Anda di halaman 1dari 7

PENERAPAN METODE TRANSFORMASI

WAVELET KONTINU DAN PARTIAL LEAST SQUARES


PADA DATA GINGEROL

Margaretha Ohyver

Jurusan Matematika dan Statistika, Fakultas Sains dan Teknologi, Universitas Bina Nusantara
Jln. K. H. Syahdan No. 9, Palmerah, Jakarta Barat 11480
mohyver@binus.edu

ABSTRACT

The purpose of multivariate calibration model is estimation of more expensive measurements


using cheaper and easier to acquire measurements. There are some problems in multivariate
modelling, such as multicollinearity, (n < p) , and noise. Continuous wavelet transform (CWT) and
partial least squares (PLS) are combined to handle these problems. This study aims to implement
CWT and PLS on gingerol data. Based on R2 and RMSE for gingerol data, it is obtained that the
CWT-PLS method is better than PLS method in developing calibration models.

Keywords: multivariate calibration model, partial least squares, continuous wavelet transformation

ABSTRAK

Model kalibrasi peubah ganda bertujuan untuk menduga ukuran-ukuran yang mahal
diperoleh dengan menggunakan ukuran-ukuran yang murah dan mudah. Ada beberapa masalah yang
sering terjadi pada pemodelan kalibrasi, diantaranya multikolinier, , dan adanya noise. Untuk
mengatasi permasalahan tersebut digunakan metode transformasi wavelet kontinu (TWK) yang
digabungkan dengan partial least squares (PLS). Penelitian dilakukan dengan tujuan menerapkan
metode TWK dan PLS pada data gingerol. Berdasarkan nilai dan untuk data gingerol,
maka diperoleh bahwa metode TWK dan PLS adalah metode yang baik dalam pembentukan model
kalibrasi.

Kata kunci: kalibrasi peubah ganda, partial least square, transformasi wavelet kontinu

Penerapan Metode …... (Margaretha Ohyver) 27


PENDAHULUAN

Penelitian dan ilmu pengetahuan bagaikan dua sisi mata uang. Keduanya tidak dapat
dipisahkan satu sama lainnya. Penelitian digunakan untuk kebutuhan ilmu pengetahuan dan sebaliknya
ilmu pengetahuan tidak akan berkembang apabila tidak dilakukan penelitian. Salah satu contohnya
adalah penelitian mengenai kandungan (konsentrasi) senyawa aktif suatu tanaman.

Khasiat dan kualitas tanaman obat tidak terlepas dari senyawa aktif yang dikandungnya. Alat
ukur yang dapat digunakan untuk menentukan kadar senyawa aktif dari tanaman adalah high
performance liquid chromatography (HPLC) dan fourier transform infrared (FTIR). Proses
pengukuran dengan menggunakan FTIR merupakan proses yang sederhana dan biaya yang dibutuhkan
lebih murah. Sedangkan proses pengukuran dengan menggunakan HPLC akan memerlukan tahapan
yang panjang dan rumit, serta tenaga dan biaya yang besar. Karena proses pengukuran dengan HPLC
tidak efisien dalam hal tenaga, waktu, dan biaya, maka digunakanlah model kalibrasi peubah ganda.
Model ini bertujuan untuk menduga ukuran-ukuran yang mahal diperoleh dengan menggunakan
ukuran-ukuran yang murah dan mudah diperoleh secara tepat dan akurat (Arnita, 2005).

Data yang diperoleh dari FTIR merupakan data kontinu terhadap wavenumber (bilangan
gelombang). Nilai pengukuran pada suatu gelombang dipengaruhi oleh nilai-nilai pada bilangan
gelombang sebelumnya. Karena adanya hal ini, maka masalah multikolinier menjadi salah satu
kendala dalam pemodelan kalibrasi. Selain itu, permasalahan dimana banyaknya pengamatan lebih
kecil daripada banyaknya peubah juga merupakan kendala lain yang harus diatasi (Arnita,
2005). Untuk mengatasi permasalahan di atas, dapat digunakan metode partial least squares (PLS).
Metode PLS sangat baik digunakan jika peubah bebasnya banyak dan saling berkorelasi. Untuk
membentuk hubungan antara peubah respon dan peubah bebas, PLS membentuk peubah baru yang
disebut faktor, peubah laten, atau komponen (Garthwaite, 1994).

