Bismillah Kimed Hksa

LAPORAN PRAKTIKUM KIMIA MEDISINAL
ANALISIS HKSA MODEL LFER HANSCH
Dosen Pembimbing : Indah Purnama Sary
Kelas B2/ Kelompok B2-4
Nama : 1. Alviyana Damayant (182210101149)
2. Salma Luthfiana N (182210101150)
3. Aprilia Pratiwi (182210101151)
4. Intan Shania (182210101153)
5. Swara Adla Zuhra (181022101154)
6. Syechfiano saffa m. (182210101146)
7. Wahyu Eka Febriyanti (182210101109)
LABORATORIUM KIMIA MEDISINAL

FAKULTAS FARMASI UNIVERSITAS JEMBER
UNIVERSITAS JEMBER
2020
z
TABEL HASIL PENGAMATAN
NO. TUGAS 1
Parameter Persamaan QSAR Persamaan SPSS
1. π vs log A Log A= 0.0370 π +0.8897 Y= 2,061X + 0.037
N = 9; r = 0.045; r2= 0,002025; S = n = 9, r = 0,790, r2 = 0,625, s =
0.6785; F = 12,25 2,017, F = 41614
π2 vs log A log A: Y= -0.1722 π2+ 0.9858 Y= -0,100 X + 0,837
n= 9, r= 0,257, r2 =0,066, S= 0,6564, n = 9, r = 0, 194, r2 = 0, 038, s =

F= 12,25 0, 617, F = 0, 273
2. σ vs log A Y = 2,0608 σ + 0,0369 Y=2,061X+0,037
N = 9; r = 0,790; r2 = 0,6241; S = n = 9, r = 0,790, r2 = 0,625, s =
0,4161; F = 12,25 0,41614, F = 11,649
3. RM vs log A Y= -0,0276 RM + 1,2949 Y= -0,027X+1,295

N = 9; r = 0,451; r2 = 0,203401 ; S = n = 9, r = 0,451, r2 = 0,203, s =
0,6063; F = 12,25 0,60632, F = 1,785
4. π,σ vs log A Y= -0,0354 π + 2,0730 + 0,0374 Y= -0.035 X1 + 2.073 X2 +

N = 9; r = 0,791; r2 = 0,625681 ; S = 0.037
0,4484; F = 10,92 n = 9, r = 0,791, r2 = 0,626, s =
0,44841, F = 5,031
π,π2,σ vs log A Y= -0,5223 π2 + 0,4672 π + 2,1102 σ Y=0,464 X1 + 2,170 X2 – 0.536

+ 0,2157 X3 + 0,211
N=9, r= 0,930; r2= 0,8649 , S= n = 9, r = 0,940, r2 = 0,883, s =

0,2953;F= 12,06 0,27441, F = 10,678
5. π,σ, RM vs log A Y=0,2393 π + 1,7638 σ – 0,0308 + Y= 0,239X1+ 1,764X2-0,031X3

0,5833 +0,583
N=9, r= 0,884; r2= 0,781456;S= n = 9, r = 0,884, r2 = 0,782 , s =
0,3754;F= 12,06 0,37535, F = 5,974
π,π2,σ,RM vs log A Y=0,5419 π – 0,4232π2 ; + 1,9118 Y= 0,542X1-
σ– 0,0190 + 0,5196 0,423X2+1,912X3-
N=9, r= 0,957; r2= 0,915849; 0,019X4+0,520
S=0,2605; F= 15,98 n = 9, r = 0,957, r2 = 0,916,
s =0,26053, F = 10,894
NO. TUGAS 2
Parameter QSAR SPSS
Analisis Regresi Linier
1. 1 Parameter
a. Log P vs aktivitas Y = 2,7320 log P – 2,4878 Y= 2,732 X – 2,488

(n=8;r =0,478atau r2= 0,228484, n = 8, r = 0,478, r2 = 0,229,
S= 1,7542 F= 13,75 s = 1,75421, F = 1,779
b. CMR vs aktivitas Y = 2,1368 CMR – 5,3460 Y= 2,137 X – 5,346

