Penentuan Simultan Natrium Benzoat Dan Kalium Sorbat Dengan Metode Kalibrasi Multivariat (2)

1

PENENTUAN SIMULTAN NATRIUM BENZOAT DAN KALIUMSORBAT DENGAN METODE KALIBRASI MULTIVARIAT

Damiyati1, Ferry Sukarta2, dan Noviyanti3.

Departemen Kimia, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian BogorKampus IPB Dramaga, Bogor 16680.

ABSTRAK

Kemometrik adalah salah satu cabang dari ilmu kimia yang merupakan perpaduanantara ilmu kimia dengan ilmu statistika. Kemometrik menyediakan metode untukmengurangi data berukuran besar yang diperoleh dari instrumen kimia sepertispektrofotometer sehingga dapat diketahui tingkat reabilitas dari data tersebut. Salahsatu teknik analisis kemometrik yang banyak digunakan yaitu kalibrasi multivariat.Kalibrasi multivariat ini dapat digunakan untuk analisis simultan berbagai senyawadalam campuran. Pendekatan metode analisis multivariat yang digunakan yaitu partialleast square (PLS), principle component regression (PCR), dan principle componentanalysis (PCA). Partial least square (PLS) merupakan bagian dari kemometrikyang bertujuan menemukan hubungan statistik antara data spektrum dan informasiyang telah diketahui. Sedangkan PCA digunakan untuk mereduksi data atau mengurangijumlah peubah bebas dari peubah aslinya.

Kata kunci: Kalibrasi multivariat, PLS, PCA, dan PCR.

ABSTRACT

Chemometric is one branch of chemistry that is a blend of chemistry to the science ofstatistics. chemometric provides a method for reducing large data obtained fromchemical instruments such as spectrophotometers locations to determine the reliabilityof the data. One technique that is widely used chemometric analysis is a multivariatecalibration. Multivariate calibration can be used for simultaneous analysis of variouscompounds in the mixture. Approach to multivariate analysis method used is partialleast squares (PLS), principle component regression (PCR), and principle componentanalysis (PCA). Partial least squares (PLS) is a part of chemometric aimed at findingstatistical relationships between spectral data and information already known. WhilePCA is used to reduce the data or reduce the number of free variables of the originalvariables.

Keywords: Multivariate calibration, PLS, PCA, and PCR.

1 Damiyati (G44090007), Mahasiswa Departeman Kimia FMIPA IPB.2 Ferry Sukarta (G44090090), Mahasiswa Departeman Kimia FMIPA IPB.3 Noviyanti (G44090100), Mahasiswa Departeman Kimia FMIPA IPB.

2

PENDAHULUAN

Kalibrasi Multivariat

Kemometrik menyediakanmetode dalam mengurangi databerukuran besar yang diperoleh dariinstrument seperti spektrofotometer(Varmuza 2002). Salah satu analisisspektrum yang terpenting adalahmembentuk model kalibrasi melaluimetode pengenalan pola untukmengidentifikasi kemiripan dan polautama data. Metode ini menghitungpersamaan regresi berdasarkanspektrofotometri dan informasi analatyang diketahui. Selanjutnya, model inidigunakan untuk memprediksi sampelyang tidak diketahui (Brereton 2000).

Kalibrasi multivariat merupakansalah satu bentuk model analisiskemometrik yang dapat digunakanuntuk menentukan campuran daribeberapa senyawa (Forina et al 1998).Metode kalibrasi multivariat ini dapatberupa multiple linear regression(MLR), principle component analysis(PCA), principle component regression(PCR), partial least square (PLS), danartificial neural network (ANN)(Brereton 2000). Teknik kalibrasimultivariat ini yang sering digunakandalam analisis spektrum kuantitatifuntuk mendapatkan informasi yangselektif dari data yang tidak selektifberupa PCR dan PLS (Diaz et al. 1997).

Regresi Komponen Utama (PCR)

PCR digunakan untukmembentuk model antara konsentrasisenyawa dan komponen utama(principle component, PC) pada datamatriks (spektrum) (Cevdet et al. 1998).PCR menggunakan regresi untukmengubah skor dalam konsentrasi(Brereton 2000). Untuk mendapatkanskor yang akan diregresikan dengan

konsentrasi dibutuhkan analisiskomponen utama (principle componentanalysis, PCA). Komponen-komponenutama (PC) tersebut dipilih sedemikianrupa sehingga komponen utama pertamamemiliki variasi terbesar dalam set data,sedangkan komponen utama keduategak lurus terhadap komponen utamapertama dan memiliki variasi terbesarberikutnya (Miller & Miller 2000). PCdigunakan untuk mengurangi jumlahpeubah bebas dari peubah aslinya.Pemilihan PC dilakukan sehingga PCpertama memiliki varians terbesardalam set data, sedangkan PC keduategak lurus terhadap PC pertama danmemiliki varians terbesar selanjutnya(Miller & Miller 2000). Jika jumlahragam dari komponen utama satu (PC1)dan dua (PC 2) lebih besar dari 70%,maka plot skor memperlihatkanvisualisasi dua dimensi yang baik(Varmuza 2000).

Gambar 6 menggambarkan komponenutama dari peubah X1, X2, dan X3.

Analisis Komponen Utama (PCA)

PCA merupakan suatu teknikuntuk mengurangi jumlah peubah dalamsuatu matriks data. Prinsip PCA adalahmencari komponen utama yangmerupakan kombinasi linear daripeubah asli (Varmuza 2000).MetodePrincipal Component Analysis (PCA)

3

ini adalah salah satu teknik statistikyang bertujuan untuk mereduksidimensi dan sekaligus mengatasimasalah multikolinearitas pada data.Pada dasarnya PCA mentransformasisecara linier variabel asal yangumumnya saling berkorelasi menjadisejumlah variabel yang lebih sedikityang tidak berkorelasi dan disebutkomponen utama (PrincipalComponent). Metode PCA yangberdasarkan rata-rata dan matriks variankovarian sangat sensitif terhadap outlierdata pengamatan. (Hubert, Rousseeuw,& Branden, 2005). Prinsip utamaanalisis multivariat dengan metode PCAadalah mencari komponen utama (PC)yang merupakan kombinasi linear daripeubah asli (Lebart et al. 1984).

Kuadrat Terkecil Parsial (PLS)

PLS merupakan salah satuteknik kalibrasi multivariat yang sangatluas digunakan dalam analisiskuantitatif data spektroskopi danelektrokimia (Abdollahi et al. 2003).PLS digunakan untuk mendugaserangkaian peubah dependen daripeubah independen (penduga) yangjumlahnya sangat banyak, memilikistruktur sistematik linear atau nonlinear,dengan atau tanpa data yang hilang, danmemiliki kolinearitas yang tinggi.Teknik ini membentuk model daripeubah-peubah yang ada untukmembentuk serangkaian respon denganmenggunakan regresi kuadrat terkecildalam bentuk matriks (Lindblom 2004).Inti dari PLS adalah untuk menghitungnilai (skor) dari matriks X dan Y danuntuk membuat model regresi antaranilai-nilai tersebut.

Kelebihan dari PLSdibandingkan dengan regresi bergandaadalah dalam mengatasi masalahkolinearitas data, peubah penjelas (X)yang banyak, dan juga dapat secara

simultan memodelkan beberapa peubahrespon (Y) (Wold 1995). Variabel dalamPLS ditunjukkan oleh tingginya korelasidengan variabel respon yangmemberikan pengaruh besar, sehinggalebih efektif dalam pendugaan.Kombinasi linear variabel bebas yangdipilih harus berkorelasi paling tinggidengan variabel respon dan dapatmenjelaskan kombinasi dari variablebebas (Miller & Miller 2000).

