3.

2 Baseline Removal
Dalam beberapa bentuk spektroskopi seseorang dapat menemukan garis dasar, atau "sinyal latar
belakang" yang jauh dari tingkat nol. Karena ini pada ukuran seperti tinggi puncak dan luas puncak,
sangat penting untuk mengoreksi fenomena tersebut.

Spektroskopi inframerah , Misalnya, dapat menyebabkan penyebaran efek (permukaan

sampel dalam pengukuran) Sebagai akibatnya, seseorang sering mengamati offset spektral: dua
spektrum dari bahan yang sama dapat menunjukkan perbedaan konstan sepanjang rentang panjang
gelombang. Mudah dilepas dengan mengambil turunan pertama (yaitu, melihat perbedaan antara
intensitas pada panjang gelombang sekuensial, bukan intensitasnya sendiri). Lihatlah data bensin:

Perhatikan bahwa jumlah variabel menurun satu per satu. Hasilnya ditunjukkan pada Gambar 3.5.
Perbandingan dengan data asli (Gambar 2.1) menunjukkan struktur yang lebih rinci; Harga adalah
peningkatan kebisingan. Cara yang lebih baik untuk mendapatkan spektrum derivatif pertama
diberikan oleh filter Savitsky-Golay, yang tidak hanya lebih halus namun juga dapat digunakan untuk
menghitung turunan:

> nir.deriv <- apply(gasoline$NIR, 1, sgolayfilt, m = 1)

Dalam kasus khusus ini, perbedaan antara kedua metode sangat kecil.

Cara lain untuk menghilangkan efek scatter pada spektroskopi inframerah adalah Multiplicative
Scatter Correction (MSC, [13,14]). Masing-masing memodelkan sinyal spektrum permintaan sebagai
fungsi linier dari spektrum referensi:

Spektrum referensi yang jelas mungkin tidak tersedia, dan kemudian sering digunakan spektrum rata-
rata. Ini juga merupakan pendekatan dalam fungsi msc dari paket pls:

> Nir.msc <- msc (bensin $ NIR)

lUntuk data bensin, perbedaannya cukup kecil. Dalam kasus yang lebih sulit, arus dasar non-konstan
dapat diamati. Turunan pertama tidak cukup untuk mengatasi masalah semacam itu, dan kita harus
menggunakan teknik yang benar-benar memperkirakan bentuk garis dasar. Fungsi pastinya biasanya
tidak penting {baseline akan dikurangkan dan hanya itu. Untuk menggambarkan hal ini,
pertimbangkan kromatogram pertama dalam data gaschrom. Salah satu solusi yang sangat sederhana
adalah menghubungkan minima lokal, yang diperoleh dari, mis., Bagian 200 poin:

> x <- gaschrom[1,]

> lsection <- 200

> xmat <- matrix(x, nrow=lsection)

> ymin <- apply(xmat, 2, min)

> plot(x, type = "l", col = "gray", ylim = c(20, 50),

+ xlab = "Time", ylab = "I")

> lines(rep(ymin, each = lsection))

Kami telah menggunakan trik yang sekarang dikenal untuk mengubah vektor menjadi matriks dan
menghitung nilai minimal untuk setiap kolom untuk mendapatkan tingkat intensitas segmen garis
horizontal. Hasilnya ditunjukkan pada plot kiri Gambar 3.6. Jelas, estimasi baseline yang lebih halus
akan lebih baik. Salah satu fungsi yang bisa digunakan adalah loess, memasukkan polinomial lokal
melalui nilai minimal: