MAKALAH

FARMAKOGNOSI ANALITIK

“ANALISIS KEMOMETRIK”

DISUSUN OLEH :

NAMA : EUFRASIA WILLIS PAKADANG

NIM : 17.01.200

KELAS : STIFA D

Dosen Mata Kuliah : KHAIRUDDIN S.Si.,M.Si.,Apt

SEKOLAH TINGGI ILMU FARMASI MAKASSAR

MAKASSAR

2019
 Spektrometri merupakan suatu metode analisis kuantitatif yang
pengukurannya berdasarkan banyaknya radiasi yang dihasilkan atau
yang diserap oleh spesi atom atau molekul analit. Ada beberapa bagian
dari spektrometri yaitu :

A. Principal Component Analysis (PCA)

PCA (principal component analysis) adalah sebuah
transformasi linier yang biasa digunakan pada kompresi data. PCA
juga merupakan teknik yang umum digunakan untuk menarik fitur-
fitur dari data pada sebuah skala berdimensi tinggi. PCA
memproyeksikan Read Out Sumber cahaya monokromator Kuvet
sampel detektor 19 data ke dalam subspace. Teknik PCA dapat
mengurangi dimensi dari data tanpa menghilangkan informasi
penting dari data tersebut (Varmuza, 2000).
Principal Component Analysis (PCA) merupakan suatu
teknik untuk mengurangi jumlah pengubah dalam suatu matrik
data. Prinsip PCA yaitu mencari komponen utama yang
merupakan kombinasi linier dari peubah asli. Penggunaan PCA
pada umumnya untuk mengaplikasikan sampel menjadi grup yang
umum, mendeteksi adanya pencilan (outliers), melakukan
pemodelan data, serta menyeleksi peubah untuk klasifikasi
maupun untuk pemodelan komponen-komponen utama ini dipilih
demikian rupa sehingga komponen utama memiliki variasi
terbesar dalam set data, sedangkan komponen utama yang kedua
tegak lurus terhadap komponen utama pertama dan memiliki
variasi terbesar. Kedua komponen utama ini pada umumnya
digunakan sebagai bidang proyeksi utama pemeriksaan visual
data multivariat (Dian, 2015).
Principal Component Analysis (PCA) merupakan metode
yang dapat digunakan untuk mengatasi masalah multikolinearitas.
Principal Component Analysis (PCA) merupakan salah satu fitur
ekstraksi (reduksi) data multivariat yang banyak digunakan, ketika
 antar variabel terjadi korelasi. Metode PCA digunakan jika data
yang ada memiliki jumlah variabel yang besar dan memiliki
korelasi antar variabelnya. Metode analisis ini bertujuan untuk
menyederhanakan perubahan yang diamati dengan cara
mereduksi variabel yang ada menjadi lebih sederhana tanpa harus
menghilangkan variabel yang asli. Hasil dari variabel reduksi
disebut principal componen atau biasa disebut vactor.
B. Hierarchical Clusturing Analysis (HCA)
Merupakan metode pengelompokan data berdasarkan
kemiripan. Metode ini mengelompokkan dua objek atau lebih yang
memiliki kemiripan atau kesamaan yang paling dekat hingga
cluster yang dibentuk terdapat tingkatan yang jelas. HCA
digunakan untuk mengidentifikasi spesies dan melakukan
pengelompokan sampel sebagai kelompok (Fukunaga, 1990).
C. PLS
Partial Least Square (PLS) dikembangkan pertama kali
oleh Wold sebagai metode umum untuk mengestimasi path model
yang menggunakan konstruk laten dengan multiple indikator. Pada
tahun 1966, Herman Wold mempresentasikan dua prosedur iteratif
menggunakan metode estimasi least square untuk single dan
multikomponen model. Pada dasarnya, Wold membangun model
PLS untuk menguji teori yang lemah dan masalah pada asumsi
normalitas distribusi data. Tujuan PLS adalah memprediksi
pengaruh variabel X terhadap Y dan menjelaskan hubungan
teoritikal di antara kedua variabel. PLS adalah metode regresi
yang dapat digunakan untuk idetifikasi faktor yang merupakan
kombinasi variabel X sebagai penjelas dan variabel Y sebagai
respon. Analisis partial least square (PLS) adalah teknik statistika
multivariat yang melakukan perbandingan antara variabel
dependen berganda dan variabel independen berganda. PLS
adalah salah satu metode statistika SEM berbasis varian yang
 secara simultan 10 dapat melakukan pengujian model pengukuran
sekaligus pengujian model structural. Model pengukuran
digunakan untuk uji validitas dan reliabilitas, sedangkan model
struktural digunakan untuk uji kasualitas (pengujian hipotesis
dengan model prediksi). PLS digunakan untuk memprediksi
serangkaian variabel tak bebas dari variabel bebas (prediktor)
yang jumlahnya sangat banyak, memiliki struktur sistematik linier
atau non-linier, dengan atau tanpa data yang hilang, dan memiliki
kolinearitas yang tinggi. Metode ini membentuk model dari
variabel-variabel yang ada untuk membentuk serangkaian respons
dengan menggunakan regresi kuadrat terkecil dalam bentuk
matriks (Vermuza, 2000). Parameter-parameter dalam PLS
sebagai metode kalibrasi adalah factors, loadings, dan scores.
Model PLS berdasar pada komponen utama dari data bebas X
dan data tak bebas Y. Inti dari PLS adalah untuk menghitung nilai
(scores) dari matriks X dan Y dan untuk membuat model regresi
antara nilai-nilai tersebut (Paye, 2001).
D. SIMCA-LDA
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 masing-masing model
PCA. Hasil luaran dari SIMCA berupa tabel klasifikasi dimana
sampel dapat terklasifikasikan dalam satu, beberapa kelas, atau
tidak terklasifikasikan ke dalam kelas manapun. SIMCA dan PCA
merupakan analisis multivariat yang digunakan dalam
mengekstrak informasi spektrum yang diperlukan dan
menggunakan informasi spektrum tersebut untuk aplikasi kualitatif
 dan kuantitatif. Tujuan SIMCA dan PCA yaitu membuat sebuah
pengurangan jumlah peubah yang menjelaskan aktifitas biologis
atau sifat kimia ke dalam peubah independen yang lebih kecil.
(Adams, 1995)
E. Support Vector Machines (SVM)
SVM merupakan pendekatan baru untuk klasifikasi dimana
telah dikemukakan pada awal tahun 1990. SVM disebut sebagai
metode pembatas. SVM tidak membentuk model kategori tetapi
membentuk pembatas antara dua kategori. SVM diterapkan
sebagai pengklasifikasian dua kategori, dimana SVM akan
membedakan antara dua kategori tersebut. SVM akan membentuk
Optimal Separating Hyperplane (OSH) dalam membatasi dua
kategori. OSH ini didefinisikan sebagai suatu yang dapat
memberikan jarak pembatas secara maksimal terhadap dua
kategori (margin). Objek atau sampel yang berada pada garis tepi
OSH disebut Support Vector (Stanimivora et al., 2010).
F. K-Nearest Neighbor (K-NN)
KNN merupakan salah satu algoritma pembelajaran mesin
sederhana. Hal ini hanya didasarkan pada gagasan bahwa suatu
objekyang 'dekat' satu sama lain juga akan memiliki karakteristik
yang mirip. Ini berarti jika kitamengetahui ciri-ciri dari salah satu
objek, maka kitajuga dapat memprediksiobjek lain
berdasarkantetangga terdekatnya. K-NN adalah improvisasi lanjutan
dariteknik klasifikasi Nearest Neighbor. Hal ini didasarkan pada
gagasan bahwa setiap contoh baru dapat diklasifikasikan oleh suara
mayoritas dari ktetangga, di mana kadalah bilangan bulat positif,
dan biasanya dengan jumlah kecil. Algoritma klasifikasi K-NN
memprediksi kategori tes sampel sesuai dengan sampel pelatihan
kyang merupakan tetangga terdekat dengan sampel uji, dan
memasukkan ke dalamkategori yang memiliki kategori probabilitas

terbesar (Kuno, 2000).

 DAFTAR PUSTAKA

Adams, M.J., 1995. Chemometrics In Analytical Spectroscopy. RSC

Analytical Spectroscopy monographs : Letchworth.

Dian, Christien Arisona. 2015. Analisis Diskriminan Linear Pada Klasifikasi

Nasabah Menunggak Dan Tidak Menunggak Dengan Metode
Cross Validation. Skripsi. Makassar: Universitas Hasanuddin

Fukunaga, K. 1990. Introduction To Statistical Pattern Recognition

Second. Boston : harcound Brace jovanovich.

Kuno, A. And Matsuka, M. 2000. Non Destruktive Specication Of Solid

Mixtures By Multivariate Calibration Of X-Tray Absorbtion Near
Edge Using Artificial Neural Networks And Partial Last Square.
Analysis sci.

Paye, Marc et al. 2001. Handbook Of Cosmeutical Science And

Technologi

Stanimivora et al. 2010. Tracing The Geographical Origin Of Honeys

Using The Gvxgc-Ms And Pattern Recognotion Techniques. Food
chemistry.

Varmusa, K. 2000. Apllied Chemometrics : From Chemical Data O

Relevant Information. 1st conference on chemistry cairo university.