<em><span style="font-size:10pt;line-height:115%;">Aplikasi model kalibrasi di bidang kimia adalah pemodelan hubungan antara kandungan senyawa aktif yang ditentukan dari </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">High Performance Liquid Chromatography (HPLC)</span><span style="font-size:10pt;line-height:115%;"> dengan bentuk spektrum<span> </span>dari </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">spektrometer</span><span style="font-size:10pt;line-height:115%;"> Fourier Transform Infrared (FTIR). Permasalahan utama dalam kalibrasi adalah multikolinear dan pengamatan pencilan. </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">Regresi Kuadrat Terkecil Parsial (RKTP) </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv"><span> </span></span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">merupakan sebuah te</span><span style="font-size:10pt;line-height:115%;">k</span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">nik prediktif yang mampu mengatasi masalah multikolinearitas</span><span style="font-size:10pt;line-height:115%;">.</span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">. </span><span style="font-size:10pt;line-height:115%;">SIMPLS (Straightforward Implementation PLS) adalah a<span style="color:#000000;">lgoritma pendugaan RKTP yang <span> </span>tidak resisten terhadap pengamatan pencilan. </span>Hubert and Brande (2003) mengemukakan <span style="color:#000000;">algoritma </span>RSIMPLS yang bersifat resisten terhadap pencilan. RSIMPLS dibentuk dari matriks ragam-peragam robust dan regresi linear robust. Pada penelitian ini dilakukan </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">modifikasi fungsi bobot</span><span style="font-size:10pt;line-height:115%;"> pada <span> </span>RSIMPLS dengan</span><span style="font-size:10pt;line-height:115%;"> </span><span style="font-size:10pt;line-height:115%;">penduga-M </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">Huber</span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv"> </span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv">dimana setiap pengamatan akan diberikan nilai bobot kecil <span> </span><span> </span>jika jarak robust dan jarak ortogonal pengamatan ke-<span>i</span> melebihi nilai batas yang ditentukan, dan <span> </span><span> </span>untuk lainnya</span><span style="font-size:10pt;line-height:115%;">. Dengan demikian</span><span style="font-size:10pt;line-height:115%;" lang="sv" xml:lang="sv"> besar <span> </span><span> </span>tidak hanya 0 dan 1, melainkan <span> </span></span><span style="font-size:10pt;line-height:115%;">. Hasil penelitian menunjukkan RMSEP (root mean square error) pada metode modifikasi bobot lebih kecil dibandingkan RSIMPL</span><span style="font-size:10pt;line-height:115%;" lang="en-us" xml:lang="en-us">S</span><span style="font-size:10pt;line-height:115%;" lang="en-us" xml:lang="en-us"> </span></em>

Abstract

Aplikasi model kalibrasi di bidang kimia adalah pemodelan hubungan antara kandungan senyawa aktif yang ditentukan dari High Performance Liquid Chromatography (HPLC) dengan bentuk spektrum  dari spektrometer Fourier Transform Infrared (FTIR). Permasalahan utama dalam kalibrasi adalah multikolinear dan pengamatan pencilan. Regresi Kuadrat Terkecil Parsial (RKTP)  merupakan sebuah teknik prediktif yang mampu mengatasi masalah multikolinearitas.. SIMPLS (Straightforward Implementation PLS) adalah algoritma pendugaan RKTP yang  tidak resisten terhadap pengamatan pencilan. Hubert and Brande (2003) mengemukakan algoritma RSIMPLS yang bersifat resisten terhadap pencilan. RSIMPLS dibentuk dari matriks ragam-peragam robust dan regresi linear robust. Pada penelitian ini dilakukan modifikasi fungsi bobot pada  RSIMPLS dengan penduga-M Huber dimana setiap pengamatan akan diberikan nilai bobot kecil  jika jarak robust dan jarak ortogonal pengamatan ke-i melebihi nilai batas yang ditentukan, dan  untuk lainnya. Dengan demikian besar  tidak hanya 0 dan 1, melainkan . Hasil penelitian menunjukkan RMSEP (root mean square error) pada metode modifikasi bobot lebih kecil dibandingkan RSIMPLS