Chemometry #2

Mudasir
Chemistry Department
Gadjah Mada University
 The analytical process
(The unit operations of Analytical Chemistry)

• Defining the problem

• Obtaining a representative sample
• Preparing the sample for analysis
• Performing necessary chemical separations
• Performing the measurement, and
• Calculating the results and presenting
the data

11/3/2019 2 Mudasir
 Definisi Chemometry
• Chemical discipline that uses mathematical, statistical, and other methods
employing formal logic (Frank and Kowalski, 1982; Massart, et al., 1988)
- to design or select optimal measurement procedures and experiments
- to provide maximum relevant chemical information by analyzing
chemical data
• Perkembangan Kemometri
- diilhami oleh disiplin (ilmu) lain seperti Biometri, Psikometri, medical
statistics dan ekonometri yang sudah berkembang lebih dulu
- Istilah Kemometri diperkenalkan oleh Svante Wold di awal th 1970
- Th 1974: International Chemometrics Society
- Statistics adalah bagian terpenting dari Chemometrics
- 1986: Journal Chemometrics and Intelligent Laboratory System
- 1987: Journal of Chemometry
- 1990: Journal “Environmetrics”
- 1993: Reference Journal “ Windows on Chemometrics”
 I. DATA ANALITIK
1. Problem Analisis: kualitatif dan kuantitatif
Jawaban kuantitatif lebih bermakna/bernilai
Contoh: a. Berapa banyak kandungan albumin
dalam serum darah? (kuantitatif)
b. Apakah albumin terkandung dalam
serum darah? (kualitatif).
Terbaik: data kualitatif didukung data kuantitatif
Pendekatan kuantitatif yang lebih kompleks
dibutuhkan untuk membandingkan 2 sampel, misal:
2 sampel tanah akan dibandingkan ukuran partikelnya.
2. Kesalahan Dalam Analisis Kuantitatif
Prinsip: Data kuantitatif tidak berarti apa-apa, kecuali
disertai oleh perkiraan kesalahan yang menyertainya.
Contoh:
Penemuan senyawa baru dg Mr = 104 (data spektrometri).
Sebelumnya blm pernah ditemukan senyawa yang mempunyai Mr >
100 (metode sama).
Pertanyaan: Apakah senyawa baru benar-benar telah ditemukan?
Jika data Mr = 104 ± 2 berarti senyawa baru kemungkinan telah
ditemukan.
Jika kesalahan data tinggi Mr = 104 ± 10 tidak terjadi penemuan
senyawa baru.
Pengetahuan tentang kesalahan eksperimen sangat penting.
Umum: pengulangan data analisis (min. 3 kali).
Contoh: data hasil titrasi, 24,69; 24,71; 24,77;25,39 mL.
Nilai penting; 0,01 mL. Perlu/tidak menghilangkan data 25,39
(outlier)?
3. Tipe Kesalahan
Kesalahan gross, random dan sistematik.

Kesalahan Gross: kesalahan yang sangat serius

sehingga tidak ada pilihan lain kecuali mengulangi
percobaan

Contoh: instrumen rusak, menumpahkan atau

menjatuhkan sampel yang akan dianalisis,
Mengetahui bahwa bahan yang digunakan yang
semula diduga murni ternyata telah terkontaminasi.

Kesalahan gross dapat terjadi meskipun di

laboratorium yang sudah sangat advance. Namun
demikian kesalahan ini mudah dikenali sehingga
tidak akan dibahas lebih lanjut.
 Random and Systematic errors
Kesalahan random: pengukuran berulang menghasilkan data yang saling
berbeda. Data terletak pada 2 sisi dari nilai rata-rata. Kesalahan
random berpengaruh terhadap ketelitian (precision) dan
reprodusibilitas (reproducibility) percobaan.