BAHAN DAN METODE

Bahan dan Alat

Bahan-bahan yang digunakanadalah software minitab 14, microsoftword dan excel. Alat yang digunakanadalah notebook atau komputer.

Metode

Partial Least Square (PLS)

Data yang akan diolah denganPLS, disiapkan dalam software minitab14. Pada menu dipilih “regression”kemudian dipilih “partial least square”.Terdapat window untuk PLS, kemudianpada kolom “response” diisi dengankonsentrasi natrium benzoat dan kaliumsorbat (c503-c504) dan pada kolom“predictor” diisi dengan panjanggelombang 200-300 nm (c1-c501).Dipilih “storage” lalu pilih“coefficients” dan “fits”, lalu pilih “ok”.Kemudian, dipilih “validation” lalupilih “leave group out size” dan “ok”.Setelah selesai pilih “ok”. Maka di layar“session” akan muncul hasil pengolahandari PLS. Di kolom c506-c507merupakan koefisien dari pengolahanPLS untuk natrium benzoat dan kaliumsorbat. Di kolom c508-c509 merupakanhasil konsentrasi natrium benzoat dankalium sorbat.

4

Principal Component Analysis (PCA)

Pilihan “stat” pada menu dipilih,kemudian dipilih “multivariate” dan“principle component”. Terdapatwindow untuk PCA, kemudian kolom“variable” diisi dengan kolom panjanggelombang 200-300 nm (c1-c501).Kolom “number of compute 2” diisi danpilihan “covariance” dipilih. Pilih“graph” lalu dipilih “score plot for first2 component”, lalu “ok”.

Principal Component Regression(PCR)

Pilihan “stat” pada menu dipilih,kemudian dipilih “regression” dan pilih“regression” lagi sehingga muncul“window” untuk “regression”. Kolomrespon diisi dengan kolom yang berisikonsentrasi natrium benzoat (c504),kolom “predictor” diisi dengan kolomyang berisi komponen utama 1 dankomponen utama 2 (c512-c513). Pilih“result” lalu pilih “in addition, the fulltable of fits and residual” kemudian“ok”. Pilih “options” lalu pilih “PRESSand predicted R-square” kemudian pilih“ok”. Pilih “storage” lalu pilih“coefficients and fits” kemudian pilih“ok”. Sehingga muncul pada layar“session” data pengolahan PCR untuknatrium benzoat. Pada kolom c514 akanterisi koefisien dari regresi natrium danpada kolom c515 akan terisi konsentrasinatrium benzoat. Untuk kalium sorbatdilakukan hal yang sama. Sehinggamuncul pada layar “session” datapengolahan PCR untuk kalium sorbat.Pada kolom c516 terisi koefisien dariregresi kalium dan pada kolom c517akan terisi dengan nilai konsentrasikalium sorbat. Dua nilai koefisien yangmendampingi nilai PC1 dan PC2 (baiknatrium benzoat dan kalium sorbat)disalin pada kolom yang masih kosong.Kursor diletakkan ke layar “session”

paling bawah. Pilih “editor” pada menudan pilih “enable command”. Pada layar“session” akan muncul “MTB >” danketikkan “copy c518-c519 m1”.Kemudian ketik “copy c510-c511 m2”.Kemudian ketik “mult m2 m1 m3”.Kemudian ketik “copy m3 c520-c521”.Maka pada kolom c520-c521 akanmuncul nilai hasil perkalian koefisienPCA dengan koefisien regresi. Nilaiintersep pada baris diatas nilai hasilperkalian tadi dimasukkan. Maka nilaitersebut adalah matriks Na dan K.

HASIL DAN PEMBAHASAN

kemometrik adalah salah satucabang ilmu kimia yang merupakanperkawinan atau perpaduan antarastatistik dengan ilmu kimia khususnyakimia analisis. Kemometrik dapatdidefinisikan sebagai cabang ilmu kimiaanalisis yang menggunakan prinsipstatistik untuk (a) merancang danmemilih suatu prosedur dan eksperimenanalisis yang optimal dan (b)memberikan informasi kimiawi secaramaksimal dan relevan melalui analisisdata kimiawi. Kemometrikmenyediakan metode untuk mengurangidata berukuran besar yang diperolehdari instrumen seperti spektrofotometersehingga dapat diketahui tingkatreabilitas dari suatu data. Analisismultivariat merupakan salah satu teknikanalisis kemometrik yang banyakdigunakan untuk analisis matrikskompleks dan analisis multikomponenpada sistem yang sederhana.Pendekatan multivariat dapatdiaplikasikan pada sampel yangmempunyai lebih dari satu peubahpengukuran. Misalnya pada saat kitamengukur spektrum suatu sampelmenggunakan lebih dari satu panjanggelombang (Brereton 2000).

Metode kalibrasi multivariatyang dilakukan kali ini yaitu principle

5

component analysis (PCA), principlecomponent regression (PCR), danpartial least square (PLS). Ketigametode ini digunakan untukmenganalisis data dari campuranNatrium benzoat dengan Kalium sorbat.Campuran ini diukur absorbansinya daripanjang gelombang 200-300 nm dengan23 kali ulangan. Data–data ini kemudiandiolah dengan menggunakan softwareMinitab 14.

Analisis regresi yang melibatkanvariabel independen yang jumlahnyabanyak dimana terdapat kolinieritas ataukorelasi diantara variabel independentersebut maka analisis menggunakanPCR dan PLS merupakan salah satumetode yang dapat diterapkan. Datatersebut diolah terlebih dahulumenggunakan metode Partial LeastSquare (PLS). Partial least squares(PLS) adalah sebuah metode reduksidimensi data, sejenis dengan PCA,untuk mencari faktor-faktor yang palingrelevan dalam memprediksi danmenginterprestasi data. Regresi PLSmeningkatkan kemampuan model dariPCA dengan menggunakan variabelrespon secara aktif dalam dekomposisibilinier prediktor. PCA terfokus padakeragaman di dalam prediktor,sedangkan PLS fokus pada kovariansdiantara respon dan prediktor-prediktor.Dengan jalan menyeimbangkaninformasi antara prediktor dan respon,PLS mereduksi dampak dari banyaknyaprediktor yang tidak relevan dengankeragaman data. Estimasi kesalahanprediktor ditingkatkan dengan caravalidasi silang.

Campuran Natrium benzoat danKalium sorbat ini diperoleh regresi danresidual error yang menunjukkan bahwaresidual error untuk Na lebih besardaripada K yaitu 1.34 berbanding 0.11.Berdasarkan nilai PRESS minimumdiperoleh nilai sebesar 3.05 untuk Nadengan R2 sebesar 99,95% sedangkan

untuk K diperoleh nilai PRESSminimum sebesar 0.168 dan R2 sebesar99,98%. untuk set kalibrasi danbanyaknya komponen yang akandigunakan dalam model, yaitu 4komponen.

Grafik 1 Menunjukkan plot responuntuk K.

Grafik 2 Menunjukkan plot responuntuk K.

