KALIBRASI MULTIVARIAT

ANALISIS SIMULTAN NATRIUM BENZOAT DAN KALIUM SORBAT

Ammar Asyari1), Lena Elvira Rosa2), Dwi Wahyudi3)
Institut Pertanian Bogor, Fakultas Matematika dan Ilmu Pengetahuan Alam Departemen Kimia
Gedung Fakultas Peternakan W2 Lt4-5, Jl. Agatis Kampus IPB Darmaga, Bogor 16680 Telp./Fax
(0251) 8624567. Website: www.chem.fmipa.ipb.ac.id email: kimia@ipb.ac.id

Abstrak
Metode kombinasi antara spektrofotometri UV dengan kalibrasi multivariat
dilakukan dengan pengukuran cuplikan secara simultan dengan menggunakan
spektrofotometri UV dan data yang diperoleh diolah melalui pendekatan multivariat.
Teknik analisis yang digunakan yaitu partial least square (PLS) dan principle component
regression (PCR). Hasil yang diperoleh pada PCR dan PLS akan menunjukkan metode
yang lebih baik dalam analisis yang dilakukan.
Kata kunci: kalibrasi multivariat, simultan, spektrofotometri UV, PLS, PCR.

Abstract
Combined method between UV spectrophotometric and multivariate calibration is
done by measuring sample simultaneously using UV spectrophotometry and the data that
obtained be processed trhough a multivariate approach. Analysis techniques were used
are partial least square (PLS) and principle component regression (PCR). The result that
obtained PCR and PLS will show a better method in the analysis conducted.
Key word: multivariate calibration, simultaneous, UV spectrophotometric, PLS, PCR.

Pendahuluan
Kemometrik
merupakan
seni
mengekstrak informasi kimia dari data
yang dihasilkan oleh suatu percoabaan
kimia (Wold 1995). Kemometrik
menyediakan metode dalam mengurangi
data berukuran besar yang diperoleh dari
instrumen seperti spektrofotometer
(Varmuza 2002). Pada kemometrik salah
satu ananlisis spektrum yang terpenting
adalah membentuk model kalibrasi
melalui metode pengenalan pola untuk
mengidentifikasi kemiripan dan pola
utama data. Teknik tersebut digunakan
untuk menentukan campuran komponen
yang
diketahui
konsentrasinya,
kemudian digunakan untuk menguji
campuran bebas. Selanjutnya, model
tersebut digunakan untuk memprediksi
data dengan suatu set prediksi (Brereton
2003).
Metode kalibrasi multivariat dapat
berupa multiple linear regression
1)
(MLR),
principle component analysis
G440800xx
2)
3)

G440800xx
G44080114

(PCA), principle component regression

(PCR), partial least square (PLS), dan
artificial neural network (ANN)
(Brereton 2003). Teknik ini dapat
digunakan pada matriks yang kompleks
karena memiliki kolinearitas yang
tinggi, sehingga interaksi antar peubah
bebas
(X)
dapat
diminimalkan.
Informasi yang selektif dapat diperoleh
dari data yang tidak selektif dalam
analisis spektra kuantitatif dengan
menggunakan PLS dan PCR (Hopke
2003, Dine & Ozdemir 2005).
PLS telah banyak digunakan secara
luas sebagai model kalibrasi multivariat.
PLS merupakan metode kemometrik
yang digunakan untuk memprediksi
variabel respon (atau vektor) dari
variabel yang berkorelasi tinggi serta
memberi pengaruh besar (Hwang &
Nettleton 2002). Teknik PLS digunakan
untuk memprediksi serangkaian peubah
tak bebas (Y) dari peubah bebas (X)
yang
jumlahnya
sangat
banyak,
memiliki struktur sistematik linear atau

Alat yang digunakan, yaitu

computer. Bahan yang digunakan, yaitu
perangkat lunak minitab 14, Microsoft
Word, dan Microsoft Excel.
Metode
Data dan Hasil Percobaan
PLS Coefficient Plot
is K) Plot
PLS (response
Coefficient
4 components
(response
is K)
4 components

