099
0,3052
0,3043
0,2983
0,2922
0,2885
0,2861
0,288
0,2862
0,282
0,2795
0,2775
0,2721
0,2704
0,2722
0,2714
0,2741
0,2686
0,2627
0,2604
0,2596
0,2593
0,2537
0,2537
0,2552
0,2565
0,2519
0,2434
0,2445

-0,0187
-0,0187
-0,0185
-0,0186
-0,0187
-0,0187
-0,019
-0,0186
-0,0181
-0,0178
-0,0178
-0,0179
-0,0179
-0,018
-0,0183
-0,0181
-0,0179
-0,0181
-0,0178
-0,0175
-0,0174
-0,0173
-0,0176
-0,0177
-0,0175
-0,0175
-0,0174
-0,0171
-0,0171
-0,0174
-0,0174
-0,0177
-0,0174
-0,017
-0,0169
-0,0169
-0,017
-0,0166
-0,0166
-0,0167
-0,0169
-0,0165
-0,0159
-0,016

20

0,2482
0,2474
0,2397
0,234
0,2348
0,2358
0,2381
0,2357
0,2351
0,2346
0,2292
0,2248
0,2257
0,223
0,2181
0,2212
0,2256
0,2267
0,2222
0,2161
0,2152
0,2152
0,2146
0,2166
0,2203
0,2197
0,2166
0,2182
0,2198
0,2205
0,2216
0,2191
0,2194
0,2221
0,2217
0,2277
0,2316
0,2256
0,2202
0,2192
0,2171
0,2164
0,2181
0,2167

-0,0163
-0,0162
-0,0156
-0,0152
-0,0152
-0,0152
-0,0153
-0,0151
-0,0151
-0,0149
-0,0144
-0,014
-0,014
-0,0137
-0,0132
-0,0133
-0,0135
-0,0134
-0,0129
-0,0122
-0,012
-0,0119
-0,0117
-0,0116
-0,0117
-0,0114
-0,011
-0,0109
-0,0107
-0,0104
-0,0103
-0,0098
-0,0095
-0,0093
-0,0089
-0,009
-0,0088
-0,008
-0,0072
-0,0067
-0,0061
-0,0055
-0,0052
-0,0046

21

0,2156
0,2175
0,2199
0,2212
0,2177
0,215
0,2148
0,2128
0,2125
0,2094
0,2086
0,2108
0,207
0,2031
0,2024
0,2032
0,2005
0,2
0,1984
0,1913
0,1891
0,1894
0,1864
0,1814
0,1763
0,1674
0,1618
0,1622
0,1597
0,1548
0,1491
0,147
0,1448
0,1405
0,1351
0,1289
0,1231
0,1172
0,11
0,1042
0,1002
0,0925
0,0846
0,0757

-0,004
-0,0036
-0,0032
-0,0026
-0,0017
-0,0009
-0,0002
0,0007
0,0014
0,0024
0,0033
0,0039
0,0049
0,0059
0,0068
0,0077
0,0088
0,0097
0,0107
0,0121
0,0133
0,0144
0,0155
0,0167
0,0179
0,0194
0,0209
0,0219
0,023
0,0242
0,0256
0,0268
0,0279
0,029
0,0303
0,0316
0,0328
0,0341
0,0354
0,0365
0,0375
0,0387
0,0399
0,0413

22

0,0703
0,066
0,0595
0,0557
0,0487
0,0424
0,0413
0,0367
0,0301
0,0218
0,0165
0,0123
0,0088
0,0066
0,0016
-0,002
-0,0056
-0,007
-0,0099
-0,0157
-0,0176
-0,0188
-0,0227
-0,0261
-0,0269
-0,0286
-0,0305
-0,032
-0,0343
-0,0354
-0,0375
-0,0382
-0,0408
-0,0426
-0,0412
-0,0444
-0,0473
-0,0462
-0,0464
-0,0481
-0,0489
-0,0485
-0,0484
-0,0511