Actual ResponseCalculatedResponse

20151050

20

15

10

5

0

VariableFittedCrossval

PLS Response Plot(response is K)4 components

Actual Response

CalculatedResponse

50403020100

50

40

30

20

10

0

VariableF ittedCrossval

PLS Response Plot(response is Na)4 components

6

Grafik 3 Menunjukkan plot koefisienuntuk K.

Grafik 4 Menunjukkan plot koefisienuntuk K.

Model PCR diawali denganPCA yang menghasilkan nilai loadingPC sebanyak jumlah peubah yangdipakai, yaitu 501 panjang gelombangyang digunakan.Metode PrincipalComponent Analysis ( PCA) adalahsalah satu teknik statistik yang dikenalbertujuan mereduksi dimensi dansekaligus mengatasi masalahmultikolinearitas pada data. Padadasarnya PCA mentransformasi secaralinier variabel asal yang umumnyasaling berkorelasi menjadi sejumlahvariabel yang lebih sedikit yang tidakberkorelasi dan disebut komponenutama (Principal Component).

Metode PCA yangberdasarkan rata-rata dan matriks varian

kovarian sangat sensitif terhadap outlierdata pengamatan. Outlier didefinisikansebagai sebagian dari data pengamatanyang memiliki pola yang berbeda darisebagian besar data pengamatan (Hadi,Imon, & Werner 2009). Outlier padadata dapat menyebabkanketidakhomogenan matriks variankovarian. Selain itu Hadi et al (2009)menyebutkan outlier memberi efekmasking (mengaburkan data) danswamping (kesalahan mengidentifikasidata non outliers sebagai outliers).Sebaiknya jumlah outlier dalam datatidak melebihi dari 50 persen. Padaanalisis regresi, adanya outlier dapatmenyebabkan berbagai penyimpanganantara lain; 1) residual yang besar darimodel yang terbentuk, 2) varian datamenjadi lebih besar, dan 3) rentangyang lebar pada confidence region.

Teknik PCA berdasar padadekomposisi matriks data X (N x K)menjadi dua matriks T (N x A) danmatriks P (K x A) yang saling tegaklurus (Gambar 2). Matriks T yangdisebut dengan matriks scoresmenggambarkan variansi dalam objek,sedangkan matriks P yang disebutmatriks loading menjelaskan pengaruhvariabel terhadap komponen utama.Matriks P terdiri atas data asli dalamsystem koordinat baru. Error dari modelyang terbentuk dinyatakan dalam E(Lohninger 2004).

Grafik 5 Menunjukkan score plot PCA

Predictors

Coefficients

500450400350300250200150100501

0

-5

-10

-15

-20

PLS Coefficient Plot(response is K)4 components

Predictors

Coefficients

500450400350300250200150100501

40

30

20

10

0

-10

PLS Coefficient Plot(response is Na)4 components

Component Number

Eigenvalue

500450400350300250200150100501

70

60

50

40

30

20

10

0

Scree Plot of 200.0; ...; 300.0

7

Grafik 6. Menunjukkan distribusikomponen Na dan K padacampuran setelah dilakukanPCA.

PCR secara khas digunakanuntuk model-model regresi linier,dimana jumlah variabel bebas(prediktor) p adalah sangat banyak, ataudimana antar prediktor berkorelasitinggi (kita ketahui sebagaimultikolinieritas). Salah satu aplikasiPCR yang cukup penting adalahkalibrasi multivariat, dimana tujuannyaadalah untuk memprediksi konsentrasikonstituen berdasarkan padaspektrumnya. Spektrum yang dianalisisdapat diperoleh melalui berbagai teknik,antara lain spektrofotometer fluoresensi,near-infrared spectrometry (NIR),NMR, UV spectrofotometer, XRD dll.Spektrum secara khas terdiri dari nilai-nilai yang menjangkau panjanggelombang dengan kisaran yang luas,sehingga terdiri dari ratusan komponenyang harus dianalisis, sedangkan faktorkonsentrasi umumnya terbatas (OttoMathias 1999).

Pendekatan PCR dalamaplikasi analisis multikomponen secaraspektroskopik, dekomposisi matrikAbsorbansi A dapat dituliskan sebagaiberikut:

A = UWVT

Estimasi matrik koefisien regresi Bdilakukan menurut kolom denganmenggunakan:

b = A- cdengan A- merupakan pseudo-inversdari matrik absorbansi A.

Regresi yang diperoleh dari PCRuntuk Na yaitu 2,01 - 1,46 C512 + 2,30C513 dengan nilai S sebesar 1,22555dan PRESS nya sebesar 39,5893dengan R2 yaitu 99,40%, sedangkanuntuk K yaitu - 0,109 - 0,578 C512 -0,934 C513 dengan nilai S sebesar0,174512 dan nilai PRESS yangdiperoleh yaitu 0,812543 dengan R2

sebesar 99,92%. Dari tabel dibawahdapat dilihat perbandingan nilai PRESSdan R2 dari model PCR dengan PLS.Dari kedua model tersebut dapat dilihatbahwa pada model PLS diperoleh nilaiPRESS yang lebih kecil dengan nilai R2

yang lebih besar sehingga dapatdikatakan bahwa model PLS dalampenentuan simultan campuran ini lebihbaik daripada metode PCR.

Tabel 1 Perbandingan model PCR danPLS dilihat dari nilai PRESS danR2.

Standar Model PRESS R2

Na PLSPCR

3.0539,5893

99.95%99.40%

K PLSPCR

0.1680,812543

99.98%99.92%

Keuntungan utama dari kalibrasiPCR adalah pertama, dekomposisi darimatrik absorbansi menjadi matrikortogonal yang lebih kecilmemungkinkan terjadinya penguranganpermasalahan dimensional dalam kasussistem yang dikondisikan buruk. Jadi,jika terdapat spektrum dengan korelasiyang tinggi, kita akan selalumemperoleh solusi yang terbaik dalamhal matrik yang mendekati tunggal.Kedua, Komponen tambahan yang tidakdiketahui atau komponen background

First Component

SecondComponent

0-5-10-15-20-25-30-35

10

5

0

-5

-10

Score Plot of 200.0; ...; 300.0

8

dapat secara otomatis dimodelkansebagai komponen utama jikakonsentrasi dari komponen tersebutbervariasi terhadap sampel kalibrasiyang berbeda.

SIMPULAN

Metode kalibrasi multivariatdigunakan untuk menentukan simultandari campuran natrium benzoat dengankalium sorbat. principle componentanalysis (PCA), principle componentregression (PCR), dan partial leastsquare (PLS) merupakan teknikkalibrasi multivariat yang digunakankali ini. Pada PLS diperoleh bahwaresidual error dari analisis variasi dariNa lebih besar daripada K. PCAberperan untuk mereduksi data tersebutsehingga hanya menjadi 23 data yangditunjukkan dalan grafik score plot.Selanjutnya regresi linier Na maupun Kdiperoleh dari teknik PCR denganmenggunakan data yang telah direduksidari PCA.Pada model PLS diperolehnilai PRESS yang lebih kecil dengannilai R2 yang lebih besar sehingga dapatdikatakan bahwa model PLS dalampenentuan simultan campuran ini lebihbaik daripada metode PCR-nya.

DAFTAR PUSTAKA

Abdollahi H. 2001. Simultaneousspectrophotometric determinationof chromium(VI) and iron(III) withchromogenic mixed reagents by H-point standard addition method andpartial least squares regression.Analytica Chimica Acta 442 : 327-326.

Brereton RG. 2000. Introducing tomultivariate calibration inanalytical chemistry. Analyst 126:2125-2154.