(n=8; r =0,569atau r2= 0,323761 n = 8, r = 0,569, r2 = 0,324,
S= 1,6425 F= 13,75 s = 1,64254, F = 2,873
c. pKa vs aktivitas Y = 0,0875 pKa + 1,6832 Y= 0,088 X + 1,683

(n=8; r =0,137atau r2= 0,018769, n = 8, r = 0,137, r2 = 0,019,
S= 1,9786 F= 13,75 s = 1,97864, F = 0,115
2. 2 Parameter
a. Log P dan pKa vs Y = 4,0176 Log P – 0,2144 pKa – Y = -0,214 X1 + 4,018 X2

aktivitas 3,1562 – 3,156
(n=8; r =0,539atau r2= n = 8, r = 0,539, r2 =
0,290521; 0,290,
b. CMR dan pKa vs Y = 2,5647 CMR + 0,2275 Y= 0,227 X1 + 2,565

aktivitas pKa - X2 -
8,5 8,5
847 85
(n=8; r =0,661atau r2= n = 8, r = 0,661, r2 =
0,436921; S= 1,6413; F= 0,437, s = 1,6413, F =
13,27) 1,943
Analisis Regresi
Non Linier
1. a. Log P2 dan Log P Y = -2,9673 log P2 + 13,1236 Y= -2,991X1 2
vs log P – 11,3127 + 13,210X2
(n=8; r =0,500atau r2= 0,25; -11,389
aktivitas S= 1,8946; F= 13,27) n = 8, r = 0, 501, r2 =

0,251, s = 1,8940226,
F = 0,837
2. b. Log P2, Log P dan Y = -3,8502 log P2 + 17,6586 E. thyposa= -1,062