Coefficients
Coefficients

0
-5
-5
-10
-10
-15
-15
-20
-20 1

50

100

150

200

300

350

400

450

500

50

100

150

200 Predictors
250
300
Predictors

350

400

450

500

250

Gambar 1 Kurva koefisien PLS sinyal

kalium sorbat.
PLS Coefficient Plot
(response is Na)
4 components
40

Coefficients

30
20
10
0
-10
1

50

100

150

200

250
300
Predictors

350

400

450

500

Gambar 2 Kurva koefisien PLS sinyal

natrium benzoat.
PLS Response Plot
(response is K)
4 components

Variable
Variable
Fitted
Fitted
Crossval
Crossval

20

Calculated
CalculatedResponse
Response

nonlinear, dengan atau tanpa data yang

hilang, dan memeiliki kolinearitas yang
tinggi. Metode ini membentuk model
dari peubah yang ada untuk membentuk
serangkaian
respon
dengan
menggunakan regresi kuadrat terkecil
dalam bentuk matriks. Teknik PLS
menggambarkan
hubungan
antara
matriks X dan Y, serta tidak dipengaruhi
oleh multipolinearitas pada data,
sehingga teknik ini lebih baik digunakan
pada matriks yang kompleks (Brereton
2003)
Principle
component
analysis
(PCA) merupakan suatu teknik yang
digunakan
untuk
menyelesaikan
kerumitan matematika yang disebabkan
adanya kolerasi diantara variabel bebas
dalam regresi berganda yang membuat
prediksi nilai Y tidak tepat. Masalah
tersebut dapat diselesaikan dengan
menggunakan
teknik
principle
component analysis (PCA) pada variabel
X dengan kemudian meregresikan Y
pada komponen utama atau principle
component (Miller & Miller 2000).
Principle component regression
(PCR) atau regresi komponen utama
(RKU) merupakan teknik kalibrasi
multivariat yang digunakan apabila
jumlah variabel bebas asli melebihi
jumlah contoh kalibrasi yang tersedia.
Komponen utama digunakan untuk
mengurangi jumlah variabel bebas dari
variabel
bebas
aslinya.
Dalam
membentuk model kalibrasi metode
PCR dilakukan analisis komponen
utama (PCA) terlebih dahulu untuk
mendapatkan skor komponen yang akan
diregresikan
dengan
konsentrasi.
Komponen-komponen utama dipilih
sedemikian rupa sehingga komponen
utama pertama memiliki nilai variasi
terbesar berikutnya (Miller & Miller
2000).

15

10

Tujuan

10
Actual Response

15

20

Gambar 3 Kurva respon PLS sinyal

kalium
sorbat.
PLS Response
Plot
(response is Na)
4 components

Variable
Fitted
Crossval

50

Calculated Response

Percobaan ini bertujuan mengolah

data multivariat dengan bantuan
perangkat luanak minitab.
Alat dan Bahan

40
30
20
10
0
0

10

20
30
Actual Response

40

50

Gambar 4 Kurva respon PLS sinyal

natrium benzoat.
Score Plot of 200.0; ...; 300.0

Second Component

10

-5

-10
-35

-30

-25

-20
-15
First Component

-10

-5

Gambar 5 Score plot pada analisis

komponen utama.
Tabel 1 Perbandingan nilai r2 dan PRESS
metode PLS dan metode PCR
Senyawa Model
r2
PRESS
Natrium
PLS
0,999796 3,0500
benzoat
PCR
0.995000 39,5893
Kalium
PLS
0,999900 0,1680
sorbat
PCR
0.999000 0,8125
Pembahasan
Model kalibrasi multivariat yang
pertama digunakan, yaitu model kuadrat
terkecil pasial atau partial least square
(PLS). Model PLS dilakukan tanpa
pengolahan analisis komponen utama
terlebih dahulu. Pembentukan model
PLS menggunakan seluruh data matriks
absorbansi sebagai predictor dan
konsentrasi natrium benzoat dan kalium
sorbat sebagai respon. Pengoalahan data
dengan model PLS menghasilkan dua
matriks loading, matriks pertama untuk
natrium benzoat dan matriks kedua
untuk kalium sorbat (Septaningsih
2008). Kurva koefisien PLS sinyal
kalium sorbat dapat dilihat pada Gambar
1. Sedangkan kurva koefisien PLS