Cevdet D, Demir C, Brereton RG. 1998.Multivariate calibration ondesigned mixture of fourpharmaceutical. Analyst 123:181-189.

Diaz TG, Guiberteau, Burguillos JMO,Salinas F. 1997. Comparison ofchemometric method: derivativeratio spectra and multivariatemethod (CLS, PCR, and PLS) forthe resolution of ternary mixture ofpesticides carbofuran carbanyl andphenamifos after their extractioninto chloroform. Analyst 122:513-517.

Forina M, Casolino MC, Martinez CP.1998. Multivariate Calibration:Applications to pharmaceuticalanalysis. J Pharm Biomed Anal 18:21-33.

Hadi, A.S. Imon, A.H.M.R, & Werner,M. (2009). Detection of Outliers.WIREs Computational Statistics, 1,57-70.

Hubert, M. Rousseeuw, P.J. & Branden,K.V. (2005). ROBPCA: A newapproach to robust principalcomponent analysis.Technometrics, 47, 64-79.

Lindblom T. 2004. Reaction in thesystem nitro-cellulose/diphenylamine withspecial reference to the formationof a stabilizing product bonded tonitrocellulose.[terhubungberkala].http://www.urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-3989.[30 Mar 2012].

Miller JM, Miller JN. 2000. Statisticsand Chemometrics for AnalyticalChemistry. Ed ke-4. London:Prentice Hall.

9

Otto Matthias. 1999. Chemometrics:statistics and computer applicationin analytical chemistry. New York;Chichester; Brisbane; Singapore;Toronto: Wiley-VCH ISBN 3-527-29628-X.

Varmuza K. 2002. AppliedChemometric: Form Chemical DataRelevant Information[terhubungberkala].http://www.vias.org/tmdatanaleg/ccmultica.pdf[30 Mar 2012].

10

LAMPIRAN

Metode Perhitungan DataResults for: set kalibrasiPLS Regression: Na; K versus 200.0; 200.2; 200.4; 200.6; 200.8; 201.0; ...Number of components selected by cross-validation: 4Number of observations left out per group: 2Number of components cross-validated: 10

Analysis of Variance for Na

Source DF SS MS F PRegression 4 6572,57 1643,14 22065,07 0Residual

Error 18 1,34 0,07

Total 22 6573,91

Analysis of Variance for K

Model Selection and Validation for Na

Components XVariance Error SS R-Sq PRESS R-Sq

(pred)1 0,725935 6057,76 0,078516 7277,43 02 0,984354 10,28 0,998437 12,6 0,9980843 0,998433 3,6 0,999453 5,79 0,9991194 0,999089 1,34 0,999796 3,05 0,9995365 0,66 0,9999 4,13 0,9993716 0,58 0,999913 3,67 0,9994427 0,28 0,999957 3,64 0,9994468 0,26 0,999961 3,43 0,9994799 0,25 0,999961 3,66 0,99944410 0,11 0,999983 3,46 0,999474


Error 18 0,11 0,006

Total 22 1054,61

11

Model Selection and Validation for K

Components XVariance Error SS R-Sq PRESS R-Sq

(pred)1 0,725935 140,21 0,86705 175,991 0,8331222 0,984354 4,593 0,99564 6,478 0,9938573 0,998433 0,121 0,99988 0,181 0,9998284 0,999089 0,109 0,9999 0,168 0,9998415 0,106 0,9999 0,189 0,999826 0,105 0,9999 0,207 0,9998037 0,083 0,99992 0,238 0,9997748 0,043 0,99996 0,227 0,9997859 0,01 0,99999 0,255 0,99975810 0,01 0,99999 0,237 0,999775

Principal Component Analysis: 200.0; 200.2; 200.4; 200.6; 200.8; 201.0; 201.2;

Eigenanalysis of the Covariance MatrixEigenvalue 64,953 30,041 0,477 0,303 0,050 0,015 0,006 0,002 0,001Proportion 0,678 0,313 0,005 0,003 0,001 0,000 0,000 0,000 0,000Cumulative 0,678 0,991 0,996 0,999 1,000 1,000 1,000 1,000 1,000

Eigenvalue 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000Proportion 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000






12













13













14

Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000 -0,000Cumulative 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000












15













16




Eigenvalue -0,000 -0,000 -0,000 -0,000 -0,000 -0,000Proportion -0,000 -0,000 -0,000 -0,000 -0,000 -0,000Cumulative 1,000 1,000 1,000 1,000 1,000 1,000

Regression Analysis: Na versus C512; C513

The regression equation isNa = 2,01 - 1,46 C512 + 2,30 C513

Predictor Coef SE Coef T PConstant 2,0074 0,6255 3,21 0,004

C512 -1,45681 0,03242 -44,93 0C513 2,30493 0,04767 48,35 0

S = 1,22555 R-Sq = 99,5% R-Sq(adj) = 99,5%PRESS = 39,5893 R-Sq(pred) = 99,40%

Analysis of Variance


Error 20 30 1,5

Total 22 6573,9

Source DF Seq SSC512 1 3032,7C513 1 3511,2

Obs C512 Na Fit SE Fit Residual St Resid1 -3,4 0,000 1,970 0,527 -1,970 -1,782 -6,6 0,000 1,363 0,464 -1,363 -1,203 -10,0 0,000 1,327 0,438 -1,327 -1,164 -13,2 0,000 0,773 0,469 -0,773 -0,68

17

5 -16,5 0,000 0,420 0,538 -0,420 -0,386 -16,4 10,000 9,529 0,383 0,471 0,407 -19,9 10,000 9,264 0,475 0,736 0,658 -6,4 20,000 19,767 0,500 0,233 0,219 -12,9 20,000 18,962 0,297 1,038 0,8710 -16,3 20,000 18,658 0,274 1,342 1,1211 -9,5 30,000 28,664 0,485 1,336 1,1912 -13,0 30,000 28,895 0,368 1,105 0,9513 -16,3 30,000 28,545 0,282 1,455 1,2214 -19,7 30,000 28,581 0,265 1,419 1,1915 -23,0 30,000 28,331 0,324 1,669 1,4116 -26,6 30,000 28,734 0,434 1,266 1,1017 -16,6 40,000 40,066 0,429 -0,066 -0,0618 -20,3 40,000 40,933 0,369 -0,933 -0,8019 -23,7 40,000 41,193 0,359 -1,193 -1,0220 -30,7 40,000 40,716 0,501 -0,716 -0,6421 -16,9 50,000 50,876 0,615 -0,876 -0,8322 -30,8 50,000 51,284 0,521 -1,284 -1,1623 -34,3 50,000 51,149 0,602 -1,149 -1,08