pKa vs aktivitas log logP2 +
P – 0,2406 pKa – 14,6910 7,507 logP - 0,241
(n=8; r =0,571atau r2= pKa - 5,643
0,326041; S= 2,0086; F= n = 8, r = 0,571, r2 =
16,69) 0,326, s = 2,0077457, F
= 0,625
5. PEMBAHASAN
5.1 Hubungan Hasil Persamaan HKSA dengan Efek Obat
Dari persamaan-persamaan yang ada pada tugas satu diperoleh dan persamaan QSAR dan
SPSS. Didapatkan persamaan yang memiliki nilai paling bagus yaitu nilai R dan R 2 yang tinggi
(mendekati 1 ) dengan nilai 5 yang rendah ( mendekati 0 ). Persamaan yang memenuhi
persyaratan-persyaratan tersebut adalah persamaan dari 2 parameter atau lebih yaitu π.π 2 . RM vs
Log dengan nilai persamaan QSAR Y=0,5419π – 0,4232π2 +1,9118σ -0.0190 + 0,5196 dengan
nilai S = 0,2605, R=0,957 dan R2 0,916
Dengan hasil validasi yang terbaik maka akan diperoleh harga aktivitas obat pada setiap
senyawa. Apabila ditinjau dari seluruh percobaan,maka nilai r dari persamaan tersebut yang
paling baik. Dengan nilai mendekati 1 yaitu 0,457 sehingga memenuhi syarat. Dalam
persamaan-persamaan diatas merupakan salah satu dari parameter-parameter elektronik. Dimana
diketahui bawa sifat-sifat elektronik dari senyawa sangat mempengaruhi keseluruhan sifat fisika
kimia dari senyawa tersebut. Sifat-sifat elektronik juga berperan dalam penunjang orientasi
spesifik molekul pada permukaan reseptor sehingga mempengaruhi interaksi obat dengan
spesifitas yang tinggi sehingga dapat berinteraksi dengan reseptor biologisnya
5.2 Berikut Hasil Uji Model Persamaan HKSA Dengan Menunjukkan Satu Model
Persamaan HKSA
Dipilih model persamaan dari tugas 2 dari sekian persamaan, berikut dipilih persamaan
yang nilai r dan r2 mendekati nilai SE (Standar Error), bentuk persamaanya sebagai berikut
Regresi linear : dua parameter (RM dan pKA vs aktivitas E. thyposa
 Persamaan QSAR :
Log A : 0,1901 pKa+ 2,1713 RM-7,0164
n: 8 r: 0,718
s: 1,5233 r2 : 0,515
f: 2,66
 Persamaan SPSS
Log A : 0,19 pKa+ 2,171 RM- 7,016
n: 8 r: 0,718
s: - r2 : 0,515
f: 2
Dengan persamaan QSAR (Dosbox-win) serta spss 22 dilakukan analisis regresi
multilinier dimana dengan memasukkan beberapa parameter- parameter. Pemilihan model
persamaan terbaik dari hasil analisis regresi dilaukan dengan mempertimbangkan beberapa
parameter statistik f, r, r2, dan SE.
Apabila ditinjau dari seluruh persamaan , maka nilai r dari persamaan tersebutlah yang
paling baik dengan nilai mendekati satu yaitu 0,718. Begitu pula dengan parameter f yang lebih
besar. Yaitu 2 (SPSS) dan 2,66 (QSAR) menunjukkan kemaknaan hubunganya, makin besar
derajad kemaknaan hubungan di hubungkan atau ditunjukkan dengan makin besar nilain f yang
diperoleh, maka makin baik hubunganya antara aktivitas biologis pengamatan percobaan
dengan data hasil perhitungan berdasarkan persamaan yang diperoleh dari persamaan atau
anlisis regresi. Validasi model persamaan terbaik akan diperoleh untuk memprediksi harga
aktifitas suatu senyawa.
Deskriptor yang terlibat dalam persamaan di atas adalah salah satu dari parameter-
parameter elektronik. Dimana diketahui bahwa sifat-sifat elektronik dari suatu senyawa sangat
memengaruhi keseluruhan sifat fisika kimia dari senyawa tersebut. Sifat elektronik juga
berperan dalam menunjang orientasi spesifik molekul pada permukaan reseptor sehingga
mempengaruhi interaksi dengan obat.
5.3 peran parameter (hidrofob, elektronik dan sterik) terhadap aktivitas sesuai persamaan
yang baik
a. Pada persamaan kloramfenikol terhadap Staphylococcuc aureus
Hasil analisa data turunan kloramfenikol menggunakan HKSA model LFER menunjukkan
adanya hubungan antara struktur kimia terhadap aktivitas biologis yang digambarkan dengan
perubahan fisika kimia melalui parameter hidrofobik, elektronik dan sterik (RM). Dimana
ketiganya memiliki hubungan parabolic bermakna terhadap aktivitas antibakteri Staphylococcuc
aureus dari gugus R turunan kloramfenikol dengan pengaruh sifat elektronik > sterik > lipofilik.
Hal ini dibuktikan dengan nilai r parameter yang paling besar yaitu 0,79. Berikut hasil analisa
data yang ada :
 Persamaan lipofilik
o Linier : Log A = 0.0370 π + 0.8897 (N = 9; r = 0.045; r2= 0,002025; S = 0.6785;

F = 12,25)
o Non linier : Log A = -0.1722 π2 + 0.9858 (N= 9; r = 0,257; r2 = 0,066049; S =
0,6564; F = 12,25)
 Persamaan elektronik
Log A = 2,0608 σ + 0,0369 (N = 9; r = 0,790; r2 = 0,6241; S = 0,4161; F = 12,25)
 Persamaan sterik
Log A = -0,0276 RM + 1,2949 (N = 9; r = 0,451; r2 = 0,203401 ; S = 0,6063; F =

12,25)
Dimana nilai R menunjukkan tingkat hubungan antara data aktivitas biologis pengamatan
dengan hasil perhitungan berdarsarkan persamaan regresi, semakin besar nilai r yang
ditunjukkan maka akan semakin bagus aktivitasnya. Hal ini dapat dilihatdari nilai koefisien
elektronik yaitu +2,0608, dimana nilai positif (+) menunjukkan bahwa parameter elektronik
dapat meningkatkan aktivitas sebagai penarik elektron kuat dibandingkan nilai RM yang bernilai
negatif (-) cenderung lemah.
Selain terdapat persamaan parameter elektronik yang sangat berpengaruh terhadap
aktivitas Staphylococcuc aureus, terdapat juga persamaan regresi linier lebih dari senyawa
turunan kloramfenikol yaitu pada hubungan vs Log A :
Log A= 1,9118σ + 0.5419π – 0.4232π2 - 0.0190 + 0.5196 (n= 9, r= 0,95, s= 0.2605, F=

