5

BAB II
TINJAUAN PUSTAKA

2.1 Kandungan Senyawa Aktif pada Temulawak
Indonesia dikenal sebagai salah satu negara penghasil tanaman obat yang
memiliki potensi dan prospek pengembangan baik. Sekitar 25 obat-obatan yang
diproduksi negara maju mengandung bahan senyawa aktif hasil ekstraksi tanaman
obat. Temulawak (Curcuma xanthorrhiza Roxb.) merupakan salah satu tanaman
obat yang banyak digunakan sebagai bahan baku dalam industri jamu dan farmasi
(Mukid, 2009).
Komposisi rimpang temulawak dapat dibagi menjadi dua fraksi utama
yaitu zat warna kurkuminoid dan minyak atsiri. Kandungan utama kurkuminoid
terdiri dari senyawa kurkumin, desmetoksikurkumin dan bisdesmetoksikurkumin
(Sinambela 1985, dalam Mukid 2009).
2.1.1 Spektroskopi FTIR (Fourier Transfrom Infared)
Aplikasi spektroskopi inframerah sangat luas, baik untuk tujuan analisis
kuantitatif maupun kualitatif. Instrumentasi spektum inframerah dibagi kedalam
tiga jenis radiasi yaitu inframerah dekat (panjang gelombang 12800-4000 cm
-1
),
inframerah pertengahan (panjang gelombang 4000-200 cm
-1
), inframerah jauh
(panjang gelombang 200-10 cm
-1
) (Nur dan Adijuwana 1989, dalam Sunaryo
2005). FTIR termasuk dalam kategori radiasi inframerah pertengahan. Hampir
setiap senyawa yang memiliki ikatan kovalen akan menyerap berbagai frekuensi
radiasi elektromagnetik dalam daerah spektrum inframerah. Jika I
0
adalah
6
intensitas inframerah yang masuk kedalam contoh dan I adalah intensitas
inframerah yang diteruskan (transmitted) oleh contoh, maka:
Absorban (A) = Log (I
0
/I) dan % transmitan (%T) = 100 (I/I
0
)
sehingga hubungan absorban dengan % transmitan adalah:
A = - log (%T/100)
Karena kekuatan serapan proposional terhadap konsentrasi, maka FTIR
dapat digunakan untuk analisis kuantitatif yang menghubungkan konsentrasi
dengan absorban atau persen transmitan. Untuk menduga konsentrasi suatu
senyawa tertentu dalam contoh, diperlukan pengukuran nilai-nilai absorban pada
berbagai bilangan gelombang. Plot antara transmitan dengan bilangan gelombang
menghasilkan spektrum infra merah. Karena setiap tipe ikatan yang berbeda
mempunyai sifat frekuensi vibrasi yang berbeda, maka tidak ada molekul yang
berbeda strukturnya akan mempunyai bentuk serapan infra merah atau spektrum
infra merah yang tepat sama. Dengan membandingkan spektrum infra merah dari
dua senyawa yang diperkirakan identik maka dapat dikatakan bahwa kedua
senyawa tersebut identik atau tidak. Pelacakan tersebut lazim dikenal dengan
bentuk sidik jari (Finger Print) dari dua spektrum infra merah. Kondisi puncak
spektrum infra merah kedua senyawa tepat sama maka dikatakan dalam banyak
hal kedua senyawa tersebut sama atau identik (Sostrohamidjoyo 1990, dalam
Erifani 2005).



