METODE KENDALI MUTU ETILENA VINIL ASETAT DENGAN TEKNIK SPEKTROSKOPI DAN KEMOMETRIK
JOYO MANALU
DEPARTEMEN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
ABSTRAK JOYO MANALU. Metode Kendali Mutu Etilena Vinil Asetat dengan Teknik Spektroskopi dan Kemometrik. Dibimbing oleh LATIFAH K DARUSMAN dan RUDI HERYANTO. Dalam penelitian ini, analisis komponen utama digunakan untuk mengelompokkan etilena vinil asetat (EVA) standar dan non-standar berdasarkan spektrum inframerah, sedangkan kuadrat terkecil parsial digunakan untuk membuat model yang digunakan dalam memprediksi kelompok sampel. Proses pendahuluan dilakukan terhadap spektrum IR sampel untuk memperoleh prediksi terbaik. Pengelompokan terbaik pada EVA water-based diperoleh pada model sebelum manipulasi dengan nilai variasi terwakili 96% (PC1 = 84%, PC2 = 12%), sedangkan untuk EVA hotmelt diperoleh pada model normalisasi sebelum manipulasi dengan nilai variasi terwakili 96% (PC1 = 90%, PC2 = 6%). Model prediksi terbaik pada EVA water-based maupun hotmelt ialah sebelum manipulasi dengan nilai r kalibrasi berturut-turut dan 0.9801 dan 0.9402, r validasi = 0.9431 dan 0.8414, RMSEC = 0.0694 dan 0.0992, RMSEP = 0.1223 dan 0.1627, SEC = 0.0702 dan 0.0997, SEP = 0.1236 dan 0.1634, bias kalibrasi = -3.663 × 10-8 dan 2.557× 10-8, dan bias validasi = -0.0011, dan -0.0067. Berdasarkan hasil tersebut, metode berbasis spektroskopi dan kemometrik dapat diterapkan sebagai alternatif dalam penerimaan bahan baku EVA water-based dan hotmelt sehingga diharapkan dapat mempermudah pekerjaan kendali mutu. ABSTRACT JOYO MANALU. Quality Control of Ethylene Vinyl Acetate by Spectroscopy and Chemometric Methods. Supervised by LATIFAH K DARUSMAN and RUDI HERYANTO. In this study, principal component analysis was used to separate standard and non-standard ethylene vinyl acetate (EVA) based on the infrared spectra, whereas partial least square was used to create sample group’s prediction models. Preprocessing step was performed on the IR spectrum to ensure the best prediction for measurement. The best grouping for water-based EVA was obtained by using the before-manipulation model, which showed the variation value of 96% (PC1 = 84%, PC2 = 12%), whereas for hotmelt EVA, the best grouping was obtained by using the normalization before-manipulation model, showing the variation value of 96% (PC1 = 90%, PC2 = 6%). The best prediction model for both water-based and hotmelt EVA was obtained by using the beforemanipulation model with the r calibration of 0.9801 and 0.9402, r validation of 0.9431 and 0.8414, RMSEC of 0.0694 and 0.0992, RMSEP of 0.1223 and 0.1627, SEC of 0.0702 and 0.0997, SEP of 0.1236 and 0.1634, calibration bias of -3.663 × 10-8 and 2.577 × 10-8, and validation bias of -0.0011 and -0.0067, respectively. Based on these results, this alternative spectroscopic and chemometric-based quality control method can be applied for both water-based and hotmelt materials and can improve the simplicity and practicality of quality control process.
METODE KENDALI MUTU ETILENA VINIL ASETAT DENGAN TEKNIK SPEKTROSKOPI DAN KEMOMETRIK
JOYO MANALU
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Kimia
DEPARTEMEN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Judul Skripsi
Nama NIM
: Metode Kendali Mutu Etilena Vinil Asetat dengan Teknik Spektroskopi dan Kemometrik
: Joyo Manalu : G44086034
Disetujui
Pembimbing I
Pembimbing II
Prof Dr Ir Latifah K Darusman, MS NIP 19530824 197603 2 001
Rudi Heryanto, SSi, MSi NIP 19760428 200501 1 002
Diketahui Ketua Departemen Kimia,
Prof Dr Ir Tun Tedja Irawadi, MS NIP 19501227 197603 2 002
Tanggal Lulus:
PRAKATA Puji dan syukur penulis haturkan kepada Tuhan Yesus Kristus atas segala berkat dan karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Karya ilmiah ini disusun berdasarkan penelitian yang berjudul Metode Kendali Mutu Etilena Vinil Asetat dengan Teknik Spektroskopi dan Kemometrik sebagai salah satu syarat untuk memperoleh gelar sarjana sains pada Departemen Kimia FMIPA IPB. Penelitian dilaksanakan pada bulan November 2010 sampai Februari 2011 di Laboratorium PT Dynea Indria, Jln Rawa Terate 1/03, Kawasan Industri Pulogadung, Jakarta Timur, Indonesia. Penulis mengucapkan terima kasih kepada Prof Dr Ir Latifah K Darusman, MS selaku pembimbing pertama dan Rudi Heryanto SSi, MSi selaku pembimbing kedua yang telah memberikan arahan, saran, dan dorongan selama pelaksanaan penelitian dan penulisan karya ilmiah ini. Terima kasih juga penulis ucapkan kepada Ibu Eva Sumargo selaku General Manager Lab & Marketing PT Dynea Indria, yang telah memberikan kesempatan kepada penulis melaksanakan penelitian di laboratorium PT Dynea Indria serta kepada rekan-rekan kerja di R&D PT Dynea Indria atas nasehat dan dorongan selama penelitan. Ungkapan terima kasih penulis berikan kepada keluarga tercinta, Bapak, Ibu, abang dan kakakku yang selalu memberikan semangat, cinta, kasih sayang, dan doa. Semoga karya ilmiah ini dapat bermanfaat bagi ilmu pengetahuan. Bogor, Januari 2012 Joyo Manalu
RIWAYAT HIDUP Penulis dilahirkan di Tarutung pada tanggal 22 April 1982 dari pasangan R. Manalu dan T. Simamora. Penulis merupakan anak terakhir dari enam bersaudara. Tahun 2001 penulis lulus dari SMU Seminari Menengah Pematang Siantar, kemudian melanjutkan pendidikan di Biara Parapat Sumatera Utara sampai pada tahun 2003. Pada tahun yang sama penulis mengikuti Tes Tertulis D3 Analisis Kimia dan lulus pada tahun 2006. Pada tahun 2008 penulis melanjutkan pendidikan S1 Kimia IPB, Fakultas Matematika dan Ilmu Pengetahuan Alam setelah bekerja 2 tahun di PT. Dynea Indria, Lem Fox.