0,0424
0,0433
0,0442
0,045
0,0461
0,0469
0,0474
0,0481
0,0489
0,0497
0,0503
0,0508
0,0511
0,0514
0,0518
0,052
0,0524
0,0525
0,0527
0,053
0,0531
0,053
0,0532
0,0533
0,0532
0,0531
0,0531
0,0531
0,0531
0,053
0,0529
0,0527
0,0527
0,0527
0,0524
0,0525
0,0524
0,052
0,0519
0,0519
0,0518
0,0515
0,0513
0,0513

23

-0,0523
-0,053
-0,0548
-0,0535
-0,053
-0,0549
-0,056
-0,0558
-0,055
-0,0552
-0,0557
-0,0539
-0,0555
-0,0588
-0,0565
-0,0552
-0,056
-0,0579
-0,0595
-0,0583
-0,057
-0,0585
-0,0601
-0,0596
-0,0582
-0,057
-0,0583
-0,0581
-0,057
-0,0597
-0,0622
-0,0604
-0,0598
-0,0603
-0,0604
-0,0609
-0,0601
-0,0615
-0,0624
-0,0619
-0,0631
-0,0638
-0,063
-0,0611

0,0512
0,0511
0,051
0,0508
0,0505
0,0505
0,0504
0,0503
0,05
0,05
0,0499
0,0495
0,0494
0,0495
0,0492
0,0491
0,049
0,0491
0,049
0,0489
0,0487
0,0488
0,0488
0,0487
0,0484
0,0483
0,0484
0,0483
0,0482
0,0484
0,0485
0,0484
0,0484
0,0483
0,0483
0,0483
0,0483
0,0484
0,0484
0,0485
0,0487
0,0488
0,0487
0,0486

24

-0,0601
-0,0612
-0,0647
-0,0684
-0,0669
-0,0646
-0,0647
-0,0642
-0,066
-0,0661
-0,0638
-0,0645
-0,0638
-0,0609
-0,0619
-0,0653
-0,0667
-0,069
-0,0679
-0,0646
-0,066
-0,0671
-0,0682
-0,067
-0,0647
-0,0661
-0,0679
-0,068
-0,0694
-0,0691
-0,0662
-0,0668
-0,0696
-0,0707
-0,069
-0,0696
-0,0728
-0,0725
-0,0713
-0,0714
-0,0708
-0,0717
-0,073
-0,0737

0,0486
0,0487
0,0491
0,0495
0,0495
0,0494
0,0495
0,0496
0,0499
0,05
0,05
0,0502
0,0503
0,0502
0,0505
0,051
0,0513
0,0517
0,0518
0,0518
0,0522
0,0525
0,0528
0,053
0,053
0,0534
0,0539
0,0542
0,0546
0,0549
0,055
0,0554
0,0559
0,0563
0,0567
0,0572
0,0578
0,0582
0,0586
0,0592
0,0596
0,0602
0,0609
0,0614

25

-0,0733
-0,0746
-0,0761
-0,0768
-0,0795
-0,0808
-0,079
-0,077
-0,0783
-0,0818
-0,0828
-0,0823
-0,084
-0,0845
-0,0844
-0,0855
-0,0862
-0,0865
-0,0868
-0,0872
-0,0871
-0,0857
-0,0867
-0,0892
-0,0891
-0,0886
-0,0897
-0,0904
-0,0904
-0,0891
-0,0895
-0,0929
-0,0954
-0,0972
-0,0965
-0,0999
-0,1056
-0,1074
-0,1057
-0,107
-0,1105
-0,1125
-0,1133
-0,115

0,0621
0,0628
0,0634
0,0641
0,0649
0,0656
0,0662
0,0667
0,0673
0,0683
0,0693
0,0701
0,071
0,0718
0,0726
0,0736
0,0746
0,0756
0,0765
0,0775
0,0786
0,0797
0,0809
0,0821
0,0832
0,0845
0,086
0,0873
0,0886
0,0899
0,0915
0,0934
0,095
0,0967
0,0984
0,1006
0,1029
0,1049
0,1067
0,1087
0,1113
0,1137
0,1158
0,118