7
2.1.2 HPLC (High Performance Liquid Chromatography)
HPLC merupakan teknik kromatografi cair yang menggunakan tekanan
tinggi. HPLC merupakan suatu metode yang dapat digunakan untuk memisahkan
dan mengidentifikasi berbagai komponen dalam campuran. Prinsip pemisahan
komponen campuran dalam kolom berdasarkan perbedaan kesetimbangan retensi
dan gerakan masing-masing komponen pada permukaan fase diam dan fase gerak.
Zat-zat yang teradsorpsi kuat dalam fase diam akan lama bertahan dalam kolom.
Waktu ketika contoh diinjeksikan kedalam HPLC sampai dengan suatu puncak
analat (analyte peak) muncul pada detektor di akhir kolom disebut waktu retensi
(retention time). Masing-masing alanat dalam suatu contoh akan mempunyai
perbedaan waktu retensi. Waktu retensi mencerminkan keberadaan suatu
komponen kimia dan merupakan penciri kualitatif suatu senyawa. Luas area
dibawah kurva mencerminkan konsentarasi secara kuantitatif (Sunaryo, 2005).
HPLC berhasil baik untuk senyawa yang dapat dideteksi di daerah
spektrum UV dan spektrum sinar tampak (Harborne 1996, dalam Sunaryo 2005).
Melalui metode HPLC, suatu senyawa dapat diketahui secara kualitatif dan
kuantitatif dengan mengetahui pola kromatogram dan membandingkan luas area
dengan suatu standar senyawa yang diketahui pada waktu retensi tertentu. Proses
HPLC ini memerlukan biaya yang relatif mahal.




8
2.2 Kalibrasi Linear Berganda
Kalibrasi peubah ganda bertujuan untuk menemukan hubungan antara
sekumpulan ukuran yang relatif terjangkau dan murah (X) dengan sekelompok
ukuran lain yang relatif sulit atau mahal (Y) (Naes et al. 2002, dalam Sunaryo
2005). Analisis regresi linier berganda merupakan analisis regresi yang
melibatkan lebih dari satu variabel prediktor
p
X X X , , ,
2 1
K dan mempunyai
hubungan linier dengan variabel respon (Y). Bentuk umum regresi linear berganda
yang melibatkan p buah variabel prediktor adalah:
y + + + + =
p p
X X K
1 1 0
(2.1)
dalam matriks model regresi linier dapat ditulis dalam (Walpole, 1995):
X y + = (2.2)
atau

(
(
(
(

+
(
(
(
(
(

(
(
(
(
(

=
(
(
(
(

n
2
1
p
1
0
np n1
2p 21
1p 11
n
2
1

X X 1
X X 1
X X 1
y
y
y
M M
L
M O M M
L
L
M
(2.3)
dengan
, ) ( , ) ( 0 X y = = E E dan
2
) var( I =
Pada pemodelan antar variabel bebas dan variabel tidak bebas diharapkan
diperoleh model yang baik, atau dengan kata lain jarak antara nilai pengamatan
dan nilai hasil pemodelan Y

tidak jauh berbeda atau nilai galatnya kecil. Untuk

meminimumkan nilai galat dapat dilakukan dengan cara mensubsitusikan nilai
9
dugaan kuadrat terkecil bagi . Nilai dugaan diperoleh melalui metode kuadrat
terkecil:
y X X X
T T 1
) (

= (2.4)
yang mempunyai sifat sebagai berikut (Searle, 1971 dalam Sunaryo 2005):
1.

adalah penduga tak bias dari , yang berarti E(

) = .
2. Ragamnya adalah:

2 1
) ( )

var(

= X X
T
(2.5)
Berdasarkan persamaan (2.5) maka nilai dugaan untuk model regresi linier
dapat diperoleh dengan persamaan di bawah ini:
X Y

= (2.6)
Kriteria yang biasa digunakan untuk mengetahui apakah suatu model regresi
sudah baik selain nilai MSE adalah nilai koefisien determinasi:

=
=

=
n
i
i
n
i
i
y
y
R
1
2
1
2
2
) (
)

(
Y
Y
(2.8)
Selain nilai koefisien determinasi, terdapat ukuran yang dapat digunakan untuk
mengetahui kebaikan hasil prediksi, yaitu RMSEP (Root Mean Square Error of
Prediction):
( )
pred
N
i
N
RMSEP
pred
2
1

=
i pred i
y y
(2.9)
pred
N
adalah banyaknya data untuk validasi.
10
RMSEP dapat dipakai untuk menentukan banyaknya vektor latent (VL) optimal
yang masuk kedalam model. RMSEP ideal menurun ketika jumlah VL
ditambahkan kedalam model. Banyaknya VL optimal dimasukkan kedalam model
untuk RMSEP ideal adalah titik minimum dimana nilai RMSEP turun yang
kemudian diikuti penurunan grafik yang cenderung mendatar (level off) (Wiley,
1998).