DAFTAR ISI Halaman DAFTAR TABEL............................................................................................... vii DAFTAR GAMBAR .......................................................................................... vii DAFTAR LAMPIRAN.......................................................................................
ix
PENDAHULUAN .............................................................................................. 1 TINJAUAN PUSTAKA Etilena Vinil Asetat ................................................................................ 1 Spektroskopi Inframerah ........................................................................ 2 Kemometrik ............................................................................................ 3 BAHAN DAN METODE Bahan dan Alat........................................................................................ Pembuatan Lapisan Tipis ........................................................................ Penentuan Spektrum FTIR ...................................................................... Analisis Data Kemometrik......................................................................
4 4 4 4
HASIL DAN PEMBAHASAN Analisis Spektrum IR .............................................................................. 5 Analisis Komponen Utama .................................................................... 6 Kuadrat Terkecil Parsial.......................................................................... 8 SIMPULAN DAN SARAN Simpulan ................................................................................................. 11 Saran........................................................................................................ 11 DAFTAR PUSTAKA ......................................................................................... 11 LAMPIRAN........................................................................................................ 13
DAFTAR TABEL Halaman 1 Hasil PCA spektrum IR EVA water-based....................................................
6
2 Hasil PCA spektrum IR EVA hotmelt............................................................
6
3 Tampilan parameter model prediksi EVA water-based dan hotmelt ............. 10
DAFTAR GAMBAR Halaman 1 EVA film water-based dan granul hotmelt ....................................................
1
2 Struktur kopolimer EVA (CAS Number: 24937-78-8)..................................
2
3 Skema kerja FTIR ..........................................................................................
3
4 Ilustrasi model regresi univariat (a) dan multivariat (b)................................
4
5 Spektrum FTIR EVA water-based.................................................................
5
6 Spektrum FTIR EVA hotmelt.........................................................................
5
7 Spektrum FTIR EVA water-based yang telah mengalami proses pendahuluan koreksi garis dasar ...................................................................... 7 8 Spektrum FTIR EVA yang telah mengalami proses pendahuluan normalisasi.....................................................................................................
7
9 Plot skor dua dimensi komponen utama EVA water-based sebelum manipulasi dan setelah derivatisasi ...............................................................
8
10 Plot skor dua dimensi komponen utama EVA hotmelt sebelum manipulasi dan setelah derivatisasi..................................................................................
9
11 Scatter plot dua dimensi EVA water-based sebelum manipulasi (a) dan EVA hotmelt sebelum manipulasi (b) ........................................................... 10
DAFTAR LAMPIRAN Halaman 1 Bagan alir penelitian....................................................................................... 14 2 Plot skor dua dimensi komponen utama PCA EVA water-based ................. 15 3 Plot skor dua dimensi komponen utama PCA EVA hotmelt ......................... 16 4 Pengolahan data dalam analisis kemometrik PCA dengan program Unscrambler 9.7 ............................................................................................. 17 5 Plot skor PLS EVA water-based & hotmelt .................................................. 18 6 Pengolahan data dalam analisis kemometrik PLS dengan program Unscrambler 9.7 ............................................................................................. 19 7 Data prediksi, validasi dan pembanding EVA water-based & hotmelt ......... 20 8 Pengolahan data dalam analisis kemometrik Predict dengan program Unscrambler 9.7 ............................................................................................. 22
PENDAHULUAN Etilena vinil asetat (EVA) merupakan bahan baku utama pembuatan perekat atau lem, yang dihasilkan melalui proses kopolimerisasi antara etilena dan vinil asetat. Kandungan vinil asetat bervariasi antara 10 dan 40%, sisanya etilena. Karakteristik EVA antara lain berbentuk emulsi cair, berwarna putih susu, pH 4–6, dan larut dalam air. Keragaman EVA bergantung pada viskositas/kekentalan dan kadar padatan, yaitu berkisar 10–40% vinil asetat. Ada 2 jenis EVA, yaitu EVA water-based, yang larut dalam air, berbentuk emulsi dengan warna putih susu, dengan pH 4–6, dan hotmelt yang berbentuk granul, berwarna putih dan putih kekuningan, tidak larut dalam air dan pelarut organik, dan diproses dengan menggunakan panas di atas 100 ºC. Kualitas bahan baku akan sangat menentukan kesesuaian produk perekat yang dihasilkan dengan standar produksi. Produk dapat diterima apabila masuk dalam standar perusahaan yang meliputi parameter viskositas, pH, kadar padatan, warna produk, dan uji spektroskopi inframerah transformasi Fourier (FTIR). Bahan baku juga harus masuk dalam kisaran standar perusahaan untuk parameterparameter tersebut. Bahan baku ditolak apabila sedikitnya satu parameter tidak terpenuhi. Hal ini dibuktikan dengan pengujian secara langsung dan hasilnya dibandingkan dengan data yang terdapat pada sertifikat analisis (CoA) maupun lembar data teknis (TDS) serta standar perusahaan yang berlaku. Penelitian ini bertujuan memperoleh metode kendali mutu yang lebih mudah dengan menggunakan metode spektroskopi inframerah transformasi Fourier-attenuated total reflectant (ATR-FTIR) sebagai metode baku. Metode ini digabungkan dengan teknik multivariat, yaitu analisis komponen utama (PCA) dan kuadrat terkecil parsial (PLS), diharapkan dapat digunakan untuk menolak dan menerima bahan baku baru.
kelenturan, tetapi tidak diproses secara termoplastik. EVA mempunyai kemurnian dan permukaan halus yang baik, tahan pada suhu rendah, dan tahan terhadap tekanan-retak (cracking). EVA hotmelt tidak larut-air dan tahan terhadap radiasi ultraviolet (UV). EVA tidak berbau dan sebanding dengan produk karet dan vinil dalam penggunaan untuk bidang kelistrikan. EVA semakin banyak digunakan sebagai perekat/lem, bahan cat interior dan eksterior, bahan karpet, perekat untuk kertas laminasi, dan banyak aplikasi lainnya. Penggunaan emulsi EVA untuk cat adalah sebagai pengganti bahan lain yang mahal, bahan yang mudah terbakar, bahan yang bau, atau pelarut yang beracun. Penggunaannya mudah, alat-alat yang digunakan untuk aplikasi dapat dibersihkan hanya dengan menggunakan air. Keuntungan lainnya ialah kadar padatan EVA tinggi dengan sifat zat cair, walaupun kekentalan emulsinya tidak bergantung pada bobot molekul resin (Erbil 2000). Namun, EVA juga memiliki kelemahan pada proses kopolimerisasi. Monomer vinil asetat polar dan reaktif, maka larut baik dalam air. Dibutuhkan penanganan khusus dalam proses polimerisasi dengan bahan hidrofobik yang kurang larut dalam air. Contoh EVA water-based yang sudah berbentuk lapisan tipis dan hotmelt berbentuk granul ditunjukkan pada Gambar 1.