sinyal natrium benzoat dapat dilihat

pada Gambar 2.
Hasil yang diperoleh dengan
metode PLS memperlihatkan bahwa
metode PLS lebih baik untuk kalium
sorbat lebih baik daripada metode PLS
untuk natrium benzoat. Suatu model
dikategorikan sebagai model yang dapat
dipercaya bila nilai parameter kebaikan
model, seperti nilai korelasinya (r) harus
bernilai tinggi sedangkan galatnya
bernilai rendah (Septaningsih 2008).
Regresi PLS dapat dilihat pada
Lampiran 1. Nilai r2 pada PLS untuk
natrium benzoat sebesar 0,999796. Nilai
r2 pada PLS untuk kalium sorbat sebesar
0,99990. Nilai r2 untuk kalium sorbat
lebih besar, hal ini menunjukkan bahwa
kurva respon PLS untuk kalium sorbat
lebih linier dibandingkan dengan kurva
respon PLS untuk natrium benzoat.
Parameter lain yang dapat
digunakan untuk menentukan metode
PLS baik adalah PRESS. Nilai PRESS
menunjukkan galat sisa. Semakin besar
nilai PRESS maka metode semakin
kurang baik karena menunjukkan masih
banyaknya galat. Nilai PRESS pada PLS
untuk natrium benzoat sebesar 3,05.
Nilai PRESS pada PLS untuk kalium
sorbat sebesar 0,168. Nilai PRESS untuk
kalium sorbat lebih kecil, sehingga dapat
diasumsikan bahwa metode PLS untuk
kalium sorbat lebih baik daripada
metode PLS untuk natrium benzoat
karena galat lebih kecil.
Model kalibrasi multivariat yang
kedua digunakan, yaitu model analisis
komponen utama atau principle
component regression (PCR). Model
PCR menggunakan komponen utama
(PC) yang diperoleh dari analisis
komponen utama (PCA). Analisis
komponen utama menghasilkan nilai
loading sebanyak jumlah peubah yang
digunakan,
yaitu
501
panjang
gelombang. Komponen utama (PC)
dipilih berdasarkan nilai proporsi
masing-masing
komponen
utama
(Septaningsih 2008). Hasil komponen
utama ditunjukkan pada Lampiran 2.
Nilai PC1 dan PC2 memiliki nilai
proporsi masing-masing sebesar 67.80%

dan 31.30%. Jumlah kumulatif proporsi

kedua komponen utama ini sudah cukup
mewakili seluruh data absorbansi.
Model PCR dibuat dengan
membuat regresi skor komponen sebagai
prediktor dan konsentrasi dari natrium
benzoat dan kalium sorbat sebagai
respon (Septaningsih 2008). Hasil
analisis regresi komponen utama
ditampilkan
pada
Lampiran
3.
Persamaan regresi yang diperoleh untuk
konsentrasi natrium benzoat, yaitu [Na]
= 2,01 - 1,46 PC Na + 2,30 PC K.
Sedangkan persamaan regresi yang
diperoleh untuk konsentrasi kalium
sorbat, yaitu [K] = - 0,109 - 0,578 PC
Na - 0,934 PC K.
Masing-masing
persamaan
regresi memiliki nilai kelinieran dan
galat tersendiri. Persamaan regresi untuk
konsentrasi Na memiliki kelinieran atau
nilai r2 sebesar 99,5%, sedangkan
persamaan regresi untuk konsentrasi K
memilki nilai r2 sebesar 99,9%.
Berdasarkan nilai kelinieran tersebut
metode PCR untuk kalium sorbat lebih
baik daripada metode PCR untuk
natrium benzoat karena nilai r2
persamaan regresi untuk kalium sorbat
lebih besar daripada nilai r2 persamaan
regresi untuk natrium benzoat.
Parameter lain yang dapat
digunakan untuk menentukan metode
PCR baik adalah PRESS. Sama halnya
dengan model PLS, semakin besar nilai
PRESS maka metode semakin kurang
baik karena menunjukkan masih
banyaknya galat. Nilai PRESS pada
PCR untuk natrium benzoat sebesar
39,5893. Nilai PRESS pada PCR untuk
kalium sorbat sebesar 0,812543. Nilai
PRESS untuk kalium jauh sorbat lebih
kecil, sehingga dapat diasumsikan
bahwa metode PCR untuk kalium sorbat
lebih baik daripada metode PCR untuk
natrium benzoat karena galat lebih kecil.
Simpulan
Pengolahan
data
analisis
simultan natrium benzoat dan kalium
sorbat dapat dilakukan dengan metode
kalibrasi multivariat dengan model PLS

dan PCR. Perangkat lunak yang dapat

digunakan untuk pengolahan data, yaitu
minitab 14. Hasil yang diperoleh
berdasarkan kelinieran (r2) dan nilai
PRESS masing-masing model, diperoleh
bahwa baik model PCR maupun PLS
lebih baik terhadap kalium sorbat
daripada natrium benzoat.
DAFTAR PUSTAKA
Brereton RG. 2003. Chemometrics:
Data Analysis for the Laboratory
and Chemical Plant. England:
John Wiley & Sons.
Dine E, Odzemir A. 2005. Mathematical
algorithms applied to the multilinear regression functions for the
multicomponent determination of
pharmaceutical
dosage
form
containing
three-component
mixtures. Chem Pharm Buli 53
(8): 899-906.
Hopke PK. 2003. The evolution of
chemometric. Anal Chim Acta
500: 365-377.
Hwang JTG, Nettleton D. 2002.
Principal component regression
with data chosen component and
related methods. Analyst 53: 899926.
Miller JC, Miller JN. 2000. Statistics
and Chemometrics for Analytical
Chemistry. Ed ke-4. Harlow:
Pearson Education.
Septaningsih DA. 2008. Penentuan
simultan natrium benzoat dan
kalium
sorbat
menggunakan
spektrofotometri UV dengan
pendekatan kaliipbrasi multivariat
[skripsi]. Bogor: IPB.
Varmuza
K.
2002.
Applied
Chemometric: Form Chemical
Data to Relevant Information
[terhubung
berkala].
http://www.vias.org/tmdatanaleg/c
cmultica pdf. [30 November
2006].