2.3 Wavelet
Wavelet berarti gelombang-gelombang kecil (small waves), sedangkan
sinus dan kosinus adalah gelombang-gelombang besar (Percival, 2005). Ada
beberapa jenis fungsi wavelet, fungsi wavelet yang paling sederhana dan paling
tua adalah wavelet Haar. Penentuan mother wavelet dapat dilakukan dengan
melihat sifat-sifat data atau disesuaikan dengan kebutuhan. Jika analisis ditujukan
untuk analisis sintesis dan reduksi dimensi, fungsi orthogonal yang dianjurkan
(Addison 2002, dalam Suprapti 2009). Penentuan mother wavelet juga dapat
dilakukan dengan cara mencoba semua mother wavelet, kemudian dilihat mother
wavelet mana yang paling sesuai dengan data yang digunakan (Da Chen et al,
2004).
2.3.1 Mother Wavelet
Menurut Vidacovic dan Meuller (1991), suatu fungsi (.) bernilai real,
disebut wavelet jika memenuhi:
1.

=1 ) (
2
,
dt t
k j

11
2.

= 0 ) (
,
dt t
k j
(2.10)
Fungsi wavelet dihasilkan dari dilatasi dan translasi mother wavelet (Nason dan
Silverman 2004, dalam Suprapti 2009) yang dinyatakan dengan persamaan:
< < >

=

b a
a
b t
a t
b a
, 0 ; ) ( ) (
2 / 1
,
(2.11)
Fungsi wavelet pada persamaan (2.11) diperkenalkan pertama kali oleh Grossman
dan Morlet. Pada fungsi Grossman Morlet, a adalah parameter dilatasi dan b
adalah parameter translasi (Suprapti, 2009)
Wavelet yang sederhana yaitu wavelet Haar yang dikenalkan oleh Alferd
Harr pada tahun 1909. Wavelet Haar merupakan mother wavelet orthogonal yang
sederhana dan banyak dipakai untuk kasus reduksi dimensi data (Sony dan
Notodiputro 1992, dalam Suprapti 2009):

<
<
=
selainnya
t
t
t
, 0
1 2 / 1 , 1
2 / 1 0 , 1
) ( (2.12)
dengan ) 2 ( t , ) 1 2 ( t , ) 2 2 ( t dan seterusnya adalah saling orthogonal.
Dilatasi dan translasi fungsi mother wavelet ) (t adalah:
) 2 ( ) ( ) (
,
k t konst t
j
k j
= (2.13)
maka untuk memperoleh fungsi basis yang orthonormal, besarnya konstanta harus
sama dengan
2 /
2
j
. Hal ini merupakan konsekuensi dari ) (
,
t
k j
yang orthogonal
(Sunaryo, 2005). Dengan demikian bentuk fungsi basis orthonormal pada ) (
2
R L ,
12
yaitu ruang dari semua fungsi yang terintegralkan kuadrat (

< dt t f ) (
2
)
adalah:
) 2 ( 2 ) (
2 /
,
k t t
j j
k j
= (2.14)
Secara formal, jika ) ( ) (
2
R L t f , maka f(t) dapat didekomposisi atau
direpresentasikan sebagai kombinasi dari fungsi-fungsi basis yang orthonormal
(Antoniadis et al 2001 ).
2.3.2 Father Wavelet
Di dalam analisis wavelet, selain fungsi ) (t , dikenal juga fungsi lain yang
berkaitan dengan ) (t yaitu fungsi father wavelet ) (t . Fungsi ini juga dapat
membangkitkan fungsi basis orthonormal yang menyusun ruang ) (
2
R L . Sehingga
secara lebih umum fungsi basis dalam ) (
2
R L , dapat berbentuk:
{ } Z k j j
o k j k jo
, , ,
, ,
(2.15)
) (
0 , 0
t disebut fungsi skala, yang berhubungan dengan ) (
,
t
k j
. Himpunan
{ } Z k
k jo
,
,
akan membentuk anak ruang yang sama seperti { } Z k j j
o k j
, ,
,
.
Untuk wavelet Haar bentuk dari ) (
0 , 0
t yang biasa ditulis ) (t , adalah:

<
=
selainnya
t
t
, 0
1 0 , 1
) ( (2.16)
Hubungan antara ) (t dengan ) (t dapat ditunjukkan sebagai berikut:
) 1 2 ( ) 2 ( ) ( = t t t (2.17)
Fungsi skala atau father wavelet , merupakan penyelesaian persamaan berikut:

=
h
k
k t h t ) 2 ( 2 ) ( (2.18)
13
k
h merupakan sederetan bilangan yang mentransformasi suatu fungsi menjadi
fungsi lain tanpa mengubah bentuknya secara prinsip, fungsi tersebut hanya
digeser atau diperkecil. Fungsi ) (t dapat membangkitkan suatu keluarga
orthonormal:
) (
2
R L , Z k j k t
j j
k j
= , ), 2 ( 2
2 /
,
(2.19)
Sehingga mother wavelet dapat diperoleh dari fungsi skala melalui persamaan
(Vidacovic dan Meuller, 1991):

=
h
k
k t g t ) 2 ( 2 ) ( dimana
k
k
k
h g

=
1
) 1 ( (2.20)
Pada persamaan tersebut
k
g akan mentransformasikan fungsi menjadi fungsi lain
yang bentuk prinsipnya berubah.
k
h dan
k
g disebut koefisien-koefisien dari low
pass dan high pass filters. Koefisien-koefisien ini digunakan untuk perhitungan
TWD.
Berdasarkan fungsi basis untuk ) ( ) (
2
R L t f , maka f(t) dapat
didekomposisi menjadi:

+ =
k jo j k
k j k j k jo k jo
t d t c t f ) ( ) ( ) (
, , , ,
(2.21)
Karena fungsi basis saling orthonormal, maka koefisien-koefisien pada
persamaaan di atas dapat dihitung dengan (Morettin 1997, dalam Sunaryo 2005):

= dt t t f c
k jo k jo
) ( ) (
, ,

= dt t t f d
k j k j
) ( ) (
, ,
(2.22)
14
2.3.3 Transformasi Wavelet Diskret (TWD)
Misalkan terdapat vektor data berukuran
M
2 , M bilangan bulat positif.
Maka vektor data tersebut dapat dihubungkan dengan potongan-potongan fungsi
konstan pada interval [0,1) yang biasa disebut fungsi tangga, dengan persamaan:

=
+
<
=
1 2
0
}
2
1
2
{
) (
M
M M
k
k
t
k k
I x t f
(2.23)
Fungsi tangga f(t) pada persamaan (2.23) termasuk dalam ]) 1 , 0 ([
2
L , sehingga
dekomposisi wavelet dari f(t) adalah:

=
+ =
1
0
1 2
0
, , 0 , 0
) ( ) ( ) (
M
j k
k j k j
j
t d t c t f (2.24)
Persamaan (2.24) disebut TWD, karena nilai j hanya diambil pada
bilangan bulat bukan negatif saja (Kaist, 2005). Bilangan j disebut level resolusi,
dan f(t) dapat diperoleh secara tepat, jika diambil semua level resolusi untuk
dekomposisi, yaitu semua (M-1) level resolusi pertama. Koefisien c
0,0
disebut
koefisien pemulusan atau bagian pendekatan dari suatu fungsi, sedang d
j,k
disebut
koefisien wavelet atau disebut juga bagian detail suatu fungsi (t) dan
(t) (Sunaryo, 2005).
2.3.4 Matriks Transformasi Wavelet
Matriks transformasi wavelet, W, merupakan matriks orthogonal
(Vidacovic dan Meuller, 1991) untuk semua jenis mother wavelet yang
digunakan, sehingga berlaku I W W =
T
. W adalah matriks yang elemen-elemen
kolomnya adalah nilai dari ) (t dan ) (
,
t
k j
untuk berbagai ) 1 , 0 [ t , untuk Haar
wavelet :
15

+
<
+

+
<
=
+
+
selainnya
k
t
k
k
t
k
t
j j
j
j j
j
k j
, 0
2
1
2
1 2
, 2
2
1 2
2
, 2
) (
1
2 /
1
2 /
,

<
=
selainnya
t
t
, 0
1 0 , 1
) (
Persamaan (2.24) dapat dituliskan dengan notasi matriks,

d W x
T
= (2.25)
karena W ortogonal maka
x W d = (2.26)
dimana
T
1 1,2 - M
1,0 1,1 0,0 0,0
) d , ... , d , d , d , (c
1 - M

= d . Reduksi dimensi dilakukan

dengan mengambil q m < dari koefisien-koefisien wavelet sehingga diperoleh

T
pxm nxp nxm
* *
W X D = (2.27)
dengan memberi nilai nol pada kolom ) 1 ( + m sampai dengan q dari matriks
T
W .
Persamaan di atas mereduksi pengamatan p variabel menjadi m koefisien wavelet
terpilih, dimana m < p (Sunaryo, 2005).