15,98)
Persamaan linier terbaik diatas dipilih karena tedapat pengaruh dari ketiga nilai koefisien
parameternya, selain itu juga didasarkan pada niair yang paling besar yaitu 0,95 dibandingkan
persamaan hubungan yang lainnya (semakin mendekati 1, maka aktivitas hubungan yang
ditunjukkan akan semakin baik). Serta ditunjukkan oleh nilai s yang paling kecil di antara
persamaan lainnya, yaitu sebesar 0,2605 menunjukkan variasi kesalahan dalam percobaan (nilai
s semakin kecil, maka akan semakin bagus pesamaan aktivitas biologisnya) dan terakhir
berdasarkan nilai F yang paling besar diantara persamaan hubungan lainya yaitu 15,98. Dimana
nilai F menunjukkan kemaknaan hubungan dan keabsahan atau kebenaran (nilai F semakin besa,
maka nilai kebetulan semata yang dihasilkan semakin kecil atau rendah).
b. Pada persamaan fenol terhadap E. Thyposa
Pada turunan fenol, berdasarkan hasil analisis HKSA model LFER Hansch menunjukkan
bahwa parameter sterik (RM) merupakan parameter yang paling berpengaruh dalam aktivitas
antibakteri E. Thypos,berbeda dengan turnan kloramfenikol. Hal tersebut ditunjukkan dari nilai
koefisien parameter sterik dalam persamaan berikut :
Log A = 2,1368 CMR – 5,3460 (n=8; r =0,569atau r2= 0,323761 S= 1,6425 F= 13,75)
Dimana diketahui bahwa nilai koefisien korelasi (r) lebih besar dari persamaan yang lain
dan nilai (s) lebih rendah dari yang lainnya. Seperti halnya pada turunan kloramfenikol, turunan
fenol dengan metode LFER Hansch juga diperoleh adanya persamaan regresi linier terbaik
dipengaruhi dengan parameter sterik (RM) dan parameter lipofil (pKa). Hal ini karena nilai
koefisien korelasi (r) dari persamaan lipofi (log P) tidak jauh beda dengan parameter sterik.
Berikut adalah persamaan dari RM dan pKa vs aktivitas E. Thyposa:
Log A = 2,5647 CMR + 0,2275 pKa - 8,5847 (n=8; r =0,661atau r2= 0,436921; S=
1,6413; F= 13,27)
Persamaan diatas dipilih sebagai yang terbaik karena terdapat pengaruh dari parameter
lipofil yang mempunyai koefisien korelasi yang baik. Selain itu pada persamaan tersebut juga
memiliki nilai r yang lebih besar dari yang lainnya yaitu 0,66. Serta niai s yang paling kecil
diantaranya yaitu 1,6413 yang menunjukkan simpangan kesalahan yang kecil. Selain itu dilihat
dari nilai F yang paling besar diantara persamaan hubungan lainnya yaitu 13,27 yang
menunjukan nilai kebenaran suatu data analisis.
5.4 Koefisien Fenol
Fenol merupakan zat pembaku daya antiseptic obat lain sehingga daya antiseptic
dinyatakan dengan koefisien fenol. Koefisien fenol merupakan sebuah nilai aktivitas germisidal
suatu antiseptic dibandingkan dengan efektivitas germisidal fenol. Aktivitas germisidal adalah
kemampuan suatu senyawa antiseptic untuk membunuh mikroorganisme dalam jangka waktu
tertentu. Fenol merupakan germisidal kuat yang telah digunakan dalam jangka waktu panjang.
Efektivitas senyawa antiseptic sangat dipengaruhi oleh konsentrasi dan lama paparannya.
Semakin tinggi konsentrasi dan semakin lama paparan akan meningkatkan efektivitas senyawa
antiseptic. Koefisien fenol yang kurang dari 1 menunjukkan bahwa antimicrobial tersebut
kurang efektif disbanding dengan fenol. Dan sebaliknya, jika koefisien fenol lebih dari 1 maka
bahan microbial tersebut lebih efektif jika dibandingkan dengan fenol.
Koefisien fenol merupakan perbandingan ukuran kemampuan suatu bahan antimicrobial
disbanding dengan fenol. Fenol dijadikan pembanding karena sering digunakan untuk
membunuh mikroorganisme. Koefisien fenol ditentukan dengan cara membagi pengenceran
tertinggi dari fenol yang membunuh mikroorganisme dalam sepuluh menit namun tidak
mematikannya dalam lima menit terhadap pengenceran tertinggi bahan antimicrobial yang
membunuh mikroorganisme dalam sepuluh menit namun tidak dalam lima menit.
Walaupun koefisien fenol ini digunakan untuk menguji desinfektan koefisien fenol juga
digunakan untuk menguji efisien kemampuan desinfektan tersebut dalam membunuh jamur,
untuk menentukan nilai germisidal atau kemampuannya untuk membunuh jamur pada suatu
senyawa murni serta untuk menghitung nilai antiseptic. Walaupun uji koefisien fenol ini
digunakan untuk menguji kemampuan senyawa yang mirip fenol, dalam tahun-tahun terakhir
hhal tersebut telah berkembang secara bertahap.
5.5 Perbedaan QSAR dan SPSS
Pada praktikum kali ini menggunakan 2 aplikasi statistika untuk menentukan hubungan
kuantitatif antara struktur kimia dan aktivitas biologis dari suatu obat melalui parameter kimia
fisika senyawa tersebut. Aplikasi yang digunakan adalah QSAR(Quantitative Structure-Activity
Relationship) dan IBM SPSS(Statistical Package for the Social Sciences).
5.5.1 QSAR