(a)
TINJAUAN PUSTAKA Etilena Vinil Asetat EVA merupakan kopolimer etilena dan vinil asetat. Persen massa vinil asetat biasanya 10 sampai 40%, sisanya etilena. EVA mirip material elastomer dari segi kehalusan dan
(b) Gambar 1 EVA film water-based (a) granul hotmelt (b).
dan
2
Kriteria secara umum EVA water-based ialah viskositas 2500–10000 cps, kadar padatan 50–75%, pH berkisar antara 4 dan 6, serta berwarna putih susu. Sementara kriteria EVA hotmelt ialah viskositas 1125–4000 cps pada 160 °C, kadar vinil asetat 10–40%, dan berwarna putih atau kuning muda. Struktur umum EVA diperlihatkan pada Gambar 2. H A
CH2
CH2
CH2
C
n
O
H3C
Gambar 2
A m
O
Struktur kopolimer EVA (CAS Number: 24937-78-8).
Spektroskopi Inframerah Spektroskopi inframerah (IR) mengamati interaksi molekul dengan radiasi pada daerah panjang gelombang 0.75–1000 μm atau bilangan gelombang 13 000–10 cm-1. Daerah panjang gelombang IR lazim dibagi menjadi 3 yaitu IR dekat, pertengahan, dan jauh (Lau 1999). Senyawa yang belum diketahui dapat diidentifikasi gugus fungsinya dari spektrum IR yang khas. Metode ini cepat dan relatif murah. Karena itu spektroskopi IR lazim digunakan untuk penelitian dan dalam industri sebagai teknik kendali mutu sederhana. Ketepatannya tinggi pada aplikasi kimia organik dan anorganik (Silverstein & Webster 1991). Molekul monoatomik (He, Ne, Ar) dan diatomik (H2, N2, O2) tidak memiliki momen dipol, maka tidak mengabsorpsi sinar IR. Di sisi lain molekul-molekul dengan momen dipol berinteraksi dengan foton inframerah dan tereksitasi ke tingkat vibrasi lebih tinggi. (Ingel Jr & Crouch 1998). Spektroskopi FTIR merupakan teknik penjamakan. Semua frekuensi optik dari sumber diabsorpsi secara bersamaan melalui satu periode waktu pemayaran. Sinyal yang dihasilkan ditampilkan dalam bentuk digital yang dikenal sebagai interferogram. Pada dasarnya, spektrofotometer FTIR sama dengan IR dispersif. Yang membedakan adalah pengembangan pada sistem optik sebelum berkas sinar IR melewati contoh. Daerah spektrum yang paling banyak digunakan untuk berbagai keperluan praktis seperti analisis dalam bidang industri, bahan
pertanian, dan kendali mutu adalah 4000–670 cm-1 atau daerah IR tengah (Skoog et al. 1998). Secara keseluruhan, analisis menggunakan spektrofotometer FTIR memiliki 2 kelebihan utama dibandingkan dengan metode konvensional, yaitu dapat digunakan pada semua frekuensi sumber cahaya secara simultan sehingga analisis lebih cepat. Kepekaan juga lebih tinggi, sebab radiasi yang masuk ke sistem detektor lebih banyak karena tidak melalui celah. Detektor yang banyak digunakan dalam spektrofotometer FTIR adalah mercury cadmium telluride (MCT). Detektor ini memiliki beberapa kelebihan dibandingkan dengan detektor triglicine sulfate (TGS), yaitu memberikan respons yang lebih baik pada frekuensi modulasi tinggi, lebih peka, lebih cepat, tidak dipengaruhi oleh suhu, dan sangat selektif terhadap energi vibrasi yang diterima dari radiasi IR (Gelmont et al. 1992). Metode spektrofotometri mengukur jumlah radiasi yang diserap oleh sampel, yang berkaitan dengan konsentrasi analit. Ada 3 proses dasar penyerapan radiasi oleh molekul yang semuanya melibatkan kenaikan ke tingkat energi lebih tinggi, yaitu rotasi, vibrasi, dan transisi elektronik (Christian 1986). Energi radiasi IR hanya menyebabkan transisi vibrasi dan rotasi, yang memunculkan serapan khas dari setiap struktur molekul. Serapan gugus fungsi berada pada kisaran 4000–1500 cm-1, sedangkan fenomena intramolekul yang sangat spesifik untuk setiap materi berada antara 1500 dan 400 cm-1 (daerah sidik jari) (Khopkar 2002). Komponen instrumen FTIR serupa dengan spektrofotometer UV-tampak, namun sumber sinar, detektor, dan komponen optiknya sedikit berbeda. Pengukuran dengan FTIR melibatkan kombinasi interferensi konstruktif dan destruktif yang senantiasa berubah sesuai λ yang datang. Interferometer mengubah frekuensi yang masuk menjadi bentuk yang dapat diamati oleh detektor. Data yang diperoleh sangat kompleks dan setiap titik membawa informasi untuk λ yang berbeda dan tumpang-tindih data. Proses matematika transformasi Fourier mengubah data tersebut agar dapat digunakan (Gambar 3) (Naumann 1998; Wartewig 2003). Analisis dengan FTIR lebih cepat dan lebih peka daripada IR dispersif. Penggunaan interferometer Michelson mampu mengatasi kekurangan sistem dispersif dalam hal penggunaan energi (keuntungan Jaquinot). Pada sistem dispersif banyak energi yang
3
terbuang akibat penggunaan model deteksi pemayaran. FTIR juga meningkatkan laju pengumpulan sinyal (keuntungan Felgett), keakuratan data karena menggunakan pengukuran laser dengan kaca bergerak (keuntungan Connes), linearitas absorbans tinggi karena tidak ada hamburan cahaya, dan penyimpanan serta mutu data lebih baik melalui peningkatan resolusi atau koreksi garis dasar (keuntungan penanganan data) (Naumann 1998).
multivariat. Model memiliki persamaan
analisis
multivariat
yi: boi+b1x1+b2x2+………….. Analisis Komponen Utama (PCA) PCA merupakan metode pereduksi untuk mengurangi jumlah peubah dalam suatu matriks sehingga menghasilkan peubah baru dengan tetap mempertahankan informasi yang dimiliki oleh data. PCA memudahkan visualisasi pengelompokan data, evaluasi awal kesamaan antar kelompok atau kelas, dan menemukan faktor atau pola yang teramati melalui korelasi dengan sarana kimia atau fisik-kimia contoh (Chew et al. 2004). PCA merupakan salah satu metode multivariat umum yang tersebar luas juga dalam spektroskopi IR (Tesch et al. 1995). Setiap peubah baru (skor atau PC) yang dihasilkan PCA merupakan kombinasi linear dari peubah asli pengukuran (Miller & Miller 2000). Skor dinilai bersama dengan satu set vektor yang disebut loading. Loading mengukur hubungan antarpeubah. Antara skor dan loading terhubung dalam fungsi
Gambar 3 Skema kerja FTIR (ATMS 360).