Wold S. 1995. Chemometrics: what do

we want from it? Chem Intel Lab
Syst 30:109-115.

Lampiran 1. Hasil analisis PLS pada natrium benzoat dan kalium sorbat.
PLS Regression: Na; K versus 200.0; 200.2; 200.4; 200.6; 200.8; 201.0; ...
Number of components selected by cross-validation: 4
Number of observations left out per group: 2
Number of components cross-validated: 10
Analysis of Variance for Na
Source
Regression
Residual Error
Total

DF
4
18
22

SS
6572,57
1,34
6573,91

MS
1643,14
0,07

F
22065,07

P
0,000

MS
263,625
0,006

F
43537,93

P
0,000

Analysis of Variance for K

Source
Regression
Residual Error
Total

DF
4
18
22

SS
1054,50
0,11
1054,61

Model Selection and Validation for Na

Components
1
2
3
4
5
6
7
8
9
10

X Variance
0,725935
0,984354
0,998433
0,999089

Error SS
6057,76
10,28
3,60
1,34
0,66
0,58
0,28
0,26
0,25
0,11

R-Sq
0,078516
0,998437
0,999453
0,999796
0,999900
0,999913
0,999957
0,999961
0,999961
0,999983

PRESS
7277,43
12,60
5,79
3,05
4,13
3,67
3,64
3,43
3,66
3,46

R-Sq (pred)
0,000000
0,998084
0,999119
0,999536
0,999371
0,999442
0,999446
0,999479
0,999444
0,999474

Model Selection and Validation for K

Components
1
2
3
4
5
6
7
8
9
10

X Variance
0,725935
0,984354
0,998433
0,999089

Error SS
140,210
4,593
0,121
0,109
0,106
0,105
0,083
0,043
0,010
0,010

R-Sq
0,86705
0,99564
0,99988
0,99990
0,99990
0,99990
0,99992
0,99996
0,99999
0,99999

PRESS
175,991
6,478
0,181
0,168
0,189
0,207
0,238
0,227
0,255
0,237

R-Sq (pred)
0,833122
0,993857
0,999828
0,999841
0,999820
0,999803
0,999774
0,999785
0,999758
0,999775

PLS Coefficient Plot

(response is K)
4 components

Coefficients

-5

-10

-15

-20
1

50

100

150

200

250
300
Predictors

350

400

450

500

Gambar 1 Kurva koefisien PLS sinyal kalium sorbat.

PLS Coefficient Plot
(response is Na)
4 components
40

Coefficients

30
20
10
0
-10
1

50

100

150

200

250
300
Predictors

350

400

450

500

Gambar 2 Kurva koefisien PLS sinyal natrium benzoat.

PLS Response Plot
(response is K)
4 components
Variable
Fitted
Crossval

Calculated Response

20

15

10

0
0

10
Actual Response

15

20

Gambar 3 Kurva respon PLS sinyal kalium

sorbat.

PLS Response Plot

(response is Na)
4 components
Variable
Fitted
Crossval

Calculated Response

50
40
30
20
10
0
0

10

20
30
Actual Response

40

50

Gambar 4 Kurva respon PLS sinyal natrium benzoat.

Lampiran 2. Hasil analisis komponen utama.

Score Plot of 200.0; ...; 300.0

Second Component

10

-5

-10
-35

-30

-25

-20
-15
First Component

-10

-5

Gambar 5 Score plot pada analisis komponen utama.

Principal Component Analysis: 200.0; 200.2; 200.4; 200.6; 200.8; 201.0;
201.2;
Eigenanalysis of the Covariance Matrix
Eigenvalue
0,001
Proportion
0,000
Cumulative
1,000

Variable
200.0
200.2
200.4
200.6
200.8
201.0
201.2
201.4
201.6
201.8
202.0
202.2
202.4
202.6
202.8
203.0
203.2
203.4
203.6
203.8
204.0
204.2
204.4
204.6
204.8
205.0
205.2
205.4
205.6
205.8
206.0
206.2
206.4