26

-0,1184
-0,1212
-0,1227
-0,1248
-0,1253
-0,1283
-0,1313
-0,132
-0,1339
-0,1404
-0,1419
-0,1427
-0,1433
-0,1447
-0,1468
-0,1483
-0,1473
-0,1464
-0,1484
-0,1506
-0,1551
-0,1565
-0,1585
-0,1587
-0,1502
-0,1563
-0,1637
-0,1637
-0,1689
-0,176
-0,1891
-0,2008
-0,2084
-0,2222
-0,2516
-0,2769
-0,2881
-0,2956
-0,3087
-0,3429
-0,378
-0,4006
-0,4336
-0,4504

0,1206
0,1233
0,1259
0,1285
0,1312
0,1341
0,1371
0,1401
0,143
0,1466
0,1499
0,1534
0,1571
0,1606
0,164
0,1682
0,1728
0,1768
0,1812
0,186
0,1911
0,1967
0,2023
0,2075
0,2129
0,2203
0,2275
0,2338
0,2412
0,2495
0,259
0,2684
0,2775
0,288
0,3013
0,3138
0,3242
0,3352
0,3472
0,3627
0,3794
0,3938
0,4091
0,4232

27

-0,4736
-0,528
-0,5862
-0,6295
-0,6622
-0,6699
-0,7085
-0,7665
-0,8257
-0,868
-0,9643
-0,9946
-1
-1,101
-1,2003
-1,2
-1,21
-1,2632
-1,3668
-1,6354
-1,7175
-1,6344
-1,7127
-1,8192
-1,8873
-2,0308
-2,051
-2,1516
-2,3374
-2,3765
-2,5642
-2,5808
-2,658
-2,7697
-2,8333
-3,0455
-3,1469
-3,0617
-3,4293
-4,0898
-4,6901
-4,9434
-4,5893
-4,6644

0,4417
0,4626
0,4824
0,5029
0,5243
0,5419
0,5625
0,5864
0,6108
0,6366
0,6685
0,6946
0,719
0,7534
0,7912
0,8168
0,8468
0,8845
0,9235
0,9791
1,0154
1,0463
1,0934
1,132
1,1738
1,2225
1,2624
1,3189
1,3767
1,4181
1,4797
1,5218
1,5752
1,645
1,699
1,7515
1,8114
1,8722
1,9587
2,0594
2,1871
2,2843
2,3053
2,3259

28

-4,9601
-4,6836
-4,3021
-5,3915
-6,998
-6,8274
-6,9613
-7,4925
-8,265
-7,811
-6,1455
-5,668
-5,7256
-4,0288
-3,1825
-5,8671
-6,3716
-3,5942
-4,0919
-1,3992
-5,322
-11,9767
-7,0773
-2,5033
0,167
4,0195
5,4525
-2,1743
-6,7314
1,414
2,3749
-7,6504
-12,142
-5,4375
-8,1767
-8,8697
-8,4811
-2,4278
20,453
29,9338
-10,7257
-3,6429
35,559
41,2216

2,3936
2,4529
2,4269
2,579
2,7611
2,8143
2,8984
2,9506
3,0197
2,9746
2,8568
2,812
2,7421
2,6093
2,5728
2,6122
2,4708
2,1157
2,2669
2,1815
2,365
2,6433
2,0238
1,5594
0,9364
-0,0048
-0,8684
-0,273
0,4924
-0,452
-1,4967
-1,6115
-1,4399
-2,7674
-3,2931
-4,1763
-5,6405
-6,3165
-7,867
-9,9949
-9,1193
-11,294
-15,4345
-17,6401

29

20,0007
29,1641

-16,7056
-19,4224

Tabel 3 Penentuan Konsentrasi dan Koefisien Na & K dengan metode PCA.