X = TP’ + E ≈ TP’
Kehadiran FTIR pada dasawarsa terakhir mampu meningkatkan aplikasi radiasi IR menengah tidak hanya untuk analisis kualitatif organik dan penentuan struktur, tetapi juga untuk analisis kuantitatif contoh yang kompleks. Model analisis kuantitatif ini dikembangkan dengan memanfaatkan informasi pola sidik jari yang bersifat khas sebagai peubah yang memengaruhi penampakan kimiawi seperti aktivitas biologis, konsentrasi, dan polarisabilitas (Wold 1994)
X adalah matriks data awal, T merupakan matriks dengan kolom berupa skor, P’ adalah matriks dengan kolom berupa loading, dan E adalah matriks sisa. Skor disusun berdasarkan proporsi utama varian. Skor pertama mewakili bagian yang paling penting dalam varian. Skor selanjutnya mewakili varian yang lebih kecil daripada sebelumnya. Biasanya, jumlah skor kurang dari jumlah peubah asli (Miller & Miller 2000).
Kemometrik Kemometrik merupakan aplikasi prosedur matematika untuk mengolah, mengevaluasi, dan menginterpretasi sejumlah besar data. Kemometrik lazim digunakan untuk menemukan korelasi statistik antara data-data dari suatu contoh. Salah satunya ialah dengan penggunaan model analisis multivariat, yang melibatkan lebih dari satu masukan (peubah x) untuk menghasilkan efek tertentu (peubah y). Analisis komponen utama (PCA), kuadrat terkecil parsial (PLS), dan jejaring syaraf tiruan (ANN) adalah beberapa contoh model
Kuadrat Terkecil Parsial (PLS) PLS lebih umum digunakan dalam kalibrasi multivariat karena mutu model kalibrasi yang dihasilkan dan kemudahan penerapannya (Kuno & Matsuo 2000). PLS mampu menganalisis data dengan jumlah yang cukup banyak, memiliki tingkat kolinearitas tinggi dari sejumlah besar peubah x dan beberapa peubah respons y (Wold 1994). Ide utama PLS adalah menghitung nilai komponen data utama matriks X dan Y dan membangun model regresi antarnilai (dan dari data perkiraan) (Gambar 4). X adalah matriks penduga yang berisi data hasil percobaan, sedangkan Y merupakan matriks respons dengan data yang dapat menginformasikan proses percobaan.
4
Pembuatan Film Tipis
Gambar 4 Ilustrasi model regresi univariat (a) dan multivariat (b) (Wold 1994). Model regresi PLS merupakan cara untuk memperkirakan parameter dalam model sains dengan dasar linear. Model PLS konsisten dengan efek yang menyebabkan perubahan dalam sistem yang sedang ditinjau. Peubah laten atau faktor yang dimiliki berhubungan langsung dengan efek tertentu. Model linear PLS melibatkan beberapa peubah baru yang dibuat dari peubah laten atau hasil rotasi peubah laten, sehingga selain diperoleh skor dalam matriks X dan Y, juga dihasilkan satu set skor ketiga yang biasanya disebut pembobot (W). Skor-skor ini kemudian digunakan untuk menghitung skor X dan memaksimumkan korelasi antara model skor dari X dan Y. Persamaan umum PLS adalah
Sebanyak 5 g EVA water-based ditimbang dan didiamkan selama 24 jam atau sampai kering dan berbentuk film tipis, EVA hotmelt tidak dibentuk film tipis karena sudah berbentuk granul dan dapat langsung diukur pada FTIR (SOP PT Dynea Indria). Bagan alir penelitian dari pengukuran IR sampel sampai pada uji PCA dan PLS ditunjukkan pada Lampiran 1. Penentuan Spektrum FTIR
T dan U merupakan matriks skor, P’ dan C’ adalah matriks loading, E dan F adalah matriks sisa, dan H adalah hubungan dalam (Wold 1994)
Spektrum FTIR contoh ditentukan menggunakan alat FTIR IRPrestige-21 dengan aksesoris ATR. Sampel yang sudah berbentuk film tipis atau granul ditentukan spektrumnya pada daerah IR tengah (4000–600 cm-1). Pengaturan kerja dilakukan dengan perangkat lunak IR Resolution versi 1.30. Spektrum dihasilkan pada kecepatan pemayaran 45 detik dengan resolusi 4 cm-1. Tampilan data spektrum yang mengandung 1764 titik serapan kemudian diubah ke dalam format ASCII (Simple Text: *txt) untuk analisis data kemometrik. Data ini dapat dibuka dengan program Microsoft Excel 2003 dan diolah menggunakan teknik PCA dan PLS dengan Unscrambler versi 9.7 (Camo, Inc), yang dijalankan dengan sistem operasi Microsoft Windows 7. Selain data absorbans spektrum asli, diolah pula data hasil proses pendahuluan berupa koreksi garis dasar dan normalisasi (nilai absorbans diatur sehingga absorbans tertinggi bernilai 1 dan terendah 0), serta derivatisasi dengan metode Savitsky Golay.
BAHAN DAN METODE
Analisis Data Kemometrik
Bahan dan Alat
Pengelompokan contoh dilakukan dengan PCA dengan memanfaatkan data serapan spektrum FTIR yang terukur. Pembentukan model kalibrasi dilakukan dengan PLS melibatkan peubah x (absorbans hasil pengukuran FTIR) dan peubah y (Y1 = 0 diterima, Y2 = 1 ditolak). Kalibrasi dan validasi model analisis multivariat dilakukan dengan dengan teknik validasi silang. Keberhasilan pengelompokan contoh EVA yang diterima dan ditolak dilihat dari jumlah komponen utama yang terlibat, total variasi yang terwakili, dan visualisasi plot skor. Sementara keakuratan model analisis multivariat dilihat dari nilai korelasinya.
X = TP’ + E Y = UC’ + F U=T+H
Bahan-bahan yang digunakan dalam penelitian ini adalah EVA water-based standar 7 jenis dan non-standar 5 jenis, EVA hotmelt standar 19 jenis dan non-standar 5 jenis masing-masing 5 kali ulangan yang diperoleh dari berbagai pemasok (PT Dairen, PT Air Product, PT Celanase, Clariant, PT Ithocu Indonesia, Exxon Chemical, PT Lautan Luas [Dupont], PT Triguna Jaya Sentosa, Jinindo Chemiutama Sakti, Akino, PT Multi Citra). Alat-alat yang digunakan dalam penelitian ini adalah FTIR IRPrestige-21 dengan aksesoris ATR, oven, neraca analitik, desikator, dan viskometer.