2.4 Multikolinearitas
Di dalam analisis regresi berganda, asumsi-asumsi yang memenuhi
terhadap hubungan antara peubah tak bebas (respon) dengan peubah-peubah
bebasnya (prediktor) sangat diperhatikan. Pendugaan yang dilakukan pada regresi
berganda tidak bermakna apabila peubah-peubah prediktornya saling berkorelasi
atau multikolinieritas.
16
Multikolinearitas adalah hubungan linear yang sempurna atau pasti
diantara beberapa atau semua variabel bebas dari model regresi berganda. Salah
satu ukuran untuk mendeteksi adanya multikolinieritas adalah koefisien korelasi
Pearson (r). Koefisien korelasi Pearson merupakan suatu ukuran hubungan linear
antara dua vektor spektra pada panjang gelombang ke i dan ke (i-1). Nilai r
berkisar antara (-1) dan (+1). Jika nilai r mendekati (-1) dan (+1), maka kedua
vektor memiliki korelasi yang tinggi.

1
1
,
1
)) , ( (

i i
i i
x x
x x
i i
S S
S
x x r Pearson korelasi koefisien (2.28)
dengan

1
) )( (
1
1 , 1 ,
,
1

n
x x
S
p
j
i j i i j i
x x
i i
x x
(2.29)

1
) (
1
2
,

=
n
x
S
p
j
i j i
x
i
x
(2.30)

1
) (
1
2
1 , 1
1

n
x
S
p
j
i j i
x
i
x
(2.31)

2.5 Partial Least Squares (PLS)
Partial Least Squares (PLS) merupakan salah satu metode alternatif yang
bermanfaat untuk penyelesaian Multiple Linear Regression (MLR), dengan kritea
jumlah variabel prediktor yang relatif lebih besar dibandingkan jumlah
pengamatan dan antar variabel prediktor saling berkorelasi. Metode PLS popular
17
dalam bidang industri karena mampu mengatasi korelasi pada data dengan
dimensi besar. Contohnya pada analisis kimia dalam Multivariate Calibration dan
spectroscopy pada chemometrics atau kalibrasi peubah ganda. Partial Least
Squares berhubungan dengan Principal Component Regression (PCR) dan MLR,
PLS menggabungkan dua metode tersebut dengan cara memaksimalkan kovarian
antara variabel X dan Y. Metode PLS mencari kombinasi linear dari variabel
prediktor, yang diketahui sebagai faktor, dari variansi yang dapat diterangkan oleh
variabel X dan Y. Partial Least Squares mencoba menemukan faktor-faktor baru
yang mempunyai peran sama dengan X. Faktor-faktor baru tersebut sering disebut
dengan latent variable atau komponen (Harjono, 2008). Algoritma PLS disusun
berdasarkan metode komponen utama dengan cara dekomposisi nilai singular
(SVD).
2.5.1 Singular Value Decomposition (SVD)
Setiap proses dekomposisi akan memfaktorkan sebuah matriks menjadi
lebih dari satu matriks singular. Singular Value Decomposition (SVD) berkaitan
erat dengan singular value atau nilai singular dari sebuah matriks yang merupakan
salah satu karakteristik matriks (Abdi, 2007).
Definisi
Diberikan matriks
mxn
C A yang memiliki rank = r, nilai eigen dari matriks
A
T
adalah
0
1 2 1
= = =
+ n r r
K K
i i
= , dengan n i , , 3 , 2 , 1 K = disebut nilai singular dari matriks A.