Coef Na
Coef K
Kons Na
Kons K
PCA
PCA
PCA
PCA
-0,134803
0,177132
-3,364
-2,1424
-0,134337
0,177284
-6,5929
-4,4465
-0,133099
0,171259
-10,0174
-6,6266
-0,132756
0,160359
-13,2302
-8,8975
-0,126996
0,149459
-16,4556
-11,0895
-0,11779
0,140204
-16,4479
-7,1324
-0,113043
0,12681
-19,9153
-9,4389
-0,110347
0,113312
-6,3742
3,6763
-0,108052
0,103221
-12,8834
-0,7872
-0,096874
0,091849
-16,3288
-3,0966
-0,082114
0,083293
-9,5292
5,5423
-0,07556
0,077073
-13,0068
3,4444
-0,072247
0,072555
-16,3325
1,1908
-0,068737
0,068822
-19,7096
-0,9284
-0,064895
0,065639
-22,9851
-3,1068
-0,061846
0,062118
-26,5927
-5,2122
-0,060369
0,059245
-16,6309
6,0007
-0,059179
0,057139
-20,3156
4,0476
-0,057243
0,05501
-23,7278
2,0037
-0,055788
0,052991
-30,6712
-2,5916
-0,054717
0,051309
-16,881
10,5325
-0,053215
0,049416
-30,7615
1,9361
-0,051697
0,047468
-34,2791
-0,3454
-0,050805
0,045941
-0,050158
0,044743
-0,049208
0,043515
-0,048385
0,042096
-0,04783
0,040876
-0,047328
0,039937
-0,046566
0,039031
-0,046081
0,038216
-0,045734
0,037454
-0,045274
0,036612
-0,044841
0,03575
-0,044523
0,035142
-0,044238
0,034657
-0,04384
0,034002
30

-0,043482
-0,043229
-0,042977
-0,042633
-0,042474
-0,042407
-0,04219
-0,041968
-0,041871
-0,041766
-0,041569
-0,041399
-0,041226
-0,041104
-0,041028
-0,040966
-0,040913
-0,040863
-0,040811
-0,040835
-0,040924
-0,040943
-0,04096
-0,041014
-0,041147
-0,041207
-0,041303
-0,041438
-0,041543
-0,041754
-0,042041
-0,042317
-0,042564
-0,042817
-0,043117
-0,043406
-0,043659
-0,043973
-0,044326
-0,04471
-0,045135
-0,045505
-0,045874
-0,046288

0,033388
0,032906
0,03236
0,031836
0,031417
0,031008
0,030625
0,030229
0,029876
0,02958
0,029255
0,028947
0,028671
0,028417
0,02822
0,028039
0,027811
0,027636
0,027519
0,027442
0,027354
0,027262
0,027208
0,02719
0,027212
0,027288
0,027416
0,027523
0,027646
0,027875
0,02813
0,028353
0,028612
0,028901
0,029229
0,029567
0,029913
0,030278
0,030648
0,031135
0,031574
0,031964
0,032376
0,032825

31

-0,046696
-0,047075
-0,047415
-0,047814
-0,04823
-0,048688
-0,049105
-0,049415
-0,049741
-0,050033
-0,050489
-0,050969
-0,051364
-0,051692
-0,051987
-0,052422
-0,052747
-0,053041
-0,053331
-0,053726
-0,054246
-0,054508
-0,054686
-0,054948
-0,055322
-0,055757
-0,056026
-0,056238
-0,056388
-0,056623
-0,056842
-0,057047
-0,057378
-0,057619
-0,057739
-0,058
-0,058254
-0,058258
-0,058246
-0,058401
-0,058668
-0,058886
-0,05896
-0,058979

0,033313
0,033783
0,03418
0,034581
0,035021
0,035482
0,035973
0,036371
0,036762
0,037104
0,037511
0,037935
0,038306
0,038673
0,038957
0,039283
0,039664
0,039939
0,040206
0,040527
0,040756
0,040945
0,041122
0,041306
0,041548
0,041768
0,041861
0,041893
0,041993
0,042083
0,042066
0,042055
0,042039
0,041951
0,041863
0,041785
0,041723
0,041518
0,04129
0,041132
0,040866
0,040617
0,040337
0,040002