Regression Analysis: K versus C512; C513

The regression equation isK = - 0,109 - 0,578 C512 - 0,934 C513

Predictor Coef SE Coef T PConstant -0,10905 0,08907 -1,22 0,235

C512 -0,577725 0,004617 -125,14 0C513 -0,934418 0,006788 -137,65 0

S = 0,174512 R-Sq = 99,9% R-Sq(adj) = 99,9%PRESS = 0,812543 R-Sq(pred) = 99,92%

Analysis of Variance

Source DF SS MS F PRegression 2 1054 527 17304,53 0Residual

Error 20 0,61 0,03

Total 22 1054,61

Source DF Seq SSC512 1 476,94C513 1 577,06

18

Obs C512 K Fit SE Fit Residual St Resid1 -3,4 4,0000 3,8363 0,0751 0,1637 1,042 -6,6 8,0000 7,8548 0,0660 0,1452 0,903 -10,0 12,0000 11,8703 0,0623 0,1297 0,804 -13,2 16,0000 15,8483 0,0667 0,1517 0,945 -16,5 20,0000 19,7600 0,0766 0,2400 1,536 -16,4 16,0000 16,0580 0,0545 -0,0580 -0,357 -19,9 20,0000 20,2164 0,0677 -0,2164 -1,358 -6,4 0,0000 0,1383 0,0712 -0,1383 -0,879 -12,9 8,0000 8,0695 0,0423 -0,0695 -0,4110 -16,3 12,0000 12,2180 0,0390 -0,2180 -1,2811 -9,5 0,0000 0,2174 0,0691 -0,2174 -1,3612 -13,0 4,0000 4,1868 0,0524 -0,1868 -1,1213 -16,3 8,0000 8,2140 0,0402 -0,2140 -1,2614 -19,7 12,0000 12,1452 0,0378 -0,1452 -0,8515 -23,0 16,0000 16,0730 0,0461 -0,0730 -0,4316 -26,6 20,0000 20,1246 0,0618 -0,1246 -0,7617 -16,6 4,0000 3,8919 0,0610 0,1081 0,6618 -20,3 8,0000 7,8456 0,0525 0,1544 0,9319 -23,7 12,0000 11,7268 0,0511 0,2732 1,6420 -30,7 20,0000 20,0321 0,0714 -0,0321 -0,2021 -16,9 0,0000 -0,1982 0,0876 0,1982 1,3122 -30,8 16,0000 15,8535 0,0742 0,1465 0,9323 -34,3 20,0000 20,0175 0,0857 -0,0175 -0,12

Tabel 2 Penentuan Konsentrasi dan Koefisien Na & K dengan metode PLS.

Na K Coef NaPLS

Coef KPLS

Kons NaPLS

Kons KPLS

0 4 0,127 -0,0114 0,4404 4,01480 8 0,1213 -0,0109 0,2579 8,00740 12 0,0997 -0,0089 -0,1346 11,96160 16 0,0664 -0,006 0,0036 15,98240 20 0,0324 -0,0039 -0,1928 19,884710 16 -0,0063 -0,0012 9,8498 16,061910 20 -0,0533 0,0022 9,5718 20,161220 0 -0,1052 0,0057 20,1065 0,068920 8 -0,1421 0,0086 19,8173 7,945220 12 -0,12 0,0065 19,7695 12,035530 0 -0,0209 -0,0012 29,8268 0,00430 4 0,0286 -0,0053 30,2699 3,972630 8 0,0451 -0,0068 30,0538 8,022330 12 0,0733 -0,0089 30,0436 11,974530 16 0,1265 -0,0131 30,1029 15,8894

19

30 20 0,1637 -0,016 30,2913 19,928140 4 0,1561 -0,0152 39,8563 4,038340 8 0,1524 -0,0147 40,1931 7,986140 12 0,1762 -0,0164 40,3076 11,928940 20 0,1868 -0,0169 39,9613 20,159550 0 0,1893 -0,0169 49,4404 -0,001250 16 0,2115 -0,0184 49,9452 15,948450 20 0,24 -0,0202 50,2184 20,0256

0,2473 -0,02040,239 -0,01960,2468 -0,02020,2608 -0,02090,2614 -0,02050,258 -0,020,2736 -0,02090,281 -0,02120,2812 -0,02090,2826 -0,02060,2839 -0,02030,2872 -0,02020,2876 -0,020,2951 -0,02030,3042 -0,02080,3087 -0,02080,3088 -0,02040,315 -0,02070,3155 -0,02050,3104 -0,01980,3114 -0,01970,3126 -0,01950,3118 -0,01910,3138 -0,01910,3178 -0,01930,3199 -0,01930,3272 -0,01950,3325 -0,01970,3352 -0,01980,3334 -0,01950,3317 -0,01920,335 -0,01940,3368 -0,01930,3339 -0,0190,3287 -0,01850,331 -0,0186

20

0,3339 -0,01870,3357 -0,01870,3332 -0,01850,3339 -0,01860,3341 -0,01870,3338 -0,01870,3353 -0,0190,3294 -0,01860,3224 -0,01810,3177 -0,01780,3163 -0,01780,3155 -0,01790,3147 -0,01790,3132 -0,0180,3139 -0,01830,3099 -0,01810,3052 -0,01790,3043 -0,01810,2983 -0,01780,2922 -0,01750,2885 -0,01740,2861 -0,01730,288 -0,01760,2862 -0,01770,282 -0,01750,2795 -0,01750,2775 -0,01740,2721 -0,01710,2704 -0,01710,2722 -0,01740,2714 -0,01740,2741 -0,01770,2686 -0,01740,2627 -0,0170,2604 -0,01690,2596 -0,01690,2593 -0,0170,2537 -0,01660,2537 -0,01660,2552 -0,01670,2565 -0,01690,2519 -0,01650,2434 -0,01590,2445 -0,016

21

0,2482 -0,01630,2474 -0,01620,2397 -0,01560,234 -0,01520,2348 -0,01520,2358 -0,01520,2381 -0,01530,2357 -0,01510,2351 -0,01510,2346 -0,01490,2292 -0,01440,2248 -0,0140,2257 -0,0140,223 -0,01370,2181 -0,01320,2212 -0,01330,2256 -0,01350,2267 -0,01340,2222 -0,01290,2161 -0,01220,2152 -0,0120,2152 -0,01190,2146 -0,01170,2166 -0,01160,2203 -0,01170,2197 -0,01140,2166 -0,0110,2182 -0,01090,2198 -0,01070,2205 -0,01040,2216 -0,01030,2191 -0,00980,2194 -0,00950,2221 -0,00930,2217 -0,00890,2277 -0,0090,2316 -0,00880,2256 -0,0080,2202 -0,00720,2192 -0,00670,2171 -0,00610,2164 -0,00550,2181 -0,00520,2167 -0,0046

22

0,2156 -0,0040,2175 -0,00360,2199 -0,00320,2212 -0,00260,2177 -0,00170,215 -0,00090,2148 -0,00020,2128 0,00070,2125 0,00140,2094 0,00240,2086 0,00330,2108 0,00390,207 0,00490,2031 0,00590,2024 0,00680,2032 0,00770,2005 0,0088

0,2 0,00970,1984 0,01070,1913 0,01210,1891 0,01330,1894 0,01440,1864 0,01550,1814 0,01670,1763 0,01790,1674 0,01940,1618 0,02090,1622 0,02190,1597 0,0230,1548 0,02420,1491 0,02560,147 0,02680,1448 0,02790,1405 0,0290,1351 0,03030,1289 0,03160,1231 0,03280,1172 0,03410,11 0,0354

0,1042 0,03650,1002 0,03750,0925 0,03870,0846 0,03990,0757 0,0413

23

0,0703 0,04240,066 0,04330,0595 0,04420,0557 0,0450,0487 0,04610,0424 0,04690,0413 0,04740,0367 0,04810,0301 0,04890,0218 0,04970,0165 0,05030,0123 0,05080,0088 0,05110,0066 0,05140,0016 0,0518-0,002 0,052-0,0056 0,0524-0,007 0,0525-0,0099 0,0527-0,0157 0,053-0,0176 0,0531-0,0188 0,053-0,0227 0,0532-0,0261 0,0533-0,0269 0,0532-0,0286 0,0531-0,0305 0,0531-0,032 0,0531-0,0343 0,0531-0,0354 0,053-0,0375 0,0529-0,0382 0,0527-0,0408 0,0527-0,0426 0,0527-0,0412 0,0524-0,0444 0,0525-0,0473 0,0524-0,0462 0,052-0,0464 0,0519-0,0481 0,0519-0,0489 0,0518-0,0485 0,0515-0,0484 0,0513-0,0511 0,0513