18
Teorema
Diberikan matriks
mxn
C A yang memiliki rank = r. Maka tepat terdapat
sejumlah r nilai singular tak nol.
Bukti
Misalkan nilai eigen dari matriks A adalah
n
K
2 1
, berarti terdapat
sejumlah n vektor eigen
i
x , n i , , 3 , 2 , 1 K = yang bersesuaian dengan nilai-nilai
eigen tersebut. Himpunan vektor eigen { }
n 2 1
x , , x , x K membentuk basis
orthogonal untuk
n
C . Normalisasikan basis orthogonal ini sehingga diperoleh
basis ortonormal { }
n
P P P , , ,
2 1
K untuk
n
C .
Untuk j i , nilai 0 , =
j i
P P , namun untuk j i = , nilai 1 , =
j i
P P .
Akibatnya
2
) ( ) ( ,
i i i
T
i i
T
i j i
P P P P P P P = = = AA A A A A , akibatnya 0 >
i
.
Menurut definisi nilai singular, berlaku
2
2
i i i
P A = = , untuk setiap i.
Rank matriks A sama dengan dimensi ruang kolomnya yaitu dim { }
m
C x Ax | .
Karena diketahui rank (A) = r, maka 0
2 1
= = =
r
P P P A A A K
dan 0
2 1
= = = =
+ + n r r
P P P A A A K . Jadi diperoleh 0
i
untuk r i , , 3 , 2 , 1 K = .
Lebih lanjut, karakteristik matriks juga menentukan hubungan antara
prapeta misalkan { }
2 1
v , v ketika ditransformasikan menggunakan matriks
mxn
C A , dengan petanya misalkan { }
2 2 1
, u u
1
dimana vektor u dan v masing-
masing adalah vektor unit, sehingga dengan demikian:
n j
j j j
= 1 , u Av
dalam notasi matriks:
19
[ ] [ ] [ ]
(
(
(

=
n

O L L
1
n 2 1 n 2 1
u u u v v v A
Hubungan ini dapat juga ditulis sebagai:
U AV = (2.32)
Karena V adalah matriks unitary, maka , I V V
T
= sehingga diperoleh:

T
V U A = (2.33)
Bentuk diatas disebut dengan bentuk dekomposisi SVD dengan U merupakan
matriks unitary yang dibentuk oleh vektor eigen normal matriks
T
AA , V
merupakan matriks unitary yang dibentuk oleh vektor eigen normal matriks A A
T

dan merupakan matriks diagoanl yang elemen-elemennya adalah nilai singular
matriks A (Anonim, 2008).
2.5.2 Dekomposisi Bersama Variabel Respon dan Prediktor
Partial Least Squares (PLS) mendekomposisi X dan Y sebagai hasil kali
dari sekumpulan faktor yang orthogonal.

T
TP X = (2.34)

T
TQ Y = (2.35)
T merupakan matriks score yang berukuran nxc, dimana n merupakan banyaknya
pengamatan dan c adalah banyaknya vektor latent. Kolom-kolom dari T
merupakan vektor latent dan P merupakan matriks X-loading yang berukuran pxc,
dengan p adalah banyaknya prediktor. Q merupakan matriks Y-loading berukuran
1xc.
20
Langkah pertama, mentrnsformasi matriks X dan Y menjadi matriks E dan
F, matriks-matriks dengan kolom terpusat dan dinormalkan (transformasi Z-
score). Selanjutnya, mengestimasi vektor l yaitu vektor X-weight berukuran p,
sebagai:

i
T
i i
u E l
1
= (2.36)
dengan E E =
0
.

i i i
l E t
1
= (2.37)
dengan
t t
t
t
T
= dan i adalah banyaknya vektor latent c i , , 2 , 1 L = . t adalah
vektor X-score berukuran n dan u merupakan kolom vektor dari E yang memiliki
nilai sum of square terbesar. Selanjutnya, vektor t diregresikan kembali untuk
memperoleh vektor loading:
i
T
i i
t E p
1
= (2.38)
i
T
i i
t F q
1
= (2.39)
dengan p merupakan vektor X-loading. Vektor X-loading merupakan koefisien
linear penghubung antara prediktor dengan X-score dan berukuran px1. Selain itu,
melalui vektor t diperoleh nilai b yang digunakan untuk memprediksi Y:
i
T
i i
b u t = (2.40)
Langkah terakhir, melakukan pengurangan data matriks (data asal) E dan F .