Data dengan Kesalahan random kecil disebut teliti (precise)

Kesalahan sistematik: menyebabkan semua data hasil pengukuran salah

dengan pola yang sama: terlalu besar/kecil; positip/negatip,

Total kesalahan sistematik (dari berbagai sumber kesalahan sistematik)

disebut dengan Bias Pengukuran
• Kedua kesalahan ini dapat dibedakan dengan mudah dengan
mengamati data hasil pengukuran (lihat tabel berikut)
 Tabel 1 Kesalahan random dan sistematik
(Titrasi, hasil benar: 10,00 mL)
_______________________________________________________
Mhs. Hasil (mL) Keterangan
_______________________________________________________

A 10,08 10,11 10,09 10,10 10,12 Teliti, Bias (sistematik)

B 9,88 10,14 10,02 9,80 10,21 tdk bias, Tdk teliti (random)

C 10,19 9,79 9,69 10,05 9,78 bias, tdk teliti

D 10,08 9,98 10,02 9,97 10,04 tidak bias dan teliti

_______________________________________________________
Bias: menyimpang dari harga yang sebenarnya;
Teliti: sebaran (range) data kecil
Diagram representasi
data pada Tabel 1
untuk bias
(akurasi) dan
ketelitian (presisi)

9,70 10,00 10,30

 Accuracy (ketepatan)
International Standards Organization (ISO)
• The closeness of agreement between a test
result and the accepted reference value of the
analyte
• Affected by both random and systematic errors
• 4 dari 5 pengukuran Mhs B ternyata tidak
akurat, tetapi rata-ratanya tidak bias (tidak ada
kesalahan sistematik): Jadi 4 pengukuran yang
tidak akurat disebabkan oleh kesalahan random
• Semua hasil pengukuran Mhs A dan nilai rata-
ratanya tidak akurat, karena ketelitian data baik
(sebaran sempit), maka ketidakakuratan hasil
akibat dari kesalahan sistematik
 KESIMPULAN:
Ketelitian (precision) menggambarkan
kesalahan random
Bias menggambarkan kesalahan sistematik
Akurasi (accuracy): Kedekatan setiap hasil
pengukuran atau rata-rata pengukuran
dengan nilai yang sebenarnya
Within-run precision repeatability
(dalam kondisi yang sama: laboran, larutan, peralatan,
metode, temperature, kelembaban, waktu,
laboratorium dan kondisi-kondisi lainnya)
Between-run precision reproducibility
(dalam kondisi yang berbeda)
Uncertainty range within which the true value is
reasonably likely to lie. (“it is 95% probable that the
value lies between …. And ….”
Kesalahan random dan sistematik dalam
analisis Volumetri
• Pembuatan Lar. Standar:
(a) penimbangan zat standar dalam suatu wadah (b) pemindahan
zat standar ke dalam labu standar dan penimbangan kembali wadah
yang kosong (c) pengisian labu dengan air sampai tanda
• Pemindahan aliquot zat standar ke dalam labu titrasi dengan pipet:
(a) pengisian pipet sampai volume tertentu (b) mengeluarkan zat
standar dalam pipet ke labu titrasi
• Titrasi cairan dalam labu titrasi dengan larutan lain dari buret:
(a) Pengisian buret dan mengeluarkannya sampai level tertentu (b)
penambahan beberapa tetes indikator ke dalam labu titrasi (c)
pembacaan posisi awal buret (d) Penambahan tetes demi tetes
cairan dari buret sampai titik ekvivalen (e) mengukur posisi akhir
cairan dalam buret
• a dan b adalah step penimbangan dan sisanya adalah langkah
penggunaan peralatan gelas
 Sumber kesalahan dalam analisis
volumetri
Step penimbangan dan peralatan gelas terukur
ASTM: toleransi berat, mis. 100,0 g±0,25 mg
toleransi volume, mis.250mL±0,12 mL
Penimbangan: small random error,
0,0001 - 0,0002 g
Systematic error: adsorpsi uap air pada permukaan wadah,
pendinginan wadah setelah dipanaskan (Temp. beda
dengan temperatur ruang penimbangan), adanya debu,
karat dan perbedaan tekanan atmosphere.
Random error: pemakaian peralatan gelas terukur, misal
labu takar, pipet ukur/gondok, pemakaian buret
(penentuan volume sebelum dan sesudah titrasi),
penggunaan idikator, dll.
Mengatasi Kesalahan Sistematik
Kesalahan sistematik dapat berasal dari: prosedur,
peralatan dan manusia (human bias).

