Belajar Kemoinformatika
Kemometrik, atau kemoinformatika, dikembangkan oleh Svante Wold, Bruce L. Kowalski, dan D.L. Massart pada awal tahun 1970-an. Istilah 'chemometrics' pertama kali dimunculkan oleh S. Wold, yang mengajukan pendanaan dari pemerintah Swedia untuk pengembangan disiplin ilmu baru. Sejak itu banyak definisi kemometri telah diajukan. Di sini definisi yang dipakai adalah sebagaimana diberikan dalam Chemometrics and Intelligent Laboratory Systems — jurnal terkemuka di bidang kemometrik.
Kemometrik adalah disiplin kimia yang menggunakan metode matematika, statistik, dan metode lain yang menggunakan logika formal untuk merancang atau memilih prosedur eksperimen pengukuran yang optimal, dan untuk memberikan informasi kimia yang relevan secara optimal dengan menganalisis data kimia (Chemoinformatics—multivariate mathematical–statistical methods for data evaluation KÁROLY HÉBERGER, in Medical Applications of Mass Spectrometry, 2008).
Kemometrik vs. Kemoinformatika
Kemometrik adalah pendekatan kimia analitik yang didasarkan pada observasi data hasil analisis kimia. Pengukuran yang berkaitan dengan komposisi kimia suatu zat dilakukan dan nilai parameter yang diinginkan selanjutnya disimpulkan melalui pendekatan hubungan matematis. Definisi ini memberi pesan bahwa kemometrik adalah suatu proses. Pengukuran dilakukan, data dikumpulkan, dan informasi yang diperoleh dinilai secara berkala untuk memperoleh pengetahuan aktual dari data.
Kemoinformatika, yang merupakan subbidang dari kemometrik, meliputi analisis, visualisasi, dan penggunaan informasi kimia sebagai variabel pengganti untuk data atau informasi lain. Kemoinformatika memanfaatkan teknik dari banyak disiplin ilmu seperti pemodelan, informasi kimia, dan kimia komputasi. Kemoinformatika mengembangkan teknik eksperimen seperti kimia kombinatorial dan penyaringan throughput tinggi, yang membutuhkan keahlian kimia untuk menganalisis data. Akses ke algoritma yang sesuai sangat penting jika teknik eksperimen seperti itu ingin dimanfaatkan secara efektif untuk penelitian. (https://pubs.acs.org/doi/pdf/10.1021/bk-2005-0894.pr001?src=recsys)
Komponen Kemoinformatika:
- Data Kimia
- Konsep Matematika/Statistika
- Teknologi Informasi
Keyword 1: Machine Learning
Definisi Machine Learning diilustrasikan dalam Diagram Venn Data Science oleh Drew Conway, pertama kali diterbitkan di blognya pada bulan September 2010:
Ilustrasi di atas menggambarkan kombinasi: domain expertise, mathematics/statistics expertise dan computer science expertise akan menghasilkan keahlian yang disebut Data Science. Dalam kasus domain expertise-nya adalah kimia istilah kemometrik atau kemoinformatik bisa disebut.
Pendekatan data saintis dengan pendekatan klasik digambarkan sebagai berikut:
Jenis aplikasi machine learning¶
Tiga topik utama tersebut akan menjadi komponen pembelajaran di materi Kemoinformatika ini. Topik-topik yang akan dibahas pada materi kemoinformatika ini didahului dengan pengenalan 01. Jenis-jenis Data.
02. Preparasi Data atau yang sering disebut data preprocessing merupakan langkah yang diperlukan untuk memilah, menyeleksi, membersihkan data dari noise bahkan mungkin mengkonversi data sehingga data yang akan diolah benar-benar mewakili parameter yang hendak diketahui. Mengektraksi informasi dari data yang diperoleh merupakan tujuan dari analisis data. 03. Visualisasi Data dapat memberikan gambaran lebih mudah untuk memahami informasi dalam data.
Aplikasi teknologi informasi untuk pengolahan data dimana pengolahan data secara matematik dan statistik dilakukan oleh komputer biasanya disebut sebagai mesin pembelajaran atau machine learning. Sebagaimana Diagram di atas, pengolahan data berdasar metode machine learning dikelompokan dalam tiga (3) kelompok utama. 04. Metode Klasterisasi merupakan metode unsupervised learning dengan cara memilah data ke dalam klaster-klaster sesuai karakterisitiknya. Pada metode klasterisasi ini akan dipelajari topik 04.1. Klasterisasi KMeans dan 04.2. Principal Component Analysis (PCA) sebagai contoh. Topik 01 sampai dengan 04.2 akan dialokasikan dalam 7 kali pertemuan dengan pertemuan ke 8 digunakan sebagai Evaluasi Ketercapaian tujuan permbelajaran.
Topik selanjutnya adalah 05. Klasifikasi Data. Klasifikasi data adalah pengelompokan variabel independent berdasar variabel dependent yang sudah diketahui. Dengan demikian, kebenaran atau keakuratan klasifikasi data dapat diketahui. Oleh karena itu, Metode klasifikasi data disebut sebagai supervised learning. Aplikasi metode klasifikasi yang akan digunakan sebagai contoh pada pembelajaran ini adalah 05.1. Klasifikasi Decision Tree, 05.2. Klasifikasi Random Forest, dan 05.3. Klasifikasi SVM,
Topik terakhir yang dipelajari pada pembelajaran ini adalah metode supervised learning didasarkan pada pendekatan 06. Analisis Regresi. Topik analisis regresi mempelajari korelasi antara variabel independent dengan variabel dependent. Metode Ordinary Least Square untuk data univariat 06.1 Regresi Linier dan multivariat 06.2 Regresi Multilinier akan dipelajari. Metode 06.3. Regresi Polinomial orde 1 dan 2 dipelajari termasuk metode visualisasinya.
New knowledge, new paradigm.
Belajar Analisis Kimia.
Semua material di sekitar kita adalah zat kimia. Mempelajari kimia, berarti mempelajari semesta, walau yang kita diketahui lebih sedikit dari setetes air di lautan.
Read MoreVideo Tutorials
Video Materi Pembelajaran.
Video berisi topik-topik yang dipelajari di blog ini.
Learn More"Knowledge is like a garden. if it is not cultivated, it cannot be harvested."
Tips
Belajar teori umum kimia.
Teori mengenai struktur atom, ikatan kimia, larutan kimia, reaksi kimia dll diperlukan sebagai dasar untuk analisis kimia.
Read MoreInstrumen Kimia
Cara kerja instrumen kimia.
Belajar instrumen untuk analisis spektrometri, kromatografi, elektrometri dan analisis termal
Learn More