MAKALAH

FARMAKOGNOSI ANALITIK

OLEH :
MUHAMMAD ALPI INDRAWAN
1801298
TRANSFER A 2018

SEKOLAH TINGGI ILMU FARMASI

MAKASSAR
2019
1. Metode HCA
Profil kimia dan genetiknya dilakukan dengan menggunakan aplikasi
PCA dan cluster analysis (CA) sebagai metode klasifikasi. Hasilnya dianalisis
dengan PCA dan HCA yang mendukung informasi penting untuk evaluasi
keamanan. Kolasani et al., (2011) menentukan konsentrasi unsur mineral 50
ramuan obat Cina dengan spektroskopi serapan atom [77]. Data dianalisis
dengan PCA dan HCA untuk memahami hubungan antara unsur dan untuk
mengklasifikasikan sampel herbal
2. METODE PCA (Principal Component Analysis)
Prinsip utama analisis PCAadalah mencari komponen utama (PC) yang
merupakan kombinasi linier dari peubah asli (Lebart et al,1984). PCA secara
umum dikenal sebagai teknik interpretasi multivariat yang paling banyak
digunakan untuk mengenali pola dari suatu data sehingga data dapat
dikelompokkan berdasarkan persamaan pola (Brereton 2003).

PCA merupakan suatu metode analisis peubah ganda yang bertujuan

menyederhanakan peubah dengan cara mengurangi dimensinya. Secara
keseluruhan kegunaan PCA adalah untuk menglasifikasi sampel menjadi
grupyang umum, mendeteksi adanya pencilan (outliers), melakukan pemodelan
data, serta menyeleksi variabel untuk klasifikasi maupun untuk pemodelan
(Brereton 2003).
Tiap komponen utama menggambarkan arah dalam ruang dalam
pengukuran variabel. PC pertama memiliki varians terbesar dalam set data
(Tanaka et al. 2011). Teknik PCA terbagi menjadi 2 berdasarkan dekomposisi
matriks data X (N × K), yaitu matriks T (N × A) dan matriks P (K × A) yang
saling tegak lurus. T merupakan matriks skor yang menggambarkan varians
dalam objek. P merupakan matriks loading, yaitu pengaruh peubah terhadap
komponen utama yang terdiri atas data asli dalam sistem koordinat baru. E
adalah galat dari model yang terbentuk sedangkan A adalah jumlah PC yang
digunakan untuk membuat model (Brereton,2003).
3. Metode SIMCA ( Soft Independent Modelling of Class Analogy)
Soft independent modelling of class analogy (SIMCA) merupakan teknik
analisis multivariat terawasi yang digunakan untuk menguji kekuatan
diskriminasi dan klasifikasi sampel. SIMCA digunakan untuk menetapkan
sampel ke dalam kelas yang tersedia dengan tepat. Metode klasifikasi ini
didasarkan pada pembuatan model PCA untuk masing-masing kelas dan
mengklasifikasikan setiap sampel pada masingmasing model PCA. Hasil luaran
dari SIMCA berupa tabel klasifikasi dimana sampel dapat terklasifikasikan
dalam satu, beberapa kelas, atau tidak terklasifikasikan ke dalam kelas
manapun (Nurcahyo, 2015).
4. Metode LDA (Linear Discriminant Analysis)
LDA berbeda dengan SIMCA,dimana LDA menganggap bahwa
sampel harus menjadi bagian dari salah satu kategori yang dianalisis. LDA
digunakan dalm permasalahn yang melibatkan hanya dua kategori (Camo,
2009). Keberhasilan LDA dalam pendekatan objek dapat diuji dengan beberapa
cara. Cara yang paling baik adalah dengan menggunskan model klasifikasi
yang dibuat cengan mengklasifikasikan objek dan menentukan menentukan
objek dan menentukan hasil pengklasifikasian tersebut benar atau tidak. Objek
yang diklasifikasi merupakan bagian dari setdata yang digunakan untuk
membentuk model.
Metode yang lebih baik adalah dengan membagi data aslimenjadi dua
kelompok yang telah dipilih secara randomisasi. Kelompok pertama disebut
training set dan digunakan untuk menentukan fungsi diskriminan linier. Objek
pada kelompok kedua disebut test set dan digunakan untuk mengevaluasi
kinerja fungsi diskriminan linier dan keberhasilan LDA dapat diketahui (Miller
dan Miller, 2010).
5. Metode Partial Least Square-Dis-criminative Analysis(PLS-DA)
Partial Least Square Discriminant Analysis (PLSDA) adalah salah satu
metode klasifikasi yang sering diterapkan dalam bidang kemometrik dengan
berlandaskan pendekatan PLS (Hakim 2010). Standard algoritma PLS yang
dipergunakan dengan vector yang tak bebas yang berupa data kelompok.
Dalam kasus dua kelompok, biasanya nilai dari peubah tak bebas diberikan 1
untuk satu kelompok dan 0 atau -1 untuk kelompok lainnya. Metode PLSDA
digunakan ntuk membangun suatu model. Model PLSDA umumnya disebut
"metode faktor" karena mengubah jumlah variabel yang besar menjadi
sejumlah kecil variabel orthogonal yang disebut "faktor" atau "komponen
utama" (PC), yang merupakan kombinasi linier dari variabel asli.
PC pertama berisi informasi yag lebih berguna, sedangkan yang terakhir
merupakan noise, dan tidak diperhitungkan dalam model PLS. Jumlah optimum
faktor yang dipilih untuk kalibrasi dioptimalkan secara otomatis oleh perangkat
lunak yang digunakan. Berbeda dengan metode PCA, kebaikan suatu model
klasifikasi pada metode PLSDA cukup dilihat dari nilai determination coefficient
(R2), root mean square error of calibration (RMSEC) dan root mean square
error of prediction (RMSEP). Nilai RMSEC merupakan galat.
Metode tersebut mendeskripsikan variasi yang terdapat dalam matriks
variabel respon (Y) dengan menggunakan informasi yang diperoleh dari
variabel penjelas. Jika matriks Y memiliki variabel yang spesifik, seperti
evaluasi kualitas makanan dengan uji sensori, maka pendekatan PLS sangat
membantu dalam mengekstrak metabolit penting yang berkaitan dengan
variabel Y (Putri et al, 2013). Prediksi berbasis PLS yang menggunakan data
metabolom sangat berguna dalam memprediksi atribut sensori dari berbagai
macam sampel makanan seperti teh hijau (Song et al, 2010; Yamamoto et al,
2012).
6. Metode Least Square Support Vector Machine (LSSVM)
Menggunakan Least Square Support Vector Machine (LSSVM) untuk
memetakan hubungan kompleks dan nonlinier antara input dan output variabel.
PLS dan LSSVM merupakan salah satu metode nonlinearyang digunakan untuk
menyelesaikan permasalahan klasifikasi. Least Squares Support Vector
Machine (LS-SVM) adalah salah satu variasi Support Vector Machine (SVM)
untuk klasifikasi data besar dalam bidang data mining. SVM menyelesaikan
masalah pemograman kuadratik, sedangkan LS-SVM menyelesaikan
persamaan linear. Pada awalnya SVM hanya digunakan untuk klasifikasi biner,
maka dikembangkanlah beberapa metode untuk mengklasifikasikan data
multikelas.
7. Metode KNN (K-Nearest Neighbor)
Algoritme k-nearest neighbor (k-NN atau KNN) adalah sebuah metode
untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran
yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran
diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi
merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian
berdasarkan klasifikasi data pembelajaran. Sebuah titik pada ruang ini ditandai
kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k
buah tetangga terdekat titk tersebut. Dekat atau jauhnya tetangga biasanya
dihitung berdasarkan jarak Euclidean.
Pada fase pembelajaran, algoritme ini hanya melakukan penyimpanan
vektor-vektor fitur dan klasifikasi dari data pembelajaran. Pada fase klasifikasi,
fitur-fitur yang sama dihitung untuk data test (yang klasifikasinya tidak
diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor data
pembelajaran dihitung, dan sejumlah k buah yang paling dekat diambil. Titik
yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari
titik-titik tersebut. Nilai k yang terbaik untuk algoritme ini tergantung pada data;
secara umumnya, nilai k yang tinggi akan mengurangi efek noise pada
klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur.
Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan
menggunakan cross-validation. Kasus khusus di mana klasifikasi diprediksikan
berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k = 1)
disebut algoritme nearest neighbor.
Ketepatan algoritme k-NN ini sangat dipengaruhi oleh ada atau tidaknya
fitur-fitur yang tidak relevan, atau jika bobot fitur tersebut tidak setara dengan
relevansinya terhadap klasifikasi. Riset terhadap algoritme ini sebagian besar
membahas bagaimana memilih dan memberi bobot terhadap fitur, agar
performa klasifikasi menjadi lebih baik. Terdapat beberapa jenis algoritme
pencarian tetangga terdekat, diantaranya:
  Linear scan
 Pohon kd
 Pohon Balltree
 Pohon metrik
 Locally-sensitive hashing (LSH)