5
HASIL DAN PEMBAHASAN Analisis Spektrum IR Pola spektrum FTIR sel utuh sampel biologis maupun non-biologis merupakan pola spektrum sidik jari hasil serapan vibrasi dari seluruh penyusun sel tersebut, seperti protein, lipid, karbohidrat, dan beragam metabolit sekunder (Naumann 1998). Pola inilah yang terlihat pada spektrum FTIR EVA waterbased maupun EVA hotmelt (Gambar 5 & 6). Spektrum FTIR EVA water-based standar A-760 dan non-standar DA-101 tidak memperlihatkan perbedaan pola serapan yang signifikan, juga pada spektrum EVA hotmelt standar UL-7510 dan non-standar UL-7710. Gugus C=O terdapat pada 1731 cm-1, C-O pada 1230 cm-1, dan C-H pada 1000–650 cm-1 dalam spektrum EVA water-based standar dan non-standar. Sementara spektrum FTIR EVA hotmelt standar dan non-standar
memperlihatkan gugus C-H pada 2916 cm-1, C=O pada 1737 cm-1, dan C-O pada 1238 cm1 . Spektrum FTIR EVA water-based dan hotmelt menunjukkan gugus C=O. Gugus C=O linear dan mempunyai 4 jenis vibrasi, diperoleh dengan rumus 3N–5 dengan N adalah jumlah atom. Keempat vibrasi tersebut adalah ulur simetrik, ulur asimetrik, gunting, dan goyang. Perbedaan intensitas dan sifat serapan konstituen yang sangat halus terutama pada daerah sidik jari tidak dapat teramati, maka diperlukan teknik kemometrik. Spektrum IR sangat kaya akan informasi struktur molekul yang terdiri atas gerak rotasi dan vibrasi. Banyaknya gerakan molekular dari molekul poliatom akan membentuk serangkaian pita serapan yang khas untuk masing-masing molekul. Hal ini membuat spektroskopi IR menjadi metode analisis kualitatif yang sangat berguna, tetapi sulit dilakukan akibat adanya kemiripan dari setiap
A B S O R B A N S
Bilangan Gelombang (cm-1) Gambar 5 Spektrum IR EVA water -based A-760 (a), DA-101 (b). : standar; :non-standar
A B S O R B A N S
Bilangan Gelombang (cm-1) Gambar 6 Spektrum IR EVA hotmelt UL-7510 (a), UL-7710 (b). : standar; : non-standar
6
respons spektrum. Analisis kuantitatif spektrum IR juga sangat sulit karena adanya tumpang tindih spektrum serapan dari molekul-molekul dalam sampel. Untuk dapat mengekstraksi informasi dari data spektrum IR yang rumit tersebut, diperlukan metode analisis multivariat (Stchur et al. 2002). Analisis multivariat mengurangi data berukuran besar yang diperoleh dari instrumen seperti spektrofotometer. Metode kalibrasi multivariat dapat berupa regresi linear berganda, regresi komponen utama, PLS, dan ANN (Brereton 2000). Selain itu, analisis multivariat dapat digunakan untuk pengenalan pola dalam sampel melalui metode PCA, analisis diskriminan, K-nearest neighbour, soft independent modelling of class analogy, dan analisis gerombol (Miller & Miller 2000). Analisis Komponen Utama Hasil PCA dinyatakan baik bila dengan jumlah komponen utama yang sedikit mampu menggambarkan total variasi yang besar seperti terlihat pada Tabel 1 dan 2. Pengelompokan EVA water-based standar dengan non-standar dan EVA hotmelt standar dengan non-standar diasumsikan dapat dilakukan dengan baik menggunakan data spektrum asli. Pola visualisasi PCA yang dihasilkan mendukung asumsi tersebut (Lampiran 2 dan 3). Nilai % total variasi yang terwakili oleh 2 PC pertama lebih besar dibandingkan dengan hasil derivatisasi (proses pendahuluan). Untuk EVA water-based (Tabel 1), model yang mempunyai persentase keragaman kumulatif terbesar adalah kondisi sebelum manipulasi, yaitu sebesar 96%, sedangkan untuk EVA hotmelt (Tabel 2), model dengan persentase keragaman kumulatif terbesar adalah kondisi normalisasi sebelum manipulasi, juga sebesar 96%. Kondisi persentase keragaman kumulatif yang diperoleh dapat menggambarkan data asalnya. Penggunaan spektrum FTIR untuk penentuan struktur molekul suatu senyawa kimia biasanya terbatas hanya melibatkan informasi serapan pada daerah-daerah tertentu sebagai tanda pengenal gugus fungsi tertentu. Padahal, spektrum multidimensi mengandung informasi kuantitatif yang dapat menggambarkan ciri khas suatu spesies. Informasi ini tidak dapat diamati dengan melihat pola serapan spektrum saja, tetapi membutuhkan alat bantu berupa teknik ekstraksi pola spektrum atau teknik kemometrik.
Tabel 1 Hasil PCA spektrum IR EVA waterbased Total Variasi Kode Jumlah Terwakili PC 1 a Spektrum PC dan 2 (%) A 10 96 D 10 75 M 10 72 D+M 10 48 N 10 94 D+N 10 74 M+N 10 68 D+N+M 10 38 a
A = Data asli, D = Derivatisasi, M= Manipulasi, N = Normalisasi
Tabel 2 Hasil PCA spektrum IR EVA hotmelt Total Variasi Kode Jumlah Terwakili PC a Spektrum PC 1 dan 2 (%) A 10 94 D 10 76 M 10 61 D+M 10 70 N 10 96 D+N 10 94 N+M 10 84 D+N+M 10 64 a
A = Data asli, D = Derivatisasi, M= Manipulasi, N = Normalisasi
Teknik kemometrik yang digunakan untuk mengenali pola spektrum tanpa pengelompokan terlebih dahulu, seperti teknik PCA, dikenal sebagai teknik pengenalan pola tak terawasi. Spektrum setiap contoh bahan baku EVA water-based maupun hotmelt memiliki perbedaan informasi kuantitatif. Analisis PCA mereduksi jumlah peubah yang dimiliki oleh spektrum menjadi beberapa peubah utama untuk menentukan perbedaan informasi tersebut. Proses reduksi ini dapat menyebabkan contoh EVA water-based dan hotmelt standar dan non-standar terkelompokkan. Pengelompokan ini berdasarkan korelasi informasi peubah yang dimiliki oleh setiap kelompok yang ditentukan oleh analisis PCA. Analisis PCA EVA waterbased maupun EVA hotmelt dilakukan tidak hanya menggunakan data spektrum asli, tetapi juga melibatkan data spektrum yang melalui proses pendahuluan, yaitu koreksi garis dasar dan normalisasi. Perlakuan pendahuluan dimaksudkan untuk menghindari masalah akibat pergeseran garis dasar dan untuk meningkatkan resolusi spektrum yang berim-
7
A B S O R B A N S
Bilangan Gelombang (cm-1) Gambar 7 Spektrum IR EVA water-based yang telah mengalami proses pendahuluan koreksi garis dasar A-760 (a), DA-101 (b) : standar; : non-standar. A B S O R B A N S
Bilangan Gelombang (cm-1) Gambar 8 Spektrum IR EVA water-based yang telah mengalami proses pendahuluan normalisasi A-760 (a), DA-101 (b) : standar; : non-standar. pitan (perbaikan informasi data) (Stchur et al. 2002). Gambar 7 dan 8 merupakan contoh spektrum yang telah mengalami proses pendahuluan berupa koreksi garis dasar dan normalisasi. Teknik PCA dapat mengurangi dimensi data awal dari ribuan dimensi (sebanyak jumlah bilangan gelombang spektrum IR) menjadi hanya 2 dimensi. Proyeksi sampel terhadap 2 peubah baru ini ditunjukkan pada plot skor. Plot skor untuk 2 PC pertama biasanya paling berguna dalam analisis karena kedua PC ini memiliki variasi terbanyak dalam data. Pada Tabel 1 & 2, total variasi terwakili merupakan penjumlahan PC1 dan PC2 yang diolah menggunakan program Unscrambler 9.7 (Lampiran 4). EVA waterbased sebelum manipulasi mampu menjelaskan 96% variasi (PC1 = 84% dan PC2 = 12%), sedangkan setelah diderivatisasi hanya mampu menjelaskan 75% variasi (PC1
= 55 dan PC2 = 20%). Hal yang sama berlaku juga untuk EVA hotmelt. Sebelum manipulasi, PC1 dan 2 mampu menjelaskan 94% variasi (PC1 = 86% dan PC2 = 8%); setelah derivatisasi, hanya mampu menjelaskan 76% variasi (PC1 = 64% dan PC2 = 12%). Pada Gambar 9 dan 10 terlihat jelas perbedaan plot skor 2 dimensi antara EVA water-based sebelum manipulasi (a) dan sebelum manipulasi derivatisasi (b). Plot skor merupakan nilai banyaknya komponen utama. Menurut Marisson (1990), banyaknya PC yang dipilih sudah cukup memadai apabila mempunyai keragaman kumulatif tidak kurang dari 75%. Namun menurut Jhonson dan Whicem (1992) komponen utama dengan kondisi persentase keragaman kumulatif sebesar 80–90% dapat menggambarkan data asalnya.