24

-0,0523 0,0512-0,053 0,0511-0,0548 0,051-0,0535 0,0508-0,053 0,0505-0,0549 0,0505-0,056 0,0504-0,0558 0,0503-0,055 0,05-0,0552 0,05-0,0557 0,0499-0,0539 0,0495-0,0555 0,0494-0,0588 0,0495-0,0565 0,0492-0,0552 0,0491-0,056 0,049-0,0579 0,0491-0,0595 0,049-0,0583 0,0489-0,057 0,0487-0,0585 0,0488-0,0601 0,0488-0,0596 0,0487-0,0582 0,0484-0,057 0,0483-0,0583 0,0484-0,0581 0,0483-0,057 0,0482-0,0597 0,0484-0,0622 0,0485-0,0604 0,0484-0,0598 0,0484-0,0603 0,0483-0,0604 0,0483-0,0609 0,0483-0,0601 0,0483-0,0615 0,0484-0,0624 0,0484-0,0619 0,0485-0,0631 0,0487-0,0638 0,0488-0,063 0,0487-0,0611 0,0486

25

-0,0601 0,0486-0,0612 0,0487-0,0647 0,0491-0,0684 0,0495-0,0669 0,0495-0,0646 0,0494-0,0647 0,0495-0,0642 0,0496-0,066 0,0499-0,0661 0,05-0,0638 0,05-0,0645 0,0502-0,0638 0,0503-0,0609 0,0502-0,0619 0,0505-0,0653 0,051-0,0667 0,0513-0,069 0,0517-0,0679 0,0518-0,0646 0,0518-0,066 0,0522-0,0671 0,0525-0,0682 0,0528-0,067 0,053-0,0647 0,053-0,0661 0,0534-0,0679 0,0539-0,068 0,0542-0,0694 0,0546-0,0691 0,0549-0,0662 0,055-0,0668 0,0554-0,0696 0,0559-0,0707 0,0563-0,069 0,0567-0,0696 0,0572-0,0728 0,0578-0,0725 0,0582-0,0713 0,0586-0,0714 0,0592-0,0708 0,0596-0,0717 0,0602-0,073 0,0609-0,0737 0,0614

26

-0,0733 0,0621-0,0746 0,0628-0,0761 0,0634-0,0768 0,0641-0,0795 0,0649-0,0808 0,0656-0,079 0,0662-0,077 0,0667-0,0783 0,0673-0,0818 0,0683-0,0828 0,0693-0,0823 0,0701-0,084 0,071-0,0845 0,0718-0,0844 0,0726-0,0855 0,0736-0,0862 0,0746-0,0865 0,0756-0,0868 0,0765-0,0872 0,0775-0,0871 0,0786-0,0857 0,0797-0,0867 0,0809-0,0892 0,0821-0,0891 0,0832-0,0886 0,0845-0,0897 0,086-0,0904 0,0873-0,0904 0,0886-0,0891 0,0899-0,0895 0,0915-0,0929 0,0934-0,0954 0,095-0,0972 0,0967-0,0965 0,0984-0,0999 0,1006-0,1056 0,1029-0,1074 0,1049-0,1057 0,1067-0,107 0,1087-0,1105 0,1113-0,1125 0,1137-0,1133 0,1158-0,115 0,118

27

-0,1184 0,1206-0,1212 0,1233-0,1227 0,1259-0,1248 0,1285-0,1253 0,1312-0,1283 0,1341-0,1313 0,1371-0,132 0,1401-0,1339 0,143-0,1404 0,1466-0,1419 0,1499-0,1427 0,1534-0,1433 0,1571-0,1447 0,1606-0,1468 0,164-0,1483 0,1682-0,1473 0,1728-0,1464 0,1768-0,1484 0,1812-0,1506 0,186-0,1551 0,1911-0,1565 0,1967-0,1585 0,2023-0,1587 0,2075-0,1502 0,2129-0,1563 0,2203-0,1637 0,2275-0,1637 0,2338-0,1689 0,2412-0,176 0,2495-0,1891 0,259-0,2008 0,2684-0,2084 0,2775-0,2222 0,288-0,2516 0,3013-0,2769 0,3138-0,2881 0,3242-0,2956 0,3352-0,3087 0,3472-0,3429 0,3627-0,378 0,3794-0,4006 0,3938-0,4336 0,4091-0,4504 0,4232

28

-0,4736 0,4417-0,528 0,4626-0,5862 0,4824-0,6295 0,5029-0,6622 0,5243-0,6699 0,5419-0,7085 0,5625-0,7665 0,5864-0,8257 0,6108-0,868 0,6366-0,9643 0,6685-0,9946 0,6946

-1 0,719-1,101 0,7534-1,2003 0,7912

-1,2 0,8168-1,21 0,8468

-1,2632 0,8845-1,3668 0,9235-1,6354 0,9791-1,7175 1,0154-1,6344 1,0463-1,7127 1,0934-1,8192 1,132-1,8873 1,1738-2,0308 1,2225-2,051 1,2624-2,1516 1,3189-2,3374 1,3767-2,3765 1,4181-2,5642 1,4797-2,5808 1,5218-2,658 1,5752-2,7697 1,645-2,8333 1,699-3,0455 1,7515-3,1469 1,8114-3,0617 1,8722-3,4293 1,9587-4,0898 2,0594-4,6901 2,1871-4,9434 2,2843-4,5893 2,3053-4,6644 2,3259

29

-4,9601 2,3936-4,6836 2,4529-4,3021 2,4269-5,3915 2,579-6,998 2,7611-6,8274 2,8143-6,9613 2,8984-7,4925 2,9506-8,265 3,0197-7,811 2,9746-6,1455 2,8568-5,668 2,812-5,7256 2,7421-4,0288 2,6093-3,1825 2,5728-5,8671 2,6122-6,3716 2,4708-3,5942 2,1157-4,0919 2,2669-1,3992 2,1815-5,322 2,365

-11,9767 2,6433-7,0773 2,0238-2,5033 1,55940,167 0,93644,0195 -0,00485,4525 -0,8684-2,1743 -0,273-6,7314 0,49241,414 -0,4522,3749 -1,4967-7,6504 -1,6115-12,142 -1,4399-5,4375 -2,7674-8,1767 -3,2931-8,8697 -4,1763-8,4811 -5,6405-2,4278 -6,316520,453 -7,86729,9338 -9,9949-10,7257 -9,1193-3,6429 -11,29435,559 -15,434541,2216 -17,6401

