SOC Press, Indonesia Symposium on Computing (IndoSC) 2016

Font Size: 
Implementasi Discrete Wavelet Transform Untuk Prediksi Kandungan Kurkumin Pada Temulawak Dengan Menggunakan Pendekatan Kalibrasi
Radhinka Bagaskara


Full Text: PDF

Abstract


Dalam mendeteksi kualitas kandungan senyawa pada temulawak, metode yang sering digunakan adalah High-Performance Liquid Chromatography (HPLC) dan Fourier Transform Infrared Spectroscopy (FTIR). Metode HPLC terbukti akurat dalam mendeteksi kandungan senyawa pada temulawak tetapi biaya yang dikeluarkan relatif mahal, sedangkan FTIR lebih murah tetapi data keluarannya berdimensi tinggi dan antar peubah saling berkorelasi. Salah satu cara untuk mengatasi permasalahan data berdimensi tinggi adalah dengan melakukan reduksi antar dimensi yang memiliki multikolinearitas tinggi. Metode Discrete Wavelet Transformation (DWT) mampu mereduksi dimensi data dan mengurangi multikolinearitas data sehingga menghasilkan suatu peubah baru dengan dimensi yang lebih kecil. Selanjutnya dilakukan proses pemodelan prediksi data yang sudah direduksi dengan menggunakan pendekatan metode kalibrasi linier. Hasil yang diperoleh menunjukkan bahwa DWT bisa mengurangi nilai korelasi data secara signifikan, dengan korelasi
data awal sebesar 0.72001 menjadi 0.06715 dengan metode DWT Haar. Model prediksi HPLC
dengan DWT Haar menghasilkan RMSEP untuk testing sebesar 1.47497. Sedangkan untuk model
prediksi HPLC dengan data DWT Daubechies dan PCA menghasilkan nilai RMSEP lebih baik,
dengan rata-rata RMSEP untuk testing sebesar 0.95254.

Reference


[1] Said, A., Khasiat dan Manfaat Temulawak. Sinar Wadja Lestari, 2007.

[2] Snyder, L. R., Kirkland, J. J., & Dolan, J. W. (2011). Introduction to modern liquid chromatography. John Wiley & Sons.

[3] Gerber, F., Krummen, M., Potgeter, H., Roth, A., Siffrin, C., & Spoendlin, C. (2004). Practical aspects of fast reversed-phase high-performance liquid chromatography using 3μm particle packed columns and monolithic columns in pharmaceutical development and production working under current good manufacturing practice. Journal of Chromatography A, 1036(2), 127-133. Crossref

[4] Griffiths, P. R., & De Haseth, J. A. (2007). Fourier transform infrared spectrometry (Vol. 171). John Wiley & Sons. Crossref

[5] Maharani, M., Dewi, B. K., Yulianto, F. A., & Purnama, B. (2013). digital image compression using graph coloring quantization based on wavelet-SVD. In Journal of Physics: Conference Series (Vol. 423, No. 1, p. 012019). IOP Publishing.

[6] Morettin, P. A. (1996). From Fourier to wavelet analysis of time series. In COMPSTAT (pp. 111-122). Physica-Verlag HD. Crossref

[7] Addison, P. S. (2002). The illustrated wavelet transform handbook: introductory theory and applications in science, engineering, medicine and finance. CRC press. Crossref

[8] Cohen, A. (2003). Numerical analysis of wavelet methods (Vol. 32). Elsevier.

[9] Sunaryo, S. (2005). Model Kalibrasi dengan Transformasi Wavelet sebagai Metode Pra-Pemrosesan.

[10] Kaiser, G., A Friendly Guide to Wavelets. Boston, United States: Birkhäuser Boston, 1994.

[11] Percival, D. (2000). An Introduction to the Wavelet Analysis of Time Series. In A Tutorial 2000 IEEE International Frequency Control Symposium Tutorials, Kansas City Jun (Vol. 6).

[12] Walnut, D. F. (2013). An introduction to wavelet analysis. Springer Science & Business Media.

[13] Freedman, D. A. (2009). Statistical models: theory and practice. cambridge university press. Crossref

[14] Gonick, L., & Smith, W. (1993). The cartoon guide to statistics.

[15] Jackson, J. E. (2005). A user's guide to principal components (Vol. 587). John Wiley & Sons.

Last modified: 2016-11-02