8
(a)
(b) Gambar 9 Plot skor dua dimensi komponen utama IR EVA water-based sebelum manipulasi (a) setelah derivatisasi (b). Kuadrat Terkecil Parsial Tabel 3 memberikan informasi perbedaan antara nilai kalibrasi dan validasi pada berbagai parameter, yaitu galat standar kalibrasi (SEC), galat standar prediksi (SEP), galat kalibrasi akar rerata kuadrat (RMSEC), dan korelasi (r). Secara umum, hasil kalibrasi lebih tinggi dibandingkan dengan hasil validasi pada keempat parameter tersebut. Hasil uji statistik PLS training dari EVA water-based dan EVA hotmelt ditunjukkan pada Tabel 3. Nilai korelasi validasi terbesar sebesar 0.9431 diperoleh pada EVA waterbased sebelum manipulasi, dengan nilai RMSEP sebesar 0.1223 dan RMSEC sebesar 0.0694, terendah di antara EVA water-based Model ini juga memiliki nilai galat baku sebesar 0.0702 untuk SEC dan 0.1236 untuk SEP. EVA hotmelt sebelum manipulasi juga mempunyai nilai korelasi validasi terbesar yaitu 0.8414. Nilai RMSEP dan RMSEC berturut-turut 0.1612 dan 0.0992, terkecil daripada model yang lain. Nilai galat baku
sebesar 0.0997 untuk SEC dan 0.1634 untuk SEP (Lampiran 5). Nilai korelasi validasi terkecil pada EVA water-based ialah 0.8206 pada model EVA water-based normalisasi sesudah manipulasi, dengan nilai RMSEP sebesar 0.2195 dan RMSEC sebesar 0.1311, terbesar dibandingkan dengan model yang lain dalam satu kelompok EVA water-based. Nilai galat baku sebesar 0.1325 untuk SEC dan 0.2213 untuk SEP. Pada EVA hotmelt, model yang memiliki nilai korelasi validasi terkecil ialah model sesudah manipulasi, yaitu sebesar 0.5874. Nilai RMSEP sebesar 0.2590 dan RMSEC sebesar 0.1363 sementara nilai galat baku sebesar 0.1307 untuk SEC dan 0.2599 untuk SEP. Dari hasil statistik tersebut, model prediksi terbaik untuk EVA water-based adalah sebelum manipulasi, demikian pula pada EVA hotmelt. Kemampuan prediksi model dapat dilihat dari beberapa parameter terutama nilai korelasi dan RMSEP. Model prediksi yang baik memiliki nilai korelasi yang tinggi dan RMSEP yang rendah (Naes et al. 2002).
9
(a)
(b) Gambar 10 Plot skor dua dimensi komponen utama IR EVA hotmelt sebelum manipulasi (a) dan setelah derivatisasi (b). Nilai galat baku model juga harus diperhatikan. Galat validasi (prediksi) yang jauh lebih besar daripada galat kalibrasi menandakan terjadinya overfitting pada model. Model tersebut melibatkan terlalu banyak komponen sehingga variasi yang dimilikinya akan menjadi terlalu besar. Hal ini menurunkan kemampuan prediksi model. Oleh karena itu, dalam memilih model terbaik, kedekatan nilai galat validasi dan kalibrasi juga perlu diperhatikan (Baranska et al. 2005). Hasil PLS diolah dengan menggunakan program Unscrambler 9.7 seperti pada Lampiran 6. PCA mengekstraksi informasi spektrum secara keseluruhan, sedangkan PLS hanya mengekstraksi informasi spektrum yang relevan dengan sifat kimia tertentu yang dibutuhkan. Sebagai salah satu metode pengenalan pola terawasi (pola spektrum dikenali dengan proses pengelompokan terlebih dahulu), model regresi PLS mencari korelasi linear antara peubah x hasil pengukuran spektrum (peubah indikator) dan peubah y sebagai peubah respons. Dalam penelitian ini peubah x merupakan nilai
absorbans pada bilangan gelombang tertentu, sedangkan peubah y bernilai 0 untuk diterima dan 1 untuk ditolak. Analisis PLS ini disebut teknik PLS-2 karena melibatkan 2 komponen respons dari spektrum, yaitu dalam bentuk nilai 0 dan 1. Suatu model PLS dikategorikan dapat dipercaya bila nilai parameter yang dihasilkan, di antaranya berupa nilai korelasi dan nilai galat, sama untuk setiap tahapan pembuatan model. Korelasinya (r) harus bernilai tinggi, sedangkan galatnya bernilai rendah (Baranska et al. 2005). Model prediksi yang memiliki nilai galat validasi lebih besar daripada galat kalibrasi digolongkan sebagai overfitted (Naes et al. 2002). Dari kelompok test diperoleh nilai prediksi dan validasi terbaik pada model EVA waterbased maupun EVA hotmelt sebelum manipulasi Gambar 11 (Lampiran 7). Keberhasilan nilai prediksi dilihat dari kedekatan antara nilai prediksi dan nilai pembanding yang digunakan yang diolah dengan program Unscrambler 9.7 (Lampiran 8).