Pembentukan model kalibrasi dengan menggunakan metode PLS telah banyak dilakukan.
Diantaranya aplikasi PLS dalam penentuan Chlorogenic Acid pada sampel tanaman (Shao dan
Zhuang, 2004), dan aplikasi PLS yang didasarkan pada resolusi spektra near infrared (NIR) yang
berbeda (Chung, Choi, Choo, dan Lee, 2004). Pada pembentukan model kalibrasi, perlu dilakukan
langkah pra-pemrosesan data. Hal ini disebabkan seringnya data dipengaruhi oleh adanya noise.
Menurut Shao dan Zhuang, adanya noise ini dapat mempengaruhi hasil akhir kalibrasi. Salah satu
metode pra-pemrosesan data yang dapat digunakan adalah transformasi wavelet.

Metode transformasi wavelet mempunyai peranan penting dalam kimia analitik. Hal ini
terlihat pada keberhasilan transformasi wavelet kontinu (TWK) yang digabungkan dengan teknik
chemometric dalam mengatasi noise dari data spektra. Selain dengan teknik chemometric, TWK juga
dapat digabungkan dengan metode PLS dan principal component regression (PCR). Dimana hasil
yang diperoleh lebih baik daripada penggabungan antara TWK dan teknik-teknik chemometric (Dinc,
Baleanu, Kanbur, 2004). Transformasi wavelet telah banyak digunakan di berbagai penelitian.
Diantaranya penggunaan TWK untuk menghasilkan spectograms yang menunjukkan frekuensi suara
(Lang dan Forinash, 1998), analisis deret waktu chaotic dengan wavelet (Murguia dan Campos-
Canton, 2005), dan penaksiran koefisien wavelet dalam regresi nonparametrik (Antoniadis, Bigos, dan
Sapatinas, 2001).

Jahe merupakan salah satu dari beberapa tanaman yang digunakan secara tradisional sebagai
obat rematik, demam, radang, dan lain-lain. Menurut Young, rimpang jahe mengandung dua bagian
utama yaitu volatil (minyak esensial) yang memberikan aroma dan gingerol yang merupakan
pembawa rasa pedas. Kandungan gingerol yang cukup tinggi pada rimpang jahe, menyebabkan jahe
memiliki peranan yang sangat penting. Peranan penting yang dimaksud adalah peranan dalam dunia

28 Jurnal Mat Stat, Vol. 11 No. 1 Januari 2011: 27-33


pengobatan baik pengobatan tradisional atau skala industri dengan memanfaatkan kemajuan teknologi.
Data gingerol ini sebelumnya telah digunakan pada beberapa penelitian. Diantaranya digunakan untuk
penerapan metode neural network dan principal component (Atok dan Notodiputro, 2004), untuk
penerapan PCR (Arnita, 2005), untuk penerapan transformasi wavelet diskrit (TWD) dengan
menggunakan mother wavelet Haar dan PCR (Sunaryo, 2005), untuk penerapan TWD dengan
menggunakan mother wavelet Daubechies dan PLS (Sunaryo dan Retnaningsih, 2008), serta untuk
penerapan metode PLS (Ohyver, 2010).

Hasil dari tiga penelitian terakhir adalah sebagai berikut. Hasil penelitian dengan
menggunakan TWD dan principal component regression (PCR) adalah 96,7% untuk kelompok
kalibrasi (nilai root mean squared error (RMSE) tidak dituliskan) serta 93,9% dan
0,1072 untuk kelompok data validasi. Hasil penelitian dengan menggunakan TWD dan partial least
squares (PLS) adalah 97,3% untuk kelompok data kalibrasi (nilai tidak dituliskan) serta
97,4% dan 0,111938 untuk kelompok data validasi. Hasil penelitian dengan
menggunakan PLS adalah 83,8% dan 0,100891 untuk kelompok data kalibrasi serta
84,2% dan 0,199939 untuk kelompok data validasi.