Cara mengatasi:

>Penggunaaan microprocessor atau microcomputer

sebagai pengontrol instrumentasi
>Kalibrasi peralatan sebelum digunakan
>Design eksperimen pada setiap langkah, misal:
penghitungan berat berdasarkan pengurangan 2
data penimbangan, penggunaan satu seri larutan
standard pada penentuan absorbansi
>Penggunaan material dan metode standard sebagai
referensi
Mempersiapkan dan mendesign
eksperimen

• Statistik sering dipakai hanya untuk mengevaluasi hasil

eksperimen yang telah selesai dikerjakan: tidak akan
mengubah hasil
• Statistik seharusnya juga dipakai dalam rencana dan
desain eksperimen: dapat meminimalkan kesalahan
• Every effort must be made to identify the serious sources
of error before practical work starts, so that the
experiments can be designed to minimize such errors

Dalam Design eksperimen: sensitivity, selectivity, sampling rate,

cost, time scale etc.
 Statistik Pengukuran Berulang
• Pengukuran berulang diperlukan untuk identifikasi adanya
kesalahan random
• Data titrasi 4 Mhs dengan 5 kali perulangan
_________________________________________
Mhs. Hasil (mL)
_________________________________________
A 10,08 10,11 10,09 10,10 10,12

B 9,88 10,14 10,02 9,80 10,21

C 10,19 9,79 9,69 10,05 9,78

D 10,08 9,98 10,02 9,97 10,04

_________________________________________

• Dua Kriteria digunakan untuk membandingkan hasil-hasil tersebut,

yaitu Nilai rata-rata (mean aritmatik/mean) dan tingkat sebaran
data (deviasi standard)
Mean dan Standard deviasi
Mean adalan hasil penjumlahan dari semua pengukuran
(∑Xi) dibagi dengan banyaknya pengukuran (n)
Contoh:
_____________________________________________
xi 10,08 10,11 10,09 10,10 10,12
(xi-x) -0,02 0,01 -0,01 0,00 0,02
(xi-x)2 0,0004 0,0001 0,0001 0,0000 0,0004
∑ xi = 50,50 (xi-x) = 0 (xi-x)2 = 0,0010
______________________________________________
Mean
x=  x i 50,50
=  10,1 mL
Standard deviasi n 5

s=  i
(x
i
 x) 2
/( n 1) = 0, 001/ 4 = 0,0158 mL
 The Distribution of Repeated
Measurements
• Deviasi standar menggambarkan sebaran data di sekitar nilai
tengah (mean), tetapi tidak menunjukkan bentuk (shape) distribusi
data
• Perlu data yang banyak utk menggambarkan bentuk distribusi
(lihat Tabel)
• Tabel Hasil 50 kali penentuan konsentrasi nitrat (g ml-1)
________________________________________________________
0,51 0,51 0,51 0,50 0,51 0,49 0,52 0,53 0,50 0,47
0,51 0,52 0,53 0,48 0,49 0,50 0,52 0,49 0,49 0,50
0,49 0,48 0,46 0,49 0,49 0,48 0,49 0,51 0,49 0,47
0,51 0,51 0,51 0,48 0,50 0,47 0,50 0,51 0,49 0,48
0,51 0,50 0,50 0,53 0,52 0,52 0,50 0,50 0,51 0,51
________________________________________________________
 Frequency Table & Histogram
Tabel Frequency Pengukuran
konsentrasi ion nitrat Histogram konsentrasi nitrat

Konsentrasi ion Nitrat Frekuensi 14

0.46 1 12
0.47 3 10

Frekuensi
0.48 5 8
6
0.49 10
4
0.50 10
2
0.51 13 0
0.52 5 0.46 0.47 0.48 0.49 0.5 0.51 0.52 0.53
0.53 3 Konsentrasi Nitrat

___________________________
- 50 Data ini adalah sampel dari sekian besar pengukuran yang mungkin dilakukan
(secara teori jumlahnya tak terbatas). Himpunan jumlah pengukuran yang mungkin
Dilakukan disebut Populasi
• Jika tdk terdapat kesalahan sistematik, nilai rata-rata/mean
( populasi ini menyatakan nilai yang benar dari konsentrasi
nitrat yang kita analisis
• Nilai tengah sampel (50 data konsentrasi nitrat dalam tabel)
merupakan perkiraan (estimate) harga 
• Populasi mempunyai standar deviasi , sedangkan standard
deviasi sampel, s, adalah harga perkiraan 
• Nilai konsentrasi nitrat sesungguhnya tidak diskret
sebagaimana diilustrasikan dalam Tabel tapi bersifat kontinu.
Jadi nilai konsentrasi nitrat pada populasi bukan histogram
tetapi kurva.
• Persamaan matematik yang sering digunakan untuk
menggambarkan kurva tsb adalah Distribusi Normal atau
Gaussian:
1
 e   