T
i i i i
p t E E =
1
(2.41)

T
i i i i i
b q t F F =
1
(2.42)
21
Jika E telah menjadi matriks null, maka keseluruhan vektor latent telah
ditemukan. Vektor-vektor l, t, p, dan q yang diperoleh pada masing-masing
komponen dimasukkan sebagai kolom pada matriks L, T, P, dan Q. Skalar b
dimasukkan sebagai elemen diagonal matriks B.
2.5.3 Partial Least Squares dan Singular Value Decomposition
Berdasarkan pembahasan pada subbab sebelumnya diperoleh hubungan
antara nilai eigen dan SVD melalui persamaan berikut:
l E FF E t FF E q F E u E l
T T T T T T
= = = = (2.43)
Persamaan 2.42 menunjukkan bahwa vektor bobot pertama w merupakan vektor
singular kanan pertama pada matriks Y X
T
. Demikian juga dengan vektor bobot
pertama q merupakan vektor singular kiri pertama pada matriks Y X
T
(Abdi,
2007). Kesamaan tersebut menunjukkan bahwa vektor pertama t dan u merupakan
vektor eigen pertama dari
T T
YY XX dan
T T
XX YY . Variabel respon atau HPLC
dapat diprediksi dengan model sebagai berikut:
Q T Y =

(2.44)
atau
PLS
B X Y =

(2.45)
dengan
T T
PLS
Q B P B ) (
+
= dimana
+ T
P adalah invers Moore-Penrose pseudo dari
T
P .



22
2.6 Open Source Software (OSS)-R
R merupakan salah satu paket analisis data yang termasuk kelompok
software statistik open source dimana software ini dapat digunakan tanpa
mengeluarkan banyak biaya dan tanpa takut pembajakan. Paket program R ini
sudah dilengkapi dengan banyak kemampuan internal untuk menganalisa data dan
menampilkan grafik sehingga R bisa dikategorikan sebagai paket pengolahan data
(paket statistika). Paket-paket ini tersedia di situs resmi R dan penggunaannya
paket-paket ini disesuaikan dengan kebutuhan.
Pada skripsi ini digunakan R versi 2.10.1. R mempunyai beberapa versi,
bergantung pada penggunaannya dan paket yang digunakan. Untuk mengerjakan
transformasi wavelet pada R diperlukan paket wavethresh (wavethresh packages).
Paket ini berfungsi untuk melakukan perintah-perintah TWD. Beberapa perintah
dan pengerjaan TWD yang terdapat pada paket ini seperti GenW, perintah ini
dipakai untuk membangkitkan matriks TWD,
T
W dari beberapa tipe mother
wavelet (Nason, 2010). Sama halnya dengan TWD, pada pengerjaan PLS
diperlukan juga paket PLS (pls packages), dengan adanya paket ini beberapa
perintah terkait penanganan masalah multikolinearitas pada data menggunakan
PLS mudah dilakukan.
Beberapa kemampuan menonjol dari R yang menjadi alasan banyak
statistisi memilihnya sebagai paket aplikasi diantaranya adalah:
1. memiliki koleksi program analisis data, yang disebut library atau pustaka
yang sangat luas seperti statistika deskriptif, regresi, pemodelan statistika,
anova, dan multivariat;
23
2. kemampuan pemrogaman (bahasa S) yang dapat dikembangkan secara
fleksibel untuk kepentingan khusus yang lebih lanjut;
3. variasi penampilan grafiknya sangat banyak dan berkualitas tinggi;
4. R termasuk pemrogaman yang berorientasi pada objek (object oriented
programming);
5. R juga termasuk bahasa terintepretasi/interpreted, bukan
terkompilasi/compilled. Dalam bahasa terintepretasi setiap ekspresi/perintah
tunggal dievaluasi dan dieksekusi dengan segera. Keunggulan bahasa
interpretasi ini adalah fleksibilitasnya untuk dikembangkan secara bertahap,
sedangkan kelemahannya dia memerlukan lebih banyak memori;
6. R berbasis S yang merupakan dasar dari paket komersial S-plus. Hal ini berarti
kedua bahasa tersebut sangat kompatibel;
7. R adalah program open source yang tersedia secara cuma-cuma dan
multiplatform (tersedia pada sistim operasi Windows, Unix, dan Linux).
(Tirta, 2004)