Berdasarkan hal tersebut maka makalah ini akan membahas penerapan metode transformasi
wavelet kontinu (TWK) dan PLS pada data yang sama, yaitu data gingerol pada rimpang jahe. Mother
wavelet yang akan digunakan adalah dengan Mexican Hat. Alasan pemilihan Mexican Hat adalah
karena mother wavelet ini sangat baik dalam mengilustrasikan sifat-sifat TWK (Addison, 2002).
Alasan penggunaan TWK dan PLS adalah karena keberhasilan kedua metode ini pada pendugaan
model kalibrasi peubah ganda (Shao dan Zhuang, 2004; Dinc, dkk., 2004). Dengan hasil yang
diperoleh ini, diharapkan dapat memberikan alternatif lain dalam mengembangkan model kalibrasi
peubah ganda.

METODE PENELITIAN

Data yang digunakan adalah data sekunder. Data ini diperoleh dari peneliti sebelumnya
(Sunaryo, 2005). Peubah yang akan digunakan adalah hasil pengukuran FTIR sebagai peubah bebas
(X) dan hasil pengukuran HPLC sebagai peubah respon (Y). Hasil pengukuran dengan FTIR berupa
data spektra % transmitan. Setiap bentuk spektrum % transmitan akan mencerminkan gugus fungsi
yang terdapat pada senyawa (dalam hal ini gingerol) dari suatu sampel rimpang jahe. Adapun
Pengolahan datanya dilakukan dengan menggunakan Microsoft Excel, Matlab, SAS, dan MINITAB.

Gambar 1 Spektra % Transmitan 1866 Titik

Penerapan Metode …... (Margaretha Ohyver) 29


Dari penelitian sebelumnya, diketahui bahwa rimpang jahe mengalami masa simpan yang
berbeda-beda pada tiap sampel (Sunaryo, 2005; Arnita, 2005). Oleh karena itu peubah dummy akan
diikutkan sebagai peubah bebas. Sehingga ada sebanyak 1867 peubah bebas dan 1 peubah respon,
dengan pengamatan sebanyak dua puluh.

Penelitian ini dilakukan dengan langkah-langkah sebagai berikut. Pertama, membagi data
menjadi dua bagian. Lima belas pengamatan digunakan untuk membentuk model kalibrasi peubah
ganda dan lima pengamatn untuk membentuk model validasi. Kedua, mentransformasi wavelet peubah
bebas, tanpa peubah dummy. Ketiga, membentuk model kalibrasi peubah ganda dengan menggunakan
metode TWK dan PLS. Keempat, menentukan banyaknya komponen pada metode TWK dan PLS
dengan menggunakan akar rataan prediction sum of squares (ARP). Kelima, menghitung dan
untuk kelompok data kalibrasi dan kelompok data validasi.

HASIL DAN PEMBAHASAN

Dalam penelitian ini, mother wavelet yang akan digunakan adalah Mexican Hat dengan skala
1, 2, 3, 4, dan 5. Dengan demikian akan dihasilkan koefisien-koefisien wavelet pada masing-masing
skala. Koefisien-koefisien ini masih saling berkorelasi. Hal ini dapat dilihat dari nilai-nilai VIF yang
lebih dari 10. Karena adanya masalah korelasi ini maka akan dilanjutkan dengan menggunakan
metode PLS.