64,953

30,041

0,477

0,303

0,050

0,015

0,006

0,002

0,678

0,313

0,005

0,003

0,001

0,000

0,000

0,000

0,678

0,991

0,996

0,999

1,000

1,000

1,000

1,000

PC1
-0,135
-0,134
-0,133
-0,133
-0,127
-0,118
-0,113
-0,110
-0,108
-0,097
-0,082
-0,076
-0,072
-0,069
-0,065
-0,062
-0,060
-0,059
-0,057
-0,056
-0,055
-0,053
-0,052
-0,051
-0,050
-0,049
-0,048
-0,048
-0,047
-0,047
-0,046
-0,046
-0,045

PC2
0,177
0,177
0,171
0,160
0,149
0,140
0,127
0,113
0,103
0,092
0,083
0,077
0,073
0,069
0,066
0,062
0,059
0,057
0,055
0,053
0,051
0,049
0,047
0,046
0,045
0,044
0,042
0,041
0,040
0,039
0,038
0,037
0,037

206.6
206.8
207.0
207.2
207.4
207.6
207.8
208.0
208.2
208.4
208.6
208.8
209.0
209.2
209.4
209.6
209.8
210.0
210.2
210.4
210.6
210.8
211.0
211.2
211.4
211.6
211.8
212.0
212.2
212.4
212.6
212.8
213.0
213.2

-0,045
-0,045
-0,044
-0,044
-0,043
-0,043
-0,043
-0,043
-0,042
-0,042
-0,042
-0,042
-0,042
-0,042
-0,042
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,041
-0,042
-0,042

0,036
0,035
0,035
0,034
0,033
0,033
0,032
0,032
0,031
0,031
0,031
0,030
0,030
0,030
0,029
0,029
0,029
0,028
0,028
0,028
0,028
0,028
0,028
0,027
0,027
0,027
0,027
0,027
0,027
0,027
0,027
0,028
0,028
0,028

213.4
213.6
213.8
214.0
214.2
214.4
214.6
214.8
215.0
215.2
215.4
215.6
215.8
216.0
216.2
216.4
216.6
216.8
217.0
217.2
217.4
217.6
217.8
218.0
218.2
218.4
218.6
218.8
219.0
219.2
219.4
219.6
219.8
220.0
220.2
220.4
220.6
220.8
221.0
221.2
221.4
221.6
221.8
222.0
222.2
222.4
222.6
222.8
223.0
223.2
223.4
223.6
223.8
224.0
224.2
224.4
224.6
224.8
225.0
225.2
225.4
225.6
225.8
226.0
226.2

-0,042
-0,042
-0,043
-0,043
-0,043
-0,043
-0,044
-0,044
-0,044
-0,045
-0,045
-0,046
-0,046
-0,046
-0,047
-0,047
-0,047
-0,048
-0,048
-0,049
-0,049
-0,049
-0,050
-0,050
-0,050
-0,051
-0,051
-0,052
-0,052
-0,052
-0,053
-0,053
-0,053
-0,054
-0,054
-0,055
-0,055
-0,055
-0,055
-0,056
-0,056
-0,056
-0,056
-0,057
-0,057
-0,057
-0,057
-0,058
-0,058
-0,058
-0,058
-0,058
-0,058
-0,058
-0,059
-0,059
-0,059
-0,059
-0,059
-0,059
-0,059
-0,059
-0,059
-0,059
-0,059

0,028
0,028
0,029
0,029
0,029
0,030
0,030
0,030
0,031
0,031
0,032
0,032
0,032
0,033
0,033
0,034
0,034
0,035
0,035
0,035
0,036
0,036
0,037
0,037
0,038
0,038
0,038
0,039
0,039
0,039
0,040
0,040
0,040
0,041
0,041
0,041
0,041
0,041
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,042
0,041
0,041
0,041
0,041
0,040
0,040
0,040
0,039
0,039
0,038
0,038
0,037
0,037

226.4
226.6
226.8
227.0
227.2
227.4
227.6
227.8
228.0
228.2
228.4
228.6
228.8
229.0
229.2
229.4
229.6
229.8
230.0
230.2
230.4
230.6
230.8
231.0
231.2
231.4
231.6
231.8
232.0
232.2
232.4
232.6
232.8
233.0
233.2
233.4
233.6
233.8
234.0
234.2
234.4
234.6
234.8
235.0
235.2
235.4
235.6
235.8
236.0
236.2
236.4
236.6
236.8
237.0
237.2
237.4
237.6
237.8
238.0
238.2
238.4
238.6
238.8
239.0
239.2

-0,059
-0,059
-0,059
-0,059
-0,059
-0,059
-0,058
-0,058
-0,058
-0,058
-0,058
-0,058
-0,058
-0,058
-0,058
-0,057
-0,057
-0,057
-0,057
-0,057
-0,056
-0,056
-0,056
-0,056
-0,056
-0,055
-0,055
-0,055
-0,055
-0,055
-0,054
-0,054
-0,054
-0,053
-0,053
-0,053
-0,053
-0,053
-0,052
-0,052
-0,052
-0,052
-0,052
-0,051
-0,051
-0,051
-0,051
-0,051
-0,050
-0,050
-0,050
-0,050
-0,050
-0,049
-0,049
-0,049
-0,049
-0,049
-0,049
-0,048
-0,048
-0,048
-0,048
-0,048
-0,048