32

-0,059056
-0,059057
-0,058995
-0,059006
-0,059045
-0,059027
-0,059017
-0,059037
-0,059006
-0,058942
-0,058823
-0,058706
-0,058676
-0,058489
-0,058287
-0,058298
-0,058311
-0,058235
-0,058109
-0,057992
-0,057899
-0,0577
-0,057474
-0,057285
-0,057085
-0,056816
-0,056657
-0,056487
-0,056261
-0,056114
-0,055871
-0,055679
-0,055445
-0,055111
-0,05493
-0,054779
-0,054523
-0,054236
-0,054003
-0,053739
-0,0535
-0,053349
-0,053123
-0,052851

0,039637
0,039229
0,038825
0,03841
0,037984
0,037449
0,036924
0,036426
0,035906
0,035307
0,034629
0,033907
0,033209
0,032527
0,03183
0,031126
0,030337
0,029522
0,028761
0,02797
0,027169
0,026299
0,025384
0,024497
0,023551
0,022565
0,021499
0,020457
0,019484
0,018513
0,017464
0,016297
0,015178
0,014139
0,013131
0,012093
0,010926
0,009658
0,008475
0,007413
0,006363
0,005209
0,003887
0,002655

33

-0,052627
-0,052433
-0,052286
-0,052132
-0,051869
-0,05159
-0,051399
-0,051211
-0,051
-0,050773
-0,050539
-0,050361
-0,050176
-0,049985
-0,049805
-0,049595
-0,049437
-0,049308
-0,049145
-0,048952
-0,048742
-0,048582
-0,048394
-0,048226
-0,048078
-0,047882
-0,047735
-0,04762
-0,047465
-0,047301
-0,047172
-0,047103
-0,047016
-0,046948
-0,046885
-0,046816
-0,04681
-0,046781
-0,04673
-0,046711
-0,04673
-0,046754
-0,046802
-0,046877

0,001587
0,000521
-0,000573
-0,00172
-0,002993
-0,004242
-0,005349
-0,006428
-0,007597
-0,008915
-0,010119
-0,011269
-0,012467
-0,01358
-0,014789
-0,016072
-0,017217
-0,01832
-0,019466
-0,020546
-0,021675
-0,022942
-0,024187
-0,025328
-0,02645
-0,027596
-0,028833
-0,030077
-0,031207
-0,032265
-0,033311
-0,034375
-0,035538
-0,036643
-0,037593
-0,038495
-0,039445
-0,040482
-0,041417
-0,042281
-0,043094
-0,043882
-0,044781
-0,045754

34

-0,046944
-0,04696
-0,047006
-0,047137
-0,047213
-0,047275
-0,047385
-0,047495
-0,04761
-0,047704
-0,04785
-0,047974
-0,048031
-0,04815
-0,048363
-0,048509
-0,048593
-0,048726
-0,048864
-0,048945
-0,049057
-0,049259
-0,049391
-0,049485
-0,049623
-0,049735
-0,049827
-0,049962
-0,050101
-0,050233
-0,050357
-0,050422
-0,050534
-0,050679
-0,050777
-0,050932
-0,05103
-0,051071
-0,051125
-0,051255
-0,051347
-0,05137
-0,051399
-0,051478

-0,046597
-0,047341
-0,048132
-0,048939
-0,049764
-0,050557
-0,051257
-0,051957
-0,052646
-0,053337
-0,054014
-0,054691
-0,055339
-0,055859
-0,056457
-0,057136
-0,057717
-0,058299
-0,058853
-0,059368
-0,059865
-0,060379
-0,060952
-0,061456
-0,061893
-0,062335
-0,062809
-0,063243
-0,063692
-0,064235
-0,064698
-0,065047
-0,065447
-0,065885
-0,066228
-0,066514
-0,066869
-0,067285
-0,067707
-0,067954
-0,06814
-0,068422
-0,068666
-0,068957