Hasil metode PLS untuk koefisien wavelet adalah sebagai berikut. Nilai ARP terkecil untuk
skala 1 adalah 25,8546 untuk 1 komponen. Akan tetapi persentase keragaman untuk peubah X hanya
sebesar 31,0572 % dan persentase keragaman untuk peubah Y hanya sebesar 32,1957 %. Sehingga
untuk skala 1 ini dipilih model dengan 11 komponen. Nilai ARP untuk 11 komponen ini adalah
32,2649. Dengan 11 komponen, persentase keragaman untuk peubah X adalah 98,2260 % dan
persentase keragaman untuk peubah Y adalah 99,9973 %. Nilai ARP terkecil untuk skala 2 adalah
57,943 untuk 1 komponen. Akan tetapi persentase keragaman untuk peubah X hanya sebesar 31,6909
% dan persentase keragaman untuk peubah Y hanya sebesar 30,5220 %. Sehingga untuk skala 2 dipilih
model dengan 7 komponen. Nilai ARP untuk 7 komponen ini adalah 130,044. Persentase keragaman
untuk peubah X adalah sebesar 91,3334 % dan persentase keragaman untuk peubah Y adalah sebesar
97,4976 %. Nilai ARP terkecil untuk skala 3 adalah 88,578 untuk 1 komponen. Akan tetapi persentase
keragaman untuk peubah X hanya sebesar 46,8888 % dan persentase keragaman untuk peubah Y
hanya sebesar 20,0029 %. Sehingga untuk skala 3 dipilih model dengan 7 komponen dengan nilai
ARP sebesar 371,061. Persentase keragaman untuk peubah X adalah sebesar 92,6910 % dan
persentase keragaman untuk peubah Y adalah sebesar 95,0790 %. Nilai ARP terkecil untuk skala 4
adalah 96,489 untuk 1 komponen. Akan tetapi persentase keragaman untuk peubah X hanya sebesar
16,9193 % dan persentase keragaman untuk peubah Y hanya sebesar 42,2347 %. Sehingga untuk skala
4 dipilih model dengan 8 komponen dengan nilai ARP sebesar 613,717. Persentase keragaman untuk
peubah X adalah sebesar 90,0907 % dan persentase keragaman untuk peubah Y adalah sebesar 98,7674
%. Nilai ARP terkecil untuk skala 5 adalah 106,634 untuk 1 komponen. Akan tetapi persentase
keragaman untuk peubah X hanya sebesar 19,6845 % dan persentase keragaman untuk peubah Y hanya
sebesar 39,4055 %. Sehingga untuk skala 5 dipilih model dengan 8 komponen dengan nilai ARP
sebesar 721,646. Persentase keragaman untuk peubah X adalah sebesar 91,3146 % dan persentase
keragaman untuk peubah Y adalah sebesar 98,0245 %.

30 Jurnal Mat Stat, Vol. 11 No. 1 Januari 2011: 27-33


Tabel 1 Perbandingan Nilai untuk Skala 1, 2, 3, 4, 5 Hasil TWK dan PLS
Skala Banyaknya komponen ARP
R x2 (%) R y2 (%)

1 Sebelas 32,2649 98,2260 99,9973


2 Tujuh 130,044 91,3334 97,4976
3 Tujuh 371,061 92,6910 95,0790
4 Delapan 613,717 90,0907 98,7674
5 delapan 721,646 91,3146 98,0245

Nilai ARP terkecil untuk masing-masing skala dapat dilihat pada Tabel 1. Terlihat bahwa
nilai ARP terkecil adalah pada skala 1 dengan ARP sebesar 32, 2649. Sehingga untuk membentuk
model kalibrasi dipilih koefisien-koefisien wavelet pada skala 1 dengan 11 komponen.

1,3

1,2

1,1

1,0
ybenar

0,9

0,8

0,7

0,6

0,5
0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3
yduga

Gambar 2 Plot Y dengan Yˆ untuk Kelompok Data Kalibrasi


dengan Metode TWK dan PLS

1,8

1,6

1,4

1,2

1,0
ybenar

0,8

0,6

0,4

0,2

0,0
0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8
yduga

Gambar 3 Plot Y dengan Yˆ untuk Kelompok Data Validasi


dengan Metode TWK dan PLS

Penerapan Metode …... (Margaretha Ohyver) 31


Nilai-nilai dugaan peubah Y untuk kelompok data kalibrasi dan kelompok data validasi dapat
dilihat pada Tabel 2. Dari nilai-nilai tersebut diperoleh 100% dan 0,0013065 untuk
kelompok data kalibrasi. Sedangkan untuk kelompok data validasi diperoleh 18,6% dan
0,473388. Berdasarkan hal ini, maka dapat dikatakan bahwa metode TWK dan PLS
mempunyai kelebihan dan kelemahan. Kelebihannya adalah metode ini sangat baik dalam
pembentukan model kalibrasi. Sedangkan kelemahannya adalah ketika diberikan nilai-nilai peubah
bebas yang baru, maka hasil dugaannya kurang baik.