30

20,0007 -16,705629,1641 -19,4224

Tabel 3 Penentuan Konsentrasi dan Koefisien Na & K dengan metode PCA.Coef Na

PCACoef KPCA

Kons NaPCA

Kons KPCA

-0,134803 0,177132 -3,364 -2,1424-0,134337 0,177284 -6,5929 -4,4465-0,133099 0,171259 -10,0174 -6,6266-0,132756 0,160359 -13,2302 -8,8975-0,126996 0,149459 -16,4556 -11,0895-0,11779 0,140204 -16,4479 -7,1324-0,113043 0,12681 -19,9153 -9,4389-0,110347 0,113312 -6,3742 3,6763-0,108052 0,103221 -12,8834 -0,7872-0,096874 0,091849 -16,3288 -3,0966-0,082114 0,083293 -9,5292 5,5423-0,07556 0,077073 -13,0068 3,4444-0,072247 0,072555 -16,3325 1,1908-0,068737 0,068822 -19,7096 -0,9284-0,064895 0,065639 -22,9851 -3,1068-0,061846 0,062118 -26,5927 -5,2122-0,060369 0,059245 -16,6309 6,0007-0,059179 0,057139 -20,3156 4,0476-0,057243 0,05501 -23,7278 2,0037-0,055788 0,052991 -30,6712 -2,5916-0,054717 0,051309 -16,881 10,5325-0,053215 0,049416 -30,7615 1,9361-0,051697 0,047468 -34,2791 -0,3454-0,050805 0,045941-0,050158 0,044743-0,049208 0,043515-0,048385 0,042096-0,04783 0,040876-0,047328 0,039937-0,046566 0,039031-0,046081 0,038216-0,045734 0,037454-0,045274 0,036612-0,044841 0,03575-0,044523 0,035142-0,044238 0,034657-0,04384 0,034002

31

-0,043482 0,033388-0,043229 0,032906-0,042977 0,03236-0,042633 0,031836-0,042474 0,031417-0,042407 0,031008-0,04219 0,030625-0,041968 0,030229-0,041871 0,029876-0,041766 0,02958-0,041569 0,029255-0,041399 0,028947-0,041226 0,028671-0,041104 0,028417-0,041028 0,02822-0,040966 0,028039-0,040913 0,027811-0,040863 0,027636-0,040811 0,027519-0,040835 0,027442-0,040924 0,027354-0,040943 0,027262-0,04096 0,027208-0,041014 0,02719-0,041147 0,027212-0,041207 0,027288-0,041303 0,027416-0,041438 0,027523-0,041543 0,027646-0,041754 0,027875-0,042041 0,02813-0,042317 0,028353-0,042564 0,028612-0,042817 0,028901-0,043117 0,029229-0,043406 0,029567-0,043659 0,029913-0,043973 0,030278-0,044326 0,030648-0,04471 0,031135-0,045135 0,031574-0,045505 0,031964-0,045874 0,032376-0,046288 0,032825

32

-0,046696 0,033313-0,047075 0,033783-0,047415 0,03418-0,047814 0,034581-0,04823 0,035021-0,048688 0,035482-0,049105 0,035973-0,049415 0,036371-0,049741 0,036762-0,050033 0,037104-0,050489 0,037511-0,050969 0,037935-0,051364 0,038306-0,051692 0,038673-0,051987 0,038957-0,052422 0,039283-0,052747 0,039664-0,053041 0,039939-0,053331 0,040206-0,053726 0,040527-0,054246 0,040756-0,054508 0,040945-0,054686 0,041122-0,054948 0,041306-0,055322 0,041548-0,055757 0,041768-0,056026 0,041861-0,056238 0,041893-0,056388 0,041993-0,056623 0,042083-0,056842 0,042066-0,057047 0,042055-0,057378 0,042039-0,057619 0,041951-0,057739 0,041863

-0,058 0,041785-0,058254 0,041723-0,058258 0,041518-0,058246 0,04129-0,058401 0,041132-0,058668 0,040866-0,058886 0,040617-0,05896 0,040337-0,058979 0,040002

33

-0,059056 0,039637-0,059057 0,039229-0,058995 0,038825-0,059006 0,03841-0,059045 0,037984-0,059027 0,037449-0,059017 0,036924-0,059037 0,036426-0,059006 0,035906-0,058942 0,035307-0,058823 0,034629-0,058706 0,033907-0,058676 0,033209-0,058489 0,032527-0,058287 0,03183-0,058298 0,031126-0,058311 0,030337-0,058235 0,029522-0,058109 0,028761-0,057992 0,02797-0,057899 0,027169-0,0577 0,026299

-0,057474 0,025384-0,057285 0,024497-0,057085 0,023551-0,056816 0,022565-0,056657 0,021499-0,056487 0,020457-0,056261 0,019484-0,056114 0,018513-0,055871 0,017464-0,055679 0,016297-0,055445 0,015178-0,055111 0,014139-0,05493 0,013131-0,054779 0,012093-0,054523 0,010926-0,054236 0,009658-0,054003 0,008475-0,053739 0,007413-0,0535 0,006363

-0,053349 0,005209-0,053123 0,003887-0,052851 0,002655

34

-0,052627 0,001587-0,052433 0,000521-0,052286 -0,000573-0,052132 -0,00172-0,051869 -0,002993-0,05159 -0,004242-0,051399 -0,005349-0,051211 -0,006428

-0,051 -0,007597-0,050773 -0,008915-0,050539 -0,010119-0,050361 -0,011269-0,050176 -0,012467-0,049985 -0,01358-0,049805 -0,014789-0,049595 -0,016072-0,049437 -0,017217-0,049308 -0,01832-0,049145 -0,019466-0,048952 -0,020546-0,048742 -0,021675-0,048582 -0,022942-0,048394 -0,024187-0,048226 -0,025328-0,048078 -0,02645-0,047882 -0,027596-0,047735 -0,028833-0,04762 -0,030077-0,047465 -0,031207-0,047301 -0,032265-0,047172 -0,033311-0,047103 -0,034375-0,047016 -0,035538-0,046948 -0,036643-0,046885 -0,037593-0,046816 -0,038495-0,04681 -0,039445-0,046781 -0,040482-0,04673 -0,041417-0,046711 -0,042281-0,04673 -0,043094-0,046754 -0,043882-0,046802 -0,044781-0,046877 -0,045754

35

-0,046944 -0,046597-0,04696 -0,047341-0,047006 -0,048132-0,047137 -0,048939-0,047213 -0,049764-0,047275 -0,050557-0,047385 -0,051257-0,047495 -0,051957-0,04761 -0,052646-0,047704 -0,053337-0,04785 -0,054014-0,047974 -0,054691-0,048031 -0,055339-0,04815 -0,055859-0,048363 -0,056457-0,048509 -0,057136-0,048593 -0,057717-0,048726 -0,058299-0,048864 -0,058853-0,048945 -0,059368-0,049057 -0,059865-0,049259 -0,060379-0,049391 -0,060952-0,049485 -0,061456-0,049623 -0,061893-0,049735 -0,062335-0,049827 -0,062809-0,049962 -0,063243-0,050101 -0,063692-0,050233 -0,064235-0,050357 -0,064698-0,050422 -0,065047-0,050534 -0,065447-0,050679 -0,065885-0,050777 -0,066228-0,050932 -0,066514-0,05103 -0,066869-0,051071 -0,067285-0,051125 -0,067707-0,051255 -0,067954-0,051347 -0,06814-0,05137 -0,068422-0,051399 -0,068666-0,051478 -0,068957