0,036
0,036
0,035
0,035
0,034
0,033
0,033
0,032
0,031
0,030
0,030
0,029
0,028
0,027
0,026
0,025
0,024
0,024
0,023
0,021
0,020
0,019
0,019
0,017
0,016
0,015
0,014
0,013
0,012
0,011
0,010
0,008
0,007
0,006
0,005
0,004
0,003
0,002
0,001
-0,001
-0,002
-0,003
-0,004
-0,005
-0,006
-0,008
-0,009
-0,010
-0,011
-0,012
-0,014
-0,015
-0,016
-0,017
-0,018
-0,019
-0,021
-0,022
-0,023
-0,024
-0,025
-0,026
-0,028
-0,029
-0,030

239.4
239.6
239.8
240.0
240.2
240.4
240.6
240.8
241.0
241.2
241.4
241.6
241.8
242.0
242.2
242.4
242.6
242.8
243.0
243.2
243.4
243.6
243.8
244.0
244.2
244.4
244.6
244.8
245.0
245.2
245.4
245.6
245.8
246.0
246.2
246.4
246.6
246.8
247.0
247.2
247.4
247.6
247.8
248.0
248.2
248.4
248.6
248.8
249.0
249.2
249.4
249.6
249.8
250.0
250.2
250.4
250.6
250.8
251.0
251.2
251.4
251.6
251.8
252.0
252.2

-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,047
-0,048
-0,048
-0,048
-0,048
-0,048
-0,048
-0,048
-0,049
-0,049
-0,049
-0,049
-0,049
-0,049
-0,049
-0,049
-0,049
-0,050
-0,050
-0,050
-0,050
-0,050
-0,050
-0,050
-0,050
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,052
-0,052
-0,052
-0,052
-0,052

-0,031
-0,032
-0,033
-0,034
-0,036
-0,037
-0,038
-0,038
-0,039
-0,040
-0,041
-0,042
-0,043
-0,044
-0,045
-0,046
-0,047
-0,047
-0,048
-0,049
-0,050
-0,051
-0,051
-0,052
-0,053
-0,053
-0,054
-0,055
-0,055
-0,056
-0,056
-0,057
-0,058
-0,058
-0,059
-0,059
-0,060
-0,060
-0,061
-0,061
-0,062
-0,062
-0,063
-0,063
-0,064
-0,064
-0,065
-0,065
-0,065
-0,066
-0,066
-0,067
-0,067
-0,067
-0,068
-0,068
-0,068
-0,068
-0,069
-0,069
-0,069
-0,069
-0,070
-0,070
-0,070

252.4
252.6
252.8
253.0
253.2
253.4
253.6
253.8
254.0
254.2
254.4
254.6
254.8
255.0
255.2
255.4
255.6
255.8
256.0
256.2
256.4
256.6
256.8
257.0
257.2
257.4
257.6
257.8
258.0
258.2
258.4
258.6
258.8
259.0
259.2
259.4
259.6
259.8
260.0
260.2
260.4
260.6
260.8
261.0
261.2
261.4
261.6
261.8
262.0
262.2
262.4
262.6
262.8
263.0
263.2
263.4
263.6
263.8
264.0
264.2
264.4
264.6
264.8
265.0
265.2

-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,052
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,051
-0,050
-0,050
-0,050
-0,050
-0,050
-0,050
-0,049
-0,049
-0,049
-0,049
-0,049
-0,048
-0,048
-0,048
-0,048
-0,047
-0,047
-0,047
-0,047
-0,046
-0,046
-0,046
-0,046
-0,045
-0,045
-0,045
-0,044
-0,044
-0,044
-0,043
-0,043
-0,043
-0,042
-0,042
-0,041
-0,041
-0,041
-0,040
-0,040
-0,040
-0,039
-0,039

-0,070
-0,070
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,071
-0,070
-0,070
-0,070
-0,070
-0,070
-0,070
-0,069
-0,069
-0,069
-0,069
-0,068
-0,068
-0,068
-0,067
-0,067
-0,067
-0,066
-0,066
-0,066
-0,065
-0,065
-0,064
-0,064
-0,063
-0,063
-0,063
-0,062
-0,062
-0,061
-0,060
-0,060
-0,059
-0,059
-0,058
-0,058
-0,057
-0,057
-0,056
-0,055
-0,055
-0,054
-0,054