2 2
y x
p
{ (
x )/2}
2
- Kurva simetris pada  dan semakin besar harga , maka kurva akan
semakin melebar
- Apapun bentuk kurvanya jika distribusinya normal dengan mean, dan
standar deviasi maka akan mempunyai sifat-sifat khas sbb:
(1) kurang lebih 68% populasi akan terletak pada  ±1
kurang lebih 95% populasi akan terletak pada  ±2
kurang lebih 99,7% populasi akan terletak pada  ±3
Jadi
Jika konsentrasi Nitrat berdistri-
Busi normal maka:
68% terletak pada 0.483-0.517
95% terletak pada 0.467-0.533, dan
99.7% terletak pada 0.450-0.550

Kenyataan:
33 data (66%) pada 0.483-0.517
49 data (98%) pada 0.467-0.533
Semua data ada pada 0.450-0.550

Jadi data konsentrasi nitrat cukup

sesuai dengan teori sehingga dapat
dikatakan data tersebut berdistribusi
normal
• Proporsi yang sesungguhnya dari suatu data berdistribusi normal
dengan mean, dan simpangan baku, yang terletak diantara 2
interval dapat ditentukan dari tabel fungsi distribusi komulatif
standard normal F(z) asalkan nilai interval tersebut distandardisasi
dulu untuk memperoleh nilai z (variable normal terstandardisasi)
yang dihitung dengan persamaan berikut:
z = (x – )/
dimana X adalah interval pada masing-masing sisi
• Contoh: Jika data volume suatu titrasi berulang berdistribusi normal
dengan mean 10,15 ml dan standar deviasi 0,02 ml, hitunglah
proporsi pengukuran yang terletak antara 10.12 ml dan 10.20 ml
Jawab:
Standardisasi thd nilai interval I diperoleh z = (10.12 – 10.15)/0.02
= -1,5; Dari Tabel F(z) untuk F(-1,5)=0.0668
Standardisasi thd nilai interval II diperoleh z = (10.20 – 10.15)/0.02
= 2,5; Dari Tabel F(z) untuk F(2,5)=0.9938
Jadi Nilai Proporsi antara X=10.12 sampai 10.20 ml (z = -1,5 – 2,5)
adalah 0,9938 – 0.0668 = 0.927
 Log-normal distribution
• Tidak semua data berdistribusi normal, ada
data yang berdistribusi log-normal (lihat
gambar atas)
• Untuk data tsb plot frekuensi lawan
logaritma konsentrasi akan diperoleh data
berdistribusi normal (lihat Gambar bawah)
• Untuk gambar bawah, diperoleh mean dan
standard deviasi masing-masing 0.15 dan
0.20
• Berarti 68% data (Gb b) terletak pada 0.15-
0.20 dan 0.15+0.20 atau antara -0.05 s/d
0.35
• Jika data di-antilog-kan, diperoleh
68% data asli (Gb. a) terletak pada 10-0.05 –
100.35 atau 0.89-2.24
• Antilog nilai mean data pada Gb. B
diperoleh 100.15 = 1,41 yang merupakan
mean geometrik data asal (Gb. A), mean
geometrik dapat dihitung dari:

n x1x2...xn
- Variansi = the square of the standard deviation, s2
- Koefisien Variansi (CV) = Simpangan Baku Nisbi
(RSD) = 100% s/ x
- CV atau RSD bersatuan %, dan merupakan contoh
kesalahan relatif (relative errors)
- Relative errors sering dipakai utk membandingkan
tingkat presisi hasil pengukuran-pengukuran dengan
satuan dan magnitude yang berbeda

Contoh : Φ = If/kclIoε

Io = intensitas sinar (s=0,5%);

If = intensitas fluoresens (s=2%)
ε = absorptivitas molar (s=1%),
C = konsentrasi (s=0,2%), l = panjang (s=0,2%)
k = tetapan instrumentasi

RSD Φ = (22+0,22+0,22+0,52+12)1/2 = 2,3%

Contoh:
Absorbansi, A = -log(T) di mana T= transmitansi
Jika T= 0,501 dengan standard deviasi, s= 0,001
Tentukan A dan standard deviasinya (σA).

Jawab:
A = -log(0,501) = 0,300
dA/dT = -(log e)/T = - 0,434/T

σA= | σT(- log e/T) | =

| 0,001 x (- 0,434/0,501) | = 0,0008

RSD dari A = 100 σA/A = (100 σT log e)/(T logT)

RSD dari A minimum jika T = 1/e = 0,368