36

-0,051556 -0,069252-0,051589 -0,069422-0,05168 -0,069706-0,051664 -0,069947-0,051658 -0,070081-0,051703 -0,070242-0,05173 -0,070453-0,051807 -0,070623-0,051855 -0,07071-0,051792 -0,070813-0,051736 -0,070896-0,051732 -0,070956-0,051742 -0,071034-0,051752 -0,071147-0,051662 -0,071175-0,051657 -0,071227-0,051699 -0,071317-0,051616 -0,071393-0,051545 -0,071435-0,051479 -0,071336-0,051432 -0,071321-0,051266 -0,071311-0,051132 -0,071242-0,051118 -0,071141-0,050984 -0,071006-0,050831 -0,070846-0,050717 -0,070688-0,050568 -0,07058-0,050397 -0,070485-0,050253 -0,070385-0,050115 -0,07024-0,049951 -0,070047-0,049756 -0,069818-0,04958 -0,069614-0,049366 -0,069367-0,049121 -0,0691-0,048982 -0,068827-0,048837 -0,068547-0,048575 -0,068308-0,048379 -0,06805-0,048211 -0,067745-0,047955 -0,067474-0,047723 -0,067161-0,047465 -0,066694

37

-0,047158 -0,066258-0,0469 -0,065947

-0,046694 -0,065672-0,04645 -0,065288-0,046149 -0,064777-0,045892 -0,064355-0,045604 -0,0639-0,045271 -0,063458-0,044939 -0,06306-0,044642 -0,062614-0,044416 -0,062186-0,044117 -0,061646-0,043711 -0,061067-0,043355 -0,060476-0,043067 -0,059925-0,042745 -0,059476-0,042336 -0,058976-0,041882 -0,058346-0,041484 -0,057696-0,041113 -0,057143-0,040758 -0,056624-0,040374 -0,056013-0,039919 -0,055376-0,039509 -0,054774-0,039147 -0,054185-0,038763 -0,053565-0,038358 -0,052935-0,037952 -0,052284-0,037497 -0,051623-0,037065 -0,051005-0,036733 -0,050422-0,036362 -0,049768-0,035893 -0,04903-0,035444 -0,048322-0,035065 -0,047667-0,034682 -0,047031-0,03427 -0,046354-0,033811 -0,045572-0,033354 -0,044833-0,032942 -0,044197-0,032529 -0,043528-0,032088 -0,04279-0,03159 -0,042021-0,031111 -0,041289

38

-0,030695 -0,040608-0,030289 -0,039964-0,029851 -0,0393-0,029351 -0,038563-0,028862 -0,037822-0,028412 -0,037153-0,027957 -0,036516-0,027488 -0,035877-0,026988 -0,035194-0,026517 -0,034533-0,026082 -0,033946-0,025633 -0,033351-0,025133 -0,032703-0,02462 -0,03199-0,024134 -0,031317-0,023654 -0,030706-0,023202 -0,030137-0,022744 -0,029541-0,022243 -0,028845-0,021775 -0,028204-0,021362 -0,027654-0,020945 -0,0271-0,020521 -0,026483-0,02007 -0,025825-0,019638 -0,025197-0,019241 -0,024609-0,018848 -0,02404-0,018451 -0,023458-0,018036 -0,02282-0,017635 -0,022197-0,017272 -0,02164-0,016911 -0,021071-0,016533 -0,020475-0,016137 -0,019852-0,015751 -0,019246-0,015401 -0,018706-0,015059 -0,018187-0,014679 -0,017623-0,014282 -0,017039-0,013923 -0,016522-0,013582 -0,016053-0,013238 -0,015583-0,012898 -0,015106-0,01252 -0,014594

39

-0,012146 -0,014134-0,011817 -0,01374-0,011466 -0,013336-0,011079 -0,012915-0,010734 -0,012534-0,01041 -0,012183-0,010072 -0,011833-0,009728 -0,011486-0,009362 -0,01113-0,00902 -0,010805-0,008714 -0,010505-0,008396 -0,010198-0,008045 -0,009874-0,007721 -0,009576-0,007448 -0,009333-0,007179 -0,009077-0,006895 -0,00879-0,006599 -0,008495-0,006315 -0,008228-0,006073 -0,007986-0,005854 -0,007753-0,005616 -0,007515-0,005364 -0,007268-0,005143 -0,007029-0,004942 -0,0068-0,004733 -0,006576-0,004517 -0,006332-0,004326 -0,006112-0,004152 -0,005909-0,003985 -0,005705-0,003811 -0,005496-0,003628 -0,005271-0,00347 -0,005073-0,003329 -0,004893-0,003185 -0,004711-0,003038 -0,004507-0,002892 -0,00432-0,002768 -0,00416-0,002653 -0,004004-0,002534 -0,003848-0,002417 -0,003678-0,002303 -0,00352-0,002206 -0,003378-0,002104 -0,003228

40

-0,001997 -0,003088-0,001916 -0,002962-0,001839 -0,002853-0,001763 -0,002745-0,001685 -0,002631-0,0016 -0,002504

-0,001531 -0,002392-0,001471 -0,002302-0,001407 -0,002218-0,001335 -0,002121-0,00127 -0,002021-0,001215 -0,001935-0,00116 -0,001852-0,0011 -0,001771

-0,001048 -0,001683-0,000997 -0,0016-0,000955 -0,001535-0,000913 -0,001475-0,00086 -0,0014-0,000817 -0,001335-0,000782 -0,001273-0,000759 -0,001218-0,000718 -0,001168-0,000672 -0,001112-0,00064 -0,001062-0,000614 -0,001023-0,000591 -0,000984-0,000564 -0,000939-0,000531 -0,00089-0,00051 -0,000848-0,000489 -0,000812-0,000468 -0,000782-0,000446 -0,000746-0,000416 -0,000703-0,000394 -0,00067-0,000382 -0,000646-0,000362 -0,000626-0,000343 -0,000595-0,00033 -0,000567-0,000319 -0,000546-0,000309 -0,000521-0,000291 -0,000495-0,000268 -0,000462-0,000259 -0,000442

41

-0,000246 -0,000434-0,000228 -0,000424-0,000224 -0,000399-0,000218 -0,000377-0,000204 -0,000352-0,000197 -0,00034-0,000195 -0,000332-0,000187 -0,000316-0,000178 -0,000298-0,00017 -0,000285-0,000158 -0,000282-0,000141 -0,000271-0,000135 -0,000257-0,000131 -0,000243-0,000123 -0,000236-0,000116 -0,000232-0,000113 -0,000228-0,000107 -0,000212-0,000104 -0,000185-0,000094 -0,000178-0,000087 -0,000176-0,000084 -0,000165-0,000078 -0,000162-0,000076 -0,000145

Tabel 4 Penentuan Konsentrasi dan Koefisien Na & K dengan metode PCR.Coef Na

PCRKons Na

PCRCoef K

PCRKons K

PCR2,00736 1,9699 -0,109051 3,8363-1,45681 1,3631 -0,577725 7,85482,30493 1,3269 -0,934418 11,8703

0,773 15,84830,4196 19,769,529 16,0589,2641 20,216419,767 0,138318,9616 8,069518,6579 12,21828,6642 0,217428,8948 4,186828,5453 8,21428,5806 12,145228,3314 16,073

42

28,7342 20,124640,0665 3,891940,9329 7,845641,1927 11,726840,716 20,032150,8763 -0,198251,2835 15,853551,1494 20,0175

Penentuan Simultan Natrium Benzoat Dan Kalium Sorbat Dengan Metode Kalibrasi Multivariat (2)

Documents

Transcript of Penentuan Simultan Natrium Benzoat Dan Kalium Sorbat Dengan Metode Kalibrasi Multivariat (2)