35

-0,051556
-0,051589
-0,05168
-0,051664
-0,051658
-0,051703
-0,05173
-0,051807
-0,051855
-0,051792
-0,051736
-0,051732
-0,051742
-0,051752
-0,051662
-0,051657
-0,051699
-0,051616
-0,051545
-0,051479
-0,051432
-0,051266
-0,051132
-0,051118
-0,050984
-0,050831
-0,050717
-0,050568
-0,050397
-0,050253
-0,050115
-0,049951
-0,049756
-0,04958
-0,049366
-0,049121
-0,048982
-0,048837
-0,048575
-0,048379
-0,048211
-0,047955
-0,047723
-0,047465

-0,069252
-0,069422
-0,069706
-0,069947
-0,070081
-0,070242
-0,070453
-0,070623
-0,07071
-0,070813
-0,070896
-0,070956
-0,071034
-0,071147
-0,071175
-0,071227
-0,071317
-0,071393
-0,071435
-0,071336
-0,071321
-0,071311
-0,071242
-0,071141
-0,071006
-0,070846
-0,070688
-0,07058
-0,070485
-0,070385
-0,07024
-0,070047
-0,069818
-0,069614
-0,069367
-0,0691
-0,068827
-0,068547
-0,068308
-0,06805
-0,067745
-0,067474
-0,067161
-0,066694

36

-0,047158
-0,0469
-0,046694
-0,04645
-0,046149
-0,045892
-0,045604
-0,045271
-0,044939
-0,044642
-0,044416
-0,044117
-0,043711
-0,043355
-0,043067
-0,042745
-0,042336
-0,041882
-0,041484
-0,041113
-0,040758
-0,040374
-0,039919
-0,039509
-0,039147
-0,038763
-0,038358
-0,037952
-0,037497
-0,037065
-0,036733
-0,036362
-0,035893
-0,035444
-0,035065
-0,034682
-0,03427
-0,033811
-0,033354
-0,032942
-0,032529
-0,032088
-0,03159
-0,031111

-0,066258
-0,065947
-0,065672
-0,065288
-0,064777
-0,064355
-0,0639
-0,063458
-0,06306
-0,062614
-0,062186
-0,061646
-0,061067
-0,060476
-0,059925
-0,059476
-0,058976
-0,058346
-0,057696
-0,057143
-0,056624
-0,056013
-0,055376
-0,054774
-0,054185
-0,053565
-0,052935
-0,052284
-0,051623
-0,051005
-0,050422
-0,049768
-0,04903
-0,048322
-0,047667
-0,047031
-0,046354
-0,045572
-0,044833
-0,044197
-0,043528
-0,04279
-0,042021
-0,041289

37

-0,030695
-0,030289
-0,029851
-0,029351
-0,028862
-0,028412
-0,027957
-0,027488
-0,026988
-0,026517
-0,026082
-0,025633
-0,025133
-0,02462
-0,024134
-0,023654
-0,023202
-0,022744
-0,022243
-0,021775
-0,021362
-0,020945
-0,020521
-0,02007
-0,019638
-0,019241
-0,018848
-0,018451
-0,018036
-0,017635
-0,017272
-0,016911
-0,016533
-0,016137
-0,015751
-0,015401
-0,015059
-0,014679
-0,014282
-0,013923
-0,013582
-0,013238
-0,012898
-0,01252

-0,040608
-0,039964
-0,0393
-0,038563
-0,037822
-0,037153
-0,036516
-0,035877
-0,035194
-0,034533
-0,033946
-0,033351
-0,032703
-0,03199
-0,031317
-0,030706
-0,030137
-0,029541
-0,028845
-0,028204
-0,027654
-0,0271
-0,026483
-0,025825
-0,025197
-0,024609
-0,02404
-0,023458
-0,02282
-0,022197
-0,02164
-0,021071
-0,020475
-0,019852
-0,019246
-0,018706
-0,018187
-0,017623
-0,017039
-0,016522
-0,016053
-0,015583
-0,015106
-0,014594