10
Tabel 3 Tampilan parameter model training EVA water-based dan EVA hotmelt (Y1 = Y2) Kode Spektruma A waterbased M waterbased N waterbased N+M waterbased
a
Galat
Korelasi Kalibrasi
Validasi
RMSC
SEC
Bias (× 10-8)
RMSEP
SEP
Faktor Bias
0.9801
0.9431
0.0694
0.0702
-3.663
0.1223
0.1236
0.0011
8
0.9617
0.8434
0.0964
0.0974
0.714
0.2001
0.2022
-0.0045
6
0.9668
0.9085
0.0898
0.0907
-2.173
0.1350
0.1564
0.0015
7
0.9292
0.8206
0.1311
0.1325
0.186
0.2195
0.2213
-0.0146
5
A hotmelt
0.9402
0.8414
0.0992
0.0997
2.577
0.1627
0.1634
-0.0067
10
M hotmelt
0.8873
0.5874
0.1363
0.1307
-0.520
0.2590
0.2599
-0.0167
8
N hotmelt
0.8254
0.6320
0.1697
0.1705
-0.520
0.2489
0.2493
0.0203
8
N+M hotmelt
0.8643
0.6259
0.1495
0.1503
4.943
0.2503
0.2516
-0.0056
9
A = Data asli, D = Derivatisasi, M= Manipulasi, N = Normalisasi
(a)
(b) Gambar 11 Scatter plot dua dimensi EVA water based (a) dan EVA hotmelt sebelum manipulasi (b). Plot skor kalibrasi: ; Plot skor validasi:
SIMPULAN DAN SARAN Simpulan Spektrum FTIR dapat digunakan sebagai kendali mutu untuk mengklasifikasikan EVA standar dan non-standar. Hasil PCA terbaik pada EVA water-based ialah pada model sebelum manipulasi dengan nilai variasi terwakili sebesar 96%, sedangkan pada EVA hotmelt ialah pada model normalisasi sebelum manipulasi yaitu sebesar 96%. Hasil PLS terbaik diperoleh pada EVA water-based sebelum manipulasi dengan nilai korelasi kalibrasi sebesar 0.9801 dan RMSEP 0.1223, dan pada EVA hotmelt sebelum manipulasi dengan nilai korelasi kalibrasi 0.9402 dan RMSEP 0.1627. Metode kendali mutu berbasis spektroskopi dan kemometrik dalam penelitian ini dapat digunakan sebagai alternatif pemeriksaan, menerima atau menolak bahan baku baru dengan cara membandingkan dengan bahan baku standar perusahaan. Saran Jumlah ulangan pada EVA hotmelt perlu diperbanyak untuk mendapatkan nilai prediksi yang mendekati nilainya. Penambahan jumlah contoh diperlukan untuk mengurangi efek overfitted serta memperbaiki tingkat presisi dan akurasi model. Pengujian dengan teknik kemometrik lain seperti teknik ANN juga diperlukan untuk melihat kestabilan dan kemampuan prediksi model.
Christian GD. 1986. Analytical Chemistry. Ed ke-4. New York: J Wiley. Erbil H. 2000. Vinyl Acetate Emulsion Polymerization and Copolymerization with Acrylic Monomers. Yildirim: CRC Pr. Gelmont et al 1992. Monte Carlo simulation of Mercury Cadmium Telluride. J App Phy 10: 4977-82. Ingle Jr JD, Crouch SR. 1998. Spectrochemical Analysis. New York: Prentice Hall Jhonson RA, Wichem DW. 1992. Applied Multivariate Statistical Analysis. New Jersey: Prentice-Hall. Khopkar SM. 2002. Konsep Dasar Kimia Analitik. Saptorahardjo A, penerjemah. Jakarta: UI. Terjemahan dari: Basic Concepts of Analytical Chemistry. Kuno A, Matsuo M. 2000. Nondestructive specification of solid mixtures by multivariate calibration of x-ray absorption near edge structure using artificial neural networks and partial least square. Anal Sci 16:597-602. Lau WS. 1999. Karakterisasi Inframerah untuk Mikroelektronik. World Scientific. http://id.wikipedia.org/wiki/Spektroskopi_ inframerah [20 Jun 2011] Marisson DF. 1990. Multivariate Statistical Methods. New York: McGraw-Hill.
DAFTAR PUSTAKA Baranska et al. 2005. Quality control of Harpagophytum procumbens and its related phytopharmaceutical products by means of NIR-FT-Raman spectroscopy. Biopolymers 77:1-8. Brereton RG. 2000. Introduction to multivariate calibration in analytical chemistry. Analyst 125:2125-2154. Chew OS, Hamdan MR, Ismail Z, Ahmad MN. 2004. Assessment of herbal medicines by chemometrics–assisted interpretation of FTIR spectra. J Anal Chim Acta 33:117-123
Miller JC, Miller JN. 2000. Statistics and Chemometrics for Analytical Chemistry. Ed ke-4. Harlow: Pearson Education. Naes T, Isaksson T, Fearn T, Davies T. 2002. A User Friendly Guide to Multivariate Calibration and Classification. Chichester: NIR Publication Naumann D. 1998. Infrared spectroscopy in microbiology. Di dalam: Meyers RA, editor. Encyclopedia of Analytical Chem. Berlin: J Wiley. hlm 1-28 Silverstein RM, Webster FX. 1991. Spectrophotometric Identification of Organic Compounds. Ed ke 5. New York: J Wiley.
12
Skoog DA, Hooler FJ, Neiman TA. 1998. Principles of Instrumental Analysis. Ed ke-5. Orlondo: Saunders College Stchur P, Cleveland D, Zhou J, Michel RG. 2002. A review of recent applications of near infrared spectroscopy, and the characteristics of a novel PbS CCD array based near infrared spectrometer. Appl Spect Rev 37:383-428. Tesch S, Otto M. 1995. Application of principal component analysis to the interpretation of brown coal properties. Fuel 74: 978-982. Wartewig S. 2003. Infrared and Raman Spectroscopy Fundamental Process. Weinheim: J Wiley. Wold S. 1994. PLS for multivariate linear modeling. Chemometric methods in molecular design: Methods and principles in medicinal chemistry. H. van de Waterbeemd, ed. QSAR Verlag-Chemie. Germany: Weinheim 195–218
LAMPIRAN
14
Lampiran 1 Bagan alir penelitian
Sampel EVA water-based dan hotmelt (standar dan non-standar)
Parameter Pendukung: Viskositas, kadar padatan, pH, warna
Pengukuran Spektrum FTIR
Manipulasi, Derivatisasi, atau Normalisasi
Pengujian dengan PCA
Kelompok Test
Kelompok Training
Pengujian dengan PLS
15
Lampiran 2 Plot skor dua dimensi komponen utama PCA EVA water-based
Sebelum manipulasi
Sebelum manipulasi (derivatisasi)
Normalisasi sebelum manipulasi
Normalisasi sebelum manipulasi (derivatisasi)
Sesudah manipulasi
Sesudah manipulasi (derivatisasi)
Normalisasi sesudah manipulasi
Normalisasi sesudah manipulasi (derivatisasi)
16
Lampiran 3 Plot skor dua dimensi komponen utama PCA EVA hotmelt
Sebelum manipulasi
Sesudah manipulasi
Sebelum manipulasi (derivatisasi)
Sesudah manipulasi (derivatisasi)
Normalisasi sebelum manipulasi
Normalisasi sesudah manipulasi
Normalisasi sebelum manipulasi (derivatisasi)
Normalisasi sesudah manipulasi (derivatisasi)
17
Lampiran 4 Pengolahan data dalam analisis kemometrik PCA dengan program Unscrambler 9.7 1. Buka program Unscrambler 2. Klik File, pilih Import, lalu Excel 3. Klik Modify, pilih Transform, dan klik Transpose 4. Klik Task, dan klik PCA 5. Klik Define pada Tab Sample, klik Add lalu ketik nama data. Kemudian klik Select dan blok data yang akan diuji PCA-nya, OK 6. Klik OK pada Tab New Sample Test 7. Klik OK pada Tab Editor 8. Klik OK pada Tab PCA 9. Klik View untuk menampilkan hasil PCA 10. Hasil PCA yang diperoleh kemudian di-save.