Pemodelan QSAR menghubungkan variabel prediktor atau X dengan potensi variabel
respon atau Y. Prediktor terdiri dari sifat kimia fisika sedangkan variabel respon adalah aktivitas
biologis. QSAR dapat digunakan untuk memprediksi aktivitas bahan kimia baru dengan cara
mengkorelasikan variabel prediktor dengan variabel respon tersebut. Pada praktikum ini
menggunakan salah satu kajian QSAR yaitu analisis Hansch yang memiliki konsep bahwa
hubungan struktur kimia dengan aktivitas biologis suatu senyawa dapat dinyatakan secara
kuantitatif melalui parameter-parameter sifat kimia fisik dari subtituen yaitu hidrofobik,
elektronik, dan sterik.
Dalam analisis QSAR, model persamaan yang diperoleh harus dilakukan uji validasi.
Kendala yang sering terjadi adalah apabila jumlah data yang dimiliki relatif terbatas. Namun
apabila jumlah data yang tersedia mencukupi maka dapat dilakukan pemisahan data menjadi
data fitting (data untuk evaluasi persamaan QSAR) dan data uji (data untuk pengujian
persamaan QSAR yang diperoleh). Dari pemisahan ini dapat dievaluasi model hubungan yang
dapat menunjukkan prediktor yang berpengaruh pada aktivitas biologis.
Terdapat beberapa kajian QSAR, salah satunya ialah analisis Hansch yang digunakan
dalam praktikum kali ini, dimana aktivitas suatu senyawa dikaji sebagai fungsi linier dari
beberapa parameter struktur elektronik dan parameter lain dari hasil perhitungan kimia
komputasi (Tahir, 2005).
Model Hansch mengasumsikan aktivitas biologis sebagai fungsi parameter:
 Hidrofobisitas (π)
 Elektronik (σ)
 Sterik (Es)
Menurut Narasimbhan, 2014, terdapat banyak kelebihan dari metode analisis Hansch,
yaitu dimungkinkannya menghitung sifat molekul yang kompleks dan hasil perhitungannya
berkorelasi secara signifikan dengan eksperimen, selain itu dapat menghemat efisiensi waktu
tanpa melakukan percobaan sintesis untuk masing-masing senyawa yang diuji,
 Dengan mengkuantifikasi hubungan antara struktur dan aktivitas, memberikan
pemahaman mengenai pengaruh kedua hal tersebut secara tidak langsung ketika sejumlah
besar data dihasilkan
 Berpotensi untuk membuat prediksi yang mengarah pada sintesis analog dengan
intrapolasi dari kumpulan data
 Hasilnya dapat digunakan untuk memahami interaksi dari gugus-gugus fungsional dalam
molekul aktivitas dari target obat
Kemudian, kelemahan dari strategi eksperimental ini ialah walaupun seluruh tahapan telah
dilakukan, seringkali produk yang dihasilkan tidak memiliki aktivitas lebih baik dari senyawa
yang ada, sehingga pekerjaan menjadi sia-sia, hal ini dapat disebabkan oleh beberapa hal yaitu:
 Data sangat bergantung pada sifat biologis yang notabennya memberikan kesalahan
eksperimental cukup besar
 Pengumpulan data tidak mencerminkan ruang lingkup yang lengkap, sehingga hasil QSAR
tidak dapat digunakan untuk prediksi senyawa dengan aktivitas terbaik yang paling
mungkin
 Terdapat beberapa parameter fisikokimia yang saling bersilangan
5.5.2 SPSS(Statistical Package for the Social Sciences)
SPSS adalah aplikasi analisis statistik untuk mempermudah proses data output sesuai dari
penelitian yang dilakukan. SPSS dapat membaca berbagai jenis data atau memasukkan data
secara langsung ke dalam SPSS Data Editor. Bagaimana pun struktur dari file data mentahnya,
maka data dalam Data Editor SPSS harus dibentuk dalam bentuk baris (cases) dan kolom
(variables). Case berisi informasi untuk satu unit analisis, sedangkan variabel adalah informasi
yang dikumpulkan dari masing-masing kasus.
Selain digunakan untuk analisis kuantitatif struktur kimia dan aktivitas biologis, SPSS
juga dapat digunakan untuk analisis data survey atau kuesioner, data mining, penelitian
kesehatan masyarakat, mendokumentasikan data, dan representasi data statistik.
Merupakan software analisis statistik secara cepat untuk mempermudah proses pengolahan
data dengan output sesuai dari penelitian yang dilakukan. SPSS memiliki beberapa kelebihan
yaitu:s
 SPSS mampu mengakses data dari berbagai jenis format, sehingga data digunakan
langsung untuk analisis data
 Tampilan data lebih informatif sehingga mempermudah pengguna dalam membaca hasil
yang diberikan
 Informasi lebih akurat, karena SPSS memberi kode alasan jika terjadi missing data
 SPSS cukup mudah digunakan, dimana pengguna tidak perlu mempelajari bahasa
programming
Meskipun begitu aplikasi ini memiliki beberapa kekurangan yaitu:
 Program tergolong rumit meskipun friendly user, setiap pengguna harus mengetahui dasar
dari ilmu statistik
 Pemilihan SPSS haruslah sesuai dengan komputer yang digunakan sebab terdapat banyak
versi SPSS yang beredar.
DAFTAR PUSTAKA
Siswandono dan soekardjo B. (Eds). Kimia medisinal I, Surabaya : Airlangga University