Algoritme k-NN ini memiliki konsistensi yang kuat. Ketika jumlah data
mendekati tak hingga, algoritme ini menjamin error rate yang tidak lebih dari
dua kali Bayes error rate (error rate minimum untuk distribusi data tertentu).

8. Metode SA
Metode SA (Similiarity Analysis) merupakan standar evaluasi kesamaan
atau similiarity yang sering digunakan pada data yang didapat. Analis data
dilakukan dengan menggunakan software bernama Similiarity Evaluation
System for Chromatograohic Fingerprint of Traditional Chinise Medicine
yang disusun oleh Komite Pharmacopeia China (Version 2004 A) yang
direkomendasikan oleh SFDA China (Wei Jun dkk, 2009). Dalam SA,
korelasi dan koefisien dan kesesuaian koefisien diadopsi ke nilai konsistensi
(Xu dkk, 2006).
 DAFTAR PUSTAKA

Krastanov A. 2010. Metabolomic-the state of art. Biotechnol. & Biotechnol. 24:

1537-1543
Theodoridis G, Helen GG, Wilson ID. 2008. LC-MS-based methodology for
global metabolite profiling in metabonomics/metabolomics. Trends in Anal
Chem 27: 251-260.
Miller JN, Miller JC. 2000. Statistics and Chemometrics for Analytical Chemistry,
4th Edition. England: Pearson Education.
Miller JN, Miller JC. 2000. Statistics and Chemometrics for Analytical Chemistry,
4th Edition. England: Pearson Education.
Castillo S, Gopalacharyulu P, Yetukuri L, Oresic M. 2011. Algorithms and tools
for the preprocessing of LC-MS metabolomics data. Chemometrics and
Intelligent Laboratory Systems 108: 23-32.
Wei Jun Kong, Yan Ling Zhao, Xiao He Xiao, Cheng Jin, Zu Lun Li. 2009.
Quantitative and chemical fingerprint analysis for quality control of
Rhizoma Coptidischinensis based on UPLC-PAD combined with
chermometrics methods.
C.J. Xu, Y.Z Liang, F.T. Chau, Y. Vander Heyden, J.Chromatogr. A 1134 (2006)
253