Tabel 2 Nilai Y dan Yˆ untuk Gingerol Rimpang Jahe


dengan Metode TWK dan PLS

Kelompok Data Kalibrasi Kelompok Data Validasi


Kadar Gingerol dari Dugaan Kadar Gingerol Dugaan
HPLC (%) (%) dari HPLC (%) (%)
0,63 0,63000 0,72 0,02171
0,53 0,53021 0,52 0,86531
0,78 0,77878 0,63 0,65533
0,58 0,58111 1,60 0,91688
0,53 0,52869 1,14 1,35527
0,54 0,54186
0,79 0,79002
0,78 0,78145
0,63 0,63095
0,78 0,77629
0,79 0,78943
1,26 1,26069
1,18 1,18005
1,24 1,24018
1,07 1,07029

Jika dibandingkan dengan tiga penelitian terakhir maka diperoleh perbandingan seperti pada
Tabel 3. Pada tabel dapat dilihat bahwa metode terbaik untuk kelompok data kalibrasi adalah metode
TWK dan PLS. Akan tetapi untuk kelompok data validasi, metode terbaik adalah TWD dan PLS.

Tabel 3 Perbandingan metode TWD dan PCR,


TWD dan PLS, PLS, dan TWK dan PLS

TWD dan PCR TWD dan PLS PLS TWK dan PLS
Kalibrasi 96,7% 97,3% 83,8% 100%
* * 0,100891 0,0013065
Validasi 93,9% 97,3365% 84,2% 18,6%
0,1072 0,111938 0,199939 0,473388

PENUTUP

Seleah melakukan penerapan metode TWK dan PLS pada data gingerol, maka diperoleh
kesimpulan sebagai berikut. Metode TWK dan PLS sangat baik pada pembentukan model kalibrasi.
Hal ini dapat dilihat pada nilai dan .

32 Jurnal Mat Stat, Vol. 11 No. 1 Januari 2011: 27-33


DAFTAR PUSTAKA

Addison, P. (2002), The Illustrated Wavelet Transform Handbook, Institute of Physics Publishing,
London.

Antoniadis, A., Bigos, J., dan Sapatinas, T. (2001), “Wavelet Estimators in Nonparametric Regression:
A Comparative Simulation Study”, Journal of Statistical Software, Vol. 6, hal. 1-83.

Arnita. (2005). Koreksi Pencaran pada Data Kalibrasi Rimpang Jahe (Zingiber offcinale), Tesis tidak
diterbitkan, Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Atok, R. M., dan Notodiputro, K. A. (2004). Metode NN (Neural Network) dengan Principle
Component sebagai Pre-processing pada Data. Proceeding Seminar Nasional Statistika,
Bogor: Institut Pertanian Bogor.

Chung, H., Choi, S. Y., Choo, J., dan Lee, Y. (2004). Investigation of Partial Least Squares (PLS)
Calibration Performance based on Different Resolutions of Near Infrared Spectra. Bull.
Korean Chem. Soc, Vol. 25, No. 5, pp. 647-651.

Dinc, E., Baleanu, D., dan Kanbur, M. (2004). Spectrophotometric Multicomponent Determination of
Tetramethrin, Propoxur and Piperonyl Butoxide in Insecticide Formulation by Principal
Component Regression and Partial Least Squares Techniques with Continuous Wavelet
Transform. Canadian Journal of Analytical Sciences and Spectroscopy, pp. 218-225.

Garthwaite, P. H. (1994). An Interpretation of Partial Least Squares. Journal of the American


Statistical Association, Vol. 89, pp. 122-127.

Lang, W. C., dan Forinash, K. (1998). Time-Frequency Analysis with the Continuous Wavelet Transform. Am.
J. Phys, Vol. 66, pp. 794-797.

Murguia, J. S., dan Campos-Canton, E. (2005). Wavelet Analysis of Chaotic Time Serie. Revista
Mexicana De Fisica, Vol. 52(2), pp. 155-162.

Ohyver, M. (2010). Penerapan Partial Least Squares pada Data Gingerol. Comtech, Vol. 1 No 1, pp.
39-47.

Shao, X., & Zhuang, Y. (2004). Determination of Chlorogenic Acid in Plant Samples by Using Near-
Infrared Spectrum with Wavelet Transform Preprocessing. Analytical Sciences, Vol. 20, pp.
451-454.

Sunaryo, S. (2005), Model Kalibrasi dengan Transformasi Wavelet sebagai Metode Pra-Pemrosesan.
Disertasi tidak diterbitkan. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Sunaryo, S., dan Retnaningsih, S. M. (2008). Pemodelan Kalibrasi dengan Metode Gabungan
Transformasi Wavelet Diskrit dan Partial Least Squares. Jurnal Ilmu Dasar. Vol 9

Penerapan Metode …... (Margaretha Ohyver) 33