265.4
265.6
265.8
266.0
266.2
266.4
266.6
266.8
267.0
267.2
267.4
267.6
267.8
268.0
268.2
268.4
268.6
268.8
269.0
269.2
269.4
269.6
269.8
270.0
270.2
270.4
270.6
270.8
271.0
271.2
271.4
271.6
271.8
272.0
272.2
272.4
272.6
272.8
273.0
273.2
273.4
273.6
273.8
274.0
274.2
274.4
274.6
274.8
275.0
275.2
275.4
275.6
275.8
276.0
276.2
276.4
276.6
276.8
277.0
277.2
277.4
277.6
277.8
278.0
278.2

-0,038
-0,038
-0,037
-0,037
-0,037
-0,036
-0,036
-0,035
-0,035
-0,035
-0,034
-0,034
-0,033
-0,033
-0,033
-0,032
-0,032
-0,031
-0,031
-0,030
-0,030
-0,029
-0,029
-0,028
-0,028
-0,027
-0,027
-0,027
-0,026
-0,026
-0,025
-0,025
-0,024
-0,024
-0,023
-0,023
-0,022
-0,022
-0,021
-0,021
-0,021
-0,020
-0,020
-0,019
-0,019
-0,018
-0,018
-0,018
-0,017
-0,017
-0,017
-0,016
-0,016
-0,015
-0,015
-0,015
-0,014
-0,014
-0,014
-0,013
-0,013
-0,013
-0,012
-0,012
-0,011

-0,053
-0,052
-0,052
-0,051
-0,050
-0,050
-0,049
-0,048
-0,048
-0,047
-0,046
-0,046
-0,045
-0,044
-0,044
-0,043
-0,042
-0,041
-0,041
-0,040
-0,039
-0,039
-0,038
-0,037
-0,037
-0,036
-0,035
-0,035
-0,034
-0,033
-0,033
-0,032
-0,031
-0,031
-0,030
-0,030
-0,029
-0,028
-0,028
-0,027
-0,026
-0,026
-0,025
-0,025
-0,024
-0,023
-0,023
-0,022
-0,022
-0,021
-0,020
-0,020
-0,019
-0,019
-0,018
-0,018
-0,017
-0,017
-0,016
-0,016
-0,015
-0,015
-0,014
-0,014
-0,013

278.4
278.6
278.8
279.0
279.2
279.4
279.6
279.8
280.0
280.2
280.4
280.6
280.8
281.0
281.2
281.4
281.6
281.8
282.0
282.2
282.4
282.6
282.8
283.0
283.2
283.4
283.6
283.8
284.0
284.2
284.4
284.6
284.8
285.0
285.2
285.4
285.6
285.8
286.0
286.2
286.4
286.6
286.8
287.0
287.2
287.4
287.6
287.8
288.0
288.2
288.4
288.6
288.8
289.0
289.2
289.4
289.6
289.8
290.0
290.2
290.4
290.6
290.8
291.0
291.2

-0,011
-0,011
-0,010
-0,010
-0,010
-0,009
-0,009
-0,009
-0,008
-0,008
-0,008
-0,007
-0,007
-0,007
-0,007
-0,006
-0,006
-0,006
-0,006
-0,005
-0,005
-0,005
-0,005
-0,005
-0,004
-0,004
-0,004
-0,004
-0,004
-0,003
-0,003
-0,003
-0,003
-0,003
-0,003
-0,003
-0,003
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001

-0,013
-0,013
-0,012
-0,012
-0,011
-0,011
-0,011
-0,011
-0,010
-0,010
-0,010
-0,009
-0,009
-0,009
-0,008
-0,008
-0,008
-0,008
-0,008
-0,007
-0,007
-0,007
-0,007
-0,006
-0,006
-0,006
-0,006
-0,005
-0,005
-0,005
-0,005
-0,005
-0,005
-0,004
-0,004
-0,004
-0,004
-0,004
-0,004
-0,003
-0,003
-0,003
-0,003
-0,003
-0,003
-0,003
-0,003
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,002
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001

291.4
291.6
291.8
292.0
292.2
292.4
292.6
292.8
293.0
293.2
293.4
293.6
293.8
294.0
294.2
294.4
294.6
294.8
295.0
295.2
295.4
295.6
295.8
296.0
296.2
296.4
296.6
296.8
297.0
297.2
297.4
297.6
297.8
298.0
298.2
298.4
298.6
298.8
299.0
299.2
299.4
299.6
299.8
300.0

-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000

-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,001
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000
-0,000

Lampiran 3. Analisis regresi PCR.