Press 2000
Siswandono dan soekardjo B. (Eds). Prinsip-Prinsip Rancangan obat , Surabaya : Airlangga
University Press.1998.
Doerge RF, Ed., Wi;son and Girvol’s. Textbook of Medical Organk and Pharmaceutical
Chemitry, 8th ed., philadelphia., Toronto : J.B Lippincott Company.1982.
LAMPIRAN
QSAR
Tugas 1 :
1. Menghitung korelasi antara sifat lipofilik (π) dengan aktivitas antibakteri (log A)
turunan kloramphenikol (linier dan non linier) π vs log A dan π2 vs log A
a) π vs log A
Persamaan π vs log A: Y = 0.0370 π + 0.8897
N = 9; r = 0.045; r2= 0,002025; S = 0.6785; F = 12,25
b) π2 vs log A
Persamaan π2 vs log A: Y= -0.1722 π2 + 0.9858
N= 9; r = 0,257; r2 = 0,066049; S = 0,6564; F = 12,25

2. Menghitung korelasi antara sifat elektronik (σ) dengan aktivitas antibakteri turunan
kloramfenikol σ vs log A
Persamaan σ vs log A: Y = 2,0608 σ + 0,0369
N = 9; r = 0,790; r2 = 0,6241; S = 0,4161; F = 12,25

3. Menghitung korelasi antara sifat sterik (RM = Refraksi Molar) dengan aktifitas
antibakteri turunan kloramfenikol RM vs Log A
Persamaan RM vs Log A: Y= -0,0276 RM + 1,2949
N = 9; r = 0,451; r2 = 0,203401 ; S = 0,6063; F = 12,25
4. Menghitung korelasi antara sifat lipofilik (π), sifat elektronik (σ) dengan aktivitas
antibakteri turunan kloramfenikol ( linier dan non linier) π, σ vs Log A dan π,
π2, σ vs Log A
a) π, σ vs Log A
Persamaan π, σ vs Log A: Y= -0,0354 π + 2,0730 + 0,0374
N = 9; r = 0,791; r2 = 0,625681 ; S = 0,4484; F = 10,92

b) π2, σ vs Log A
PERSAMAAN REGRESI π,π2,σ vs log A: Y= -0,5223 π2 + 0,4672 π + 2,1102 σ + 0,2157
N=9, r= 0,930; r2= 0,8649 , S= 0,2953; F= 12,06

5. Menghitung korelasi antara sifat lipofilik (π), sifat elektronik (σ) dan sifat sterik (RM)
dengan aktivitas antibakteri turunan kloramfenikol (linier dan non liner)  π,σ, RM
vs log A dan π,π2,σ,RM vs log A
a) π,σ, RM vs log A
PERSAMAAN REGRESI π, σ, RM vs log A: Y= 0,2393 π + 1,7638 σ – 0,0308 + 0,5833
N=9, r= 0,884; r2= 0,781456; S= 0,3754; F= 12,06

b) π,π2,σ,RM vs log A
PERSAMAAN REGRESI π, π2, σ, RM vs log A: Y= 0,5419 π – 0,4232 π2 ; + 1,9118 σ –

0,0190 + 0,5196
N=9, r= 0,957; r2= 0,915849; S= 0,2605; F= 15,98

TUGAS 2
Melakukan analisis HKSA model LFER Hansch turunan fenol (senyawa no 1-8) melalui
parameter sifat kimia fisika (log P, pKa, dan RM) yang nilai-nilainya didapat dari data
computer (program ChemOffice) dengan aktivitas antibakteri terhadap E. thyposa.
PERSAMAAN REGRESI: Y=0,0101 pKa+ 2,5491 Log P+ 2,0912 CMR – 9,7592
(n=8; r=0,730 atau r2= 0,5329, S= 1,6728; F= 16,69

PERSAMAAN REGRESI: Y=0,0101 pKa+ 2,5491 Log P+ 2,0912 CMR –
9,7592 (n=8;r=0,730atau r2= 0,5329, S= 1,6728; F= 16,69
Analisis Regresi Linier
 1 Parameter
a) Log P dengan aktivitas
PERSAMAAN REGRESI log P dengan aktivitas : Y = 2,7320 log P – 2,4878
(n=8; r =0,478 atau r2= 0,228484, S= 1,7542 F= 13,75)
b) CMR dengan aktivitas

PERSAMAAN REGRESI CMR dengan aktivitas : Y = 2,1368 CMR – 5,3460
(n=8; r =0,569 atau r2= 0,323761 S= 1,6425 F= 13,75

c) pKa dengan aktivitas
PERSAMAAN REGRESI pKa dengan aktivitas : Y = 0,0875 pKa + 1,6832

(n=8; r =0,137 atau r2= 0,018769, S= 1,9786 F= 13,75
 2 Parameter
a) Log P dan pKa dengan aktivitas
PERSAMAAN REGRESI Log P dan pKa dengan aktivitas: Y = 4,0176 Log P – 0,2144 pKa
– 3,1562
(n=8; r =0,539 atau r2= 0,290521; S= 1,8431 F= 13.27)
b) CMR dan pKa dengan aktivitas

PERSAMAAN REGRESI CMR dan pKa dengan aktivitas: Y = 2,5647 CMR + 0,2275 pKa
-8,5847
(n=8; r =0,661 atau r2= 0,436921; S= 1,6413; F= 13,27)
Analisis Regresi nonlinier
a) 1 Parameter : log P2 , log P dengan aktivitas

PERSAMAAN REGRESI log P2, log P dengan aktivitas: Y = -2,9673 log P2 + 13,1236 log P
– 11,3127
(n=8; r =0,500 atau r2= 0,25; S= 1,8946; F= 13,27)
b) 2 Parameter : log P2, log P, dan pKa dengan aktivitas

PERSAMAAN REGRESI log P2, log P, dan pKa dengan aktivitas: Y = -3,8502 log P2 +
17,6586 log P – 0,2406 pKa – 14,6910
(n=8; r =0,571 atau r2= 0,326041; S= 2,0086; F= 16,69)

SPSS
 Data Kloramfenikol
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Para
/SCATTERPLOT=(*ZPRED ,LogA)
/SAVE PRED.
Regression
Notes
Output Created 22-MAR-2020 15:55:23
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data

9
File
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no

missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R

ANOVA
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Para
/SAVE PRED.
Resources Processor Time 00:00:01.00
Elapsed Time 00:00:01.58
Memory Required 1420 bytes
Additional Memory Required

240 bytes
for Residual Plots
Variables Created or PRE_1

Unstandardized Predicted Value
Modified
[DataSet0]
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Parab . Enter
a. Dependent Variable: LogA
b. All requested variables entered.
Model Summaryb
Adjusted R Std. Error of the

Model R R Square Square Estimate
1 .790a .625 .571 .41614
a. Predictors: (Constant), Para
b. Dependent Variable: LogA
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2.017 1 2.017 11.649 .011b
Residual 1.212 7 .173
Total 3.229 8
b. Predictors: (Constant), Para
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .037 .287 .128 .901
Para 2.061 .604 .790 3.413 .011
PERSAMAAN REGRESI : Y= 2,061X + 0.037
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value .2430 1.5000 .8956 .50215 9
Residual -.54298 .49995 .00000 .38926 9
Std. Predicted Value -1.300 1.204 .000 1.000 9
Std. Residual -1.305 1.201 .000 .935 9

Chart
 TUGAS 1
1. Menghitung korelasi antara sifat lipofilik (π) dengan aktivitas antibakteri (log A)
turunan kloramphenikol (linier dan non linier) π vs log A dan π2 vs log A
a) π vs log A
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER Para
/SCATTERPLOT=(*ZPRED ,logA)
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER Para
/SAVE PRED.


240 bytes
for Residual Plots

Modified
[DataSet1]
Variables Variables
1 Parab . Enter
a. Dependent Variable: logA
Model Summaryb

1 .790a .625 .571 .41614
b. Dependent Variable: logA
ANOVAa
1 Regression 2.017 1 2.017 11.649 .011b
Residual 1.212 7 .173
Total 3.229 8

Coefficientsa
Standardized
1 (Constant) .037 .287 .128 .901
Para 2.061 .604 .790 3.413 .011
Persamaan π vs log A: Y= 2,061 X + 0,037
Predicted Value .2430 1.5000 .8956 .50215 9
Residual -.54298 .49995 .00000 .38926 9
Std. Residual -1.305 1.201 .000 .935 9
Charts
b) π2 vs log A
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER Ar2
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER Ar2
/SAVE PRED.

240 bytes
for Residual Plots

Modified
[DataSet2]
Variables Variables
1 Ar2b . Enter
Model Summaryb

1 .194a .038 -.100 .51238
a. Predictors: (Constant), Ar2
ANOVAa
1 Regression .072 1 .072 .273 .617b
Residual 1.838 7 .263
Total 1.909 8
b. Predictors: (Constant), Ar2
Coefficientsa
Standardized
1 (Constant) .837 .198 4.227 .004

Ar2 -.100 .191 -.194 -.523 .617

2
Persamaan π vs log A : Y= -0,100 X + 0,837
Predicted Value .5413 .8366 .7844 .09468 9
Residual -1.07443 .57284 .00000 .47928 9
Std. Predicted Value -2.568 .551 .000 1.000 9
Std. Residual -2.097 1.118 .000 .935 9
Charts
2. Menghitung korelasi antara sifat elektronik (σ) dengan aktivitas antibakteri turunan
kloramfenikol σ vs log A
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Para
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Para
/SAVE PRED.

240 bytes
for Residual Plots

Modified
Variables Variables