1 / 18

oleh : Aniq Atiqi Rohmawati Departemen Statistika

Transformasi Wavelet Diskret dan Partial Least Squares dalam Pemodelan Kalibrasi serta Implementasinya pada OSS-R. oleh : Aniq Atiqi Rohmawati Departemen Statistika Fakultas Sains dan Teknologi Universitas Airlangga 2011. Edited by Anwar. LATAR BELAKANG. Indikator kualitas

jamar
Télécharger la présentation

oleh : Aniq Atiqi Rohmawati Departemen Statistika

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Transformasi Wavelet Diskretdan Partial Least Squares dalamPemodelan Kalibrasi serta Implementasinya pada OSS-R oleh: AniqAtiqiRohmawati DepartemenStatistika FakultasSainsdanTeknologiUniversitasAirlangga 2011 Edited by Anwar

  2. LATAR BELAKANG Indikatorkualitas tanamanobat Mahal HPLC Konsentrasi senyawaaktifnya Metode Metode Murah IniMasalahnya ??? FTIR Data FTIR: * Dimensitinggi * Multikolinearitas MODEL KALIBRASI

  3. STEP 1 STEP 2 S O L U S I PLS Wavelet + Mampumengatasi masalahmultikolinearitas antarvaribelprediktor denganlebihbaikdaripada metode Brown dan + Mampumengatasidata berdimensitinggi + Secarakomputasidan implementasimudah dansederhana Sebelumnya: Sony danNotodiputro (2004); Sony (2005); Suprapti (2009); Da Chen et al (2004); Sebelumnya: Wigena (1998); Otto Mathias (1999); Harjono (2008); Fitriani (2010)

  4. TUJUAN • Melakukanreduksidimensi data FTIR denganTransformasiWavelet Diskret (TWD). • MengatasimasalahmultikolinearitasdenganPartial Least Squares (PLS) pada data hasilreduksidengan TWD. • Membuat algoritma program TWD dan PLS dalam OSS-R • Menerapakan program TWD dan PLS pada data persen transmitansenyawaaktifkurkumin

  5. MANFAAT Hasilpenelitianinidiharapkanmmemberikanmetodealternatifpenangananpemodelanregresipadadataberdimensitinggidengankasusmultikolinearitas. Menambahpengetahuanpembacatentangreduksidimensidengan TWD danpenanganankasusmultikolinearitasdenganPLS. Mengetahuipenerapan TWD danPLS padaOSS-R.

  6. METODE PENELITIAN Data yang digunakanadalah data sekunderdaridata penelitian Hibah Pascasarjana tahun 2003-2005. Variabel prediktornya adalah data persen transmitanFTIR serbukkurkumin yang diperolehdari20 daerahpengamatanpada 1866 panjanggelombang. SedangkanvariabelresponnyaadalahkonsentrasiHPLC dari 20 daerahpengamatan. Temulawak yang dijadikan contoh diambil dari beberapadaerahsentratanamanobat: Bogor, Sukabumi, KulonProgo, Karanganyar, danCianjurdanBalitro.

  7. Mulai A Data validasi Data dengann pengamatandan p peubahbebasdimanap > n Data building set Menentukanjumlahkomponen Memampatkanvariabelprediktor (p) hinggaberukuranq=2M Mentransformasivariabelberukuran 2M kedalaminterval [0,1) MemilihjumlahkomponenberdasarkanRMSEP MenghitungmatriksW berukuranqxq MenghitungX-loading danX-scores berdasarkankomponenterpilih MentransformasivariabelX untuk mendapatkanmatrikskoefisienwavelet, D UjimultikolineritasterhadapX-score Reduksidimensidenganmengambilsehingga Ujikebaikanjumlahkomponenterpilihdenganvalidasisilang Selesai A

  8. HASIL PEMBAHASAN ReduksiDimensidenganTransformasiWavelet Diskret

  9. NilaiWT : Diperolehdenganmemasukkankomponenψ(t) danΦ(t) padaHaarwavelet yang selanjutnya dikalikandengan 1/√1024

  10. penangananmultikolineritasdenganpls

  11. Data dari 20 pengamatan dibagi menjadi dua bagian, 17pengamatanuntukmembangun model (building set) dan3 pengamatanuntukvalidasisilang

  12. vektorlatent optimal jugadapatditentukandarinilaidan plot RMSEP masing-masingkomponen Leveling off

  13. Tabel 4.3 PerbandinganHasilPrediksidanHPLC pada10 dan 11 Vektor Latent (VL) Hasilvalidasi yang diperolehterlihatbahwanilaiprediksi HPLC denganjumlah VL 11 nampakakurat. Prediksi optimal dengan 11 VL jugaterlihatdarinilaikorelasi yang tinggi antara hasil prediksi dan HPLC 0,9981

  14. Kesimpulan: • HasilreduksidimensidenganmetodeTransformasiWavelet Diskrit (TWD), memberikanhasil yang cukupbaikdalammenggambarkan data asal. • Padahasilreduksidimensidengan TWD dimungkinkanadanyakasusmultikolinearitas. • MetodePartial Least Squares mampumengatasimasalahmultikolineritas dengan melakukan reduksi kembali menjadi11 vektor latent. • Gabunganmetode TWD dan PLS, menghasilkanmodel yang memuaskan untuk memprediksi variabel respon (HPLC), dengankriteriakebaikan model sebesar 99,61%.

  15. TERIMA KASIH SemogaBermanfaat Apologize for any mistakes and shortage. Thanks for attention.

More Related