Regression Analysis: Na versus pc na; pc k
The regression equation is
Na = 2,01 - 1,46 pc na + 2,30 pc k
Predictor
Constant
pc na
pc k

Coef
2,0074
-1,45681
2,30493

S = 1,22555

SE Coef
0,6255
0,03242
0,04767

R-Sq = 99,5%

PRESS = 39,5893

T
3,21
-44,93
48,35

P
0,004
0,000
0,000

R-Sq(adj) = 99,5%

R-Sq(pred) = 99,40%

Analysis of Variance
Source
Regression
Residual Error
Total
Source
pc na
pc k
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

DF
2
20
22

DF
1
1

Seq SS
3032,7
3511,2

pc na
-3,4
-6,6
-10,0
-13,2
-16,5
-16,4
-19,9
-6,4
-12,9
-16,3
-9,5
-13,0
-16,3
-19,7
-23,0
-26,6
-16,6
-20,3
-23,7
-30,7
-16,9
-30,8
-34,3

Na
0,000
0,000
0,000
0,000
0,000
10,000
10,000
20,000
20,000
20,000
30,000
30,000
30,000
30,000
30,000
30,000
40,000
40,000
40,000
40,000
50,000
50,000
50,000

SS
6543,9
30,0
6573,9

MS
3271,9
1,5

F
2178,42

Fit
1,970
1,363
1,327
0,773
0,420
9,529
9,264
19,767
18,962
18,658
28,664
28,895
28,545
28,581
28,331
28,734
40,066
40,933
41,193
40,716
50,876
51,284
51,149

SE Fit
0,527
0,464
0,438
0,469
0,538
0,383
0,475
0,500
0,297
0,274
0,485
0,368
0,282
0,265
0,324
0,434
0,429
0,369
0,359
0,501
0,615
0,521
0,602

Residual
-1,970
-1,363
-1,327
-0,773
-0,420
0,471
0,736
0,233
1,038
1,342
1,336
1,105
1,455
1,419
1,669
1,266
-0,066
-0,933
-1,193
-0,716
-0,876
-1,284
-1,149

Regression Analysis: K versus pc na; pc k

The regression equation is
K = - 0,109 - 0,578 pc na - 0,934 pc k

P
0,000

St Resid
-1,78
-1,20
-1,16
-0,68
-0,38
0,40
0,65
0,21
0,87
1,12
1,19
0,95
1,22
1,19
1,41
1,10
-0,06
-0,80
-1,02
-0,64
-0,83
-1,16
-1,08

Predictor
Constant
pc na
pc k

Coef
-0,10905
-0,577725
-0,934418

S = 0,174512

SE Coef
0,08907
0,004617
0,006788

R-Sq = 99,9%

PRESS = 0,812543

T
-1,22
-125,14
-137,65

P
0,235
0,000
0,000

R-Sq(adj) = 99,9%

R-Sq(pred) = 99,92%

Analysis of Variance
Source
Regression
Residual Error
Total
Source
pc na
pc k
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

DF
1
1

pc na
-3,4
-6,6
-10,0
-13,2
-16,5
-16,4
-19,9
-6,4
-12,9
-16,3
-9,5
-13,0
-16,3
-19,7
-23,0
-26,6
-16,6
-20,3
-23,7
-30,7
-16,9
-30,8
-34,3

DF
2
20
22

SS
1054,00
0,61
1054,61

MS
527,00
0,03

F
17304,53

P
0,000

Seq SS
476,94
577,06
K
4,0000
8,0000
12,0000
16,0000
20,0000
16,0000
20,0000
0,0000
8,0000
12,0000
0,0000
4,0000
8,0000
12,0000
16,0000
20,0000
4,0000
8,0000
12,0000
20,0000
0,0000
16,0000
20,0000

Fit
3,8363
7,8548
11,8703
15,8483
19,7600
16,0580
20,2164
0,1383
8,0695
12,2180
0,2174
4,1868
8,2140
12,1452
16,0730
20,1246
3,8919
7,8456
11,7268
20,0321
-0,1982
15,8535
20,0175

SE Fit
0,0751
0,0660
0,0623
0,0667
0,0766
0,0545
0,0677
0,0712
0,0423
0,0390
0,0691
0,0524
0,0402
0,0378
0,0461
0,0618
0,0610
0,0525
0,0511
0,0714
0,0876
0,0742
0,0857

Residual
0,1637
0,1452
0,1297
0,1517
0,2400
-0,0580
-0,2164
-0,1383
-0,0695
-0,2180
-0,2174
-0,1868
-0,2140
-0,1452
-0,0730
-0,1246
0,1081
0,1544
0,2732
-0,0321
0,1982
0,1465
-0,0175

St Resid
1,04
0,90
0,80
0,94
1,53
-0,35
-1,35
-0,87
-0,41
-1,28
-1,36
-1,12
-1,26
-0,85
-0,43
-0,76
0,66
0,93
1,64
-0,20
1,31
0,93
-0,12