18
Lampiran 5 Plot skor PLS EVA water-based dan hotmelt
Sebelum manipulasi
Normalisasi sebelum manipulasi
Sebelum manipulasi
Normalisasi sebelum manipulasi
Sesudah manipulasi
Normalisasi sesudah manipulasi
Sesudah manipulasi
Normalisasi sesudah manipulasi
19
Lampiran 6 Pengolahan data dalam analisis kemometrik PLS dengan program Unscrambler 9.7 Pada analisis menggunakan PLS, tampilan terlebih dahulu dikembalikan ke dalam bentuk data awal. 1. Klik Task, pilih Regression. 2. Klik PLS-2 pada Tab Regresion, kemudian masukkan variable x dan y pada Tab Regression 3. Klik Cross Validation, lalu klik OK. 4. Klik View untuk menampilkan hasil PLS. 5. Untuk menampilkan parameter-parameter statistic, klik kanan pada plot yang keempat, lalu pilih View, Source, dan Calibration atau Validation. 6. Hasil PLS yang diperoleh di-save.
20
Lampiran 7 Data prediksi, validasi, dan pembanding EVA water-based & hotmelt EVA water-based sebelum manipulasi dan sesudah manipulasi Prediksi Sampel Sebelum manipulasi Sesudah manipulasi DA 901 1 1.467 0.541 DA 903 1 0.972 1.398 DA 905 1 0.654 9.224e-02 DA 524 1 0.607 0.301 DA 500 1 1.286 1.837 DA 102 1 0.194 0.229 EVA DA 101 1 0.166 0.464 EVA DA 102 H 1 0.463 0.291 Airflex EP 724 1 0.156 -8.686e-04 EP 707 1 0.422 0.275 EP 706 1 0.392 0.149 Airflex 760 1 0.402 0.144 EVA water-based normalisasi sebelum manipulasi dan sesudah manipulasi Prediksi Sample Normalisasi sebelum Normalisasi sesudah manipulasi manipulasi DA 901 1 1.467 0.541 DA 903 1 0.972 1.398 DA 905 1 0.654 9.224e-02 DA 524 1 0.607 0.301 DA 500 1 1.286 1.837 DA 102 1 0.194 0.229 EVA DA 101 1 0.166 0.464 EVA DA 102 H 1 0.463 0.291 Airflex EP 724 1 0.156 -8.686e-04 EP 707 1 0.422 0.275 EP 706 1 0.392 0.149 Airflex 760 1 0.402 0.144
Pembanding 1.000 1.000 1.000 1.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
Pembanding 1.000 1.000 1.000 1.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
21
lanjutan Lampiran 7 EVA hotmelt sebelum manipulasi dan sesudah manipulasi Sample Prediksi Sebelum manipulasi Sesudah manipulasi EVA H 2181 1 EVA TV 1055 1 EVA VC 590 1 SEETEC 800 1 SEETEC 900 1 Escorene 00328 1
Pembanding
-1.171 0.316 0.440 -0.271 -4.142e-02 1.211
-0.604 -0.907 -0.602 -0.389 -0.941 0.622
1.000 1.000 1.000 1.000 1.000 0.000
Escorene 5540 1 Escorene 15019 1 Escorene 40028 1 Escorene U 00218 1
0.648 1.206 0.659 2.808
0.681 0.831 0.394 1.273
0.000 0.000 0.000 0.000
Escorene U 02528 1 Escorene U 02528 MV 1 Escorene U 7510 1
0.539 0.128 0.493
0.103 0.103 0.606
0.000 0.000 0.000
0.515 0.231 0.381 -3.892e-02
0.561 0.476 0.442 0.168
0.000 0.000 0.000 0.000
EVA 1328 1 EVA 1529 1 EVA 1828 1 EVA VS 430 1
0.393 0.287 0.480 0.306
0.705 0.529 0.310 0.501
0.000 0.000 0.000 0.000
EVA VA 800 1 EVA VA 930 1 Evatane 28420 1
0.159 0.835 0.167
0.565 0.506 0.220
0.000 0.000 0.000
Escorene Ultra 7765 1 EVA 600 1 EVA 901 1 EVA 1316 1
22
lanjutan Lampiran 7 EVA hotmelt normalisasi sebelum manipulasi dan sesudah manipulasi Sample Prediksi Normalisasi sebelum Normalisasi sesudah manipulasi manipulasi EVA H 2181 1 -1.516 -0.840 EVA TV 1055 1 -0.156 -1.333 EVA VC 590 1 -0.591 -1.487 SEETEC 800 1 -0.420 -0.893 SEETEC 900 1 -0.389 -1.081 Escorene 00328 1 -0.129 -3.804e-02
Pembanding
1.000 1.000 1.000 1.000 1.000 0.000
Escorene 5540 1 Escorene 15019 1 Escorene 40028 1 Escorene U 00218 1
5.375e-02 0.327 -8.271e-02 -1.180e-02
0.329 0.198 0.320 1.665e-02
0.000 0.000 0.000 0.000
Escorene U 02528 1 Escorene U 02528 MV 1 Escorene U 7510 1
0.965 0.275 -6.782e-02
0.496 0.711 0.247
0.000 0.000 0.000
0.167 0.185 0.388 0.118
0.140 1.920e-02 0.148 8.488e-02
0.000 0.000 0.000 0.000
EVA 1328 1 EVA 1529 1 EVA 1828 1 EVA VS 430 1
2.480e-02 0.305 0.218 0.411
0.365 0.509 0.294 0.368
0.000 0.000 0.000 0.000
EVA VA 800 1 EVA VA 930 1 Evatane 28420 1
0.413 0.279 5.399e-02
0.182 0.135 0.687
0.000 0.000 0.000
Escorene Ultra 7765 1 EVA 600 1 EVA 901 1 EVA 1316 1
Lampiran 8 Pengolahan data dalam analisis kemometrik Predict dengan program Unscrambler 9.7 Pada analisis menggunakan Predict, tampilan dikembalikan dulu ke dalam bentuk data awal. 1. Klik Task, pilih Prediction. 2. Pada Tab Predict klik Define untuk memasukkan variabel x dan y, lalu klik OK. 3. Klik View untuk menampilkan hasil Predict. 4. Hasil Predict di-save.