38

-0,012146
-0,011817
-0,011466
-0,011079
-0,010734
-0,01041
-0,010072
-0,009728
-0,009362
-0,00902
-0,008714
-0,008396
-0,008045
-0,007721
-0,007448
-0,007179
-0,006895
-0,006599
-0,006315
-0,006073
-0,005854
-0,005616
-0,005364
-0,005143
-0,004942
-0,004733
-0,004517
-0,004326
-0,004152
-0,003985
-0,003811
-0,003628
-0,00347
-0,003329
-0,003185
-0,003038
-0,002892
-0,002768
-0,002653
-0,002534
-0,002417
-0,002303
-0,002206
-0,002104

-0,014134
-0,01374
-0,013336
-0,012915
-0,012534
-0,012183
-0,011833
-0,011486
-0,01113
-0,010805
-0,010505
-0,010198
-0,009874
-0,009576
-0,009333
-0,009077
-0,00879
-0,008495
-0,008228
-0,007986
-0,007753
-0,007515
-0,007268
-0,007029
-0,0068
-0,006576
-0,006332
-0,006112
-0,005909
-0,005705
-0,005496
-0,005271
-0,005073
-0,004893
-0,004711
-0,004507
-0,00432
-0,00416
-0,004004
-0,003848
-0,003678
-0,00352
-0,003378
-0,003228

39

-0,001997
-0,001916
-0,001839
-0,001763
-0,001685
-0,0016
-0,001531
-0,001471
-0,001407
-0,001335
-0,00127
-0,001215
-0,00116
-0,0011
-0,001048
-0,000997
-0,000955
-0,000913
-0,00086
-0,000817
-0,000782
-0,000759
-0,000718
-0,000672
-0,00064
-0,000614
-0,000591
-0,000564
-0,000531
-0,00051
-0,000489
-0,000468
-0,000446
-0,000416
-0,000394
-0,000382
-0,000362
-0,000343
-0,00033
-0,000319
-0,000309
-0,000291
-0,000268
-0,000259

-0,003088
-0,002962
-0,002853
-0,002745
-0,002631
-0,002504
-0,002392
-0,002302
-0,002218
-0,002121
-0,002021
-0,001935
-0,001852
-0,001771
-0,001683
-0,0016
-0,001535
-0,001475
-0,0014
-0,001335
-0,001273
-0,001218
-0,001168
-0,001112
-0,001062
-0,001023
-0,000984
-0,000939
-0,00089
-0,000848
-0,000812
-0,000782
-0,000746
-0,000703
-0,00067
-0,000646
-0,000626
-0,000595
-0,000567
-0,000546
-0,000521
-0,000495
-0,000462
-0,000442

40

-0,000246
-0,000228
-0,000224
-0,000218
-0,000204
-0,000197
-0,000195
-0,000187
-0,000178
-0,00017
-0,000158
-0,000141
-0,000135
-0,000131
-0,000123
-0,000116
-0,000113
-0,000107
-0,000104
-0,000094
-0,000087
-0,000084
-0,000078
-0,000076

-0,000434
-0,000424
-0,000399
-0,000377
-0,000352
-0,00034
-0,000332
-0,000316
-0,000298
-0,000285
-0,000282
-0,000271
-0,000257
-0,000243
-0,000236
-0,000232
-0,000228
-0,000212
-0,000185
-0,000178
-0,000176
-0,000165
-0,000162
-0,000145

Tabel 4 Penentuan Konsentrasi dan Koefisien Na & K dengan metode PCR.


Coef Na
Kons Na
Coef K
Kons K
PCR
PCR
PCR
PCR
2,00736
1,9699
-0,109051
3,8363
-1,45681
1,3631
-0,577725
7,8548
2,30493
1,3269
-0,934418
11,8703
0,773
15,8483
0,4196
19,76
9,529
16,058
9,2641
20,2164
19,767
0,1383
18,9616
8,0695
18,6579
12,218
28,6642
0,2174
28,8948
4,1868
28,5453
8,214
28,5806
12,1452
28,3314
16,073
41

28,7342
40,0665
40,9329
41,1927
40,716
50,8763
51,2835
51,1494

20,1246
3,8919
7,8456
11,7268
20,0321
-0,1982
15,8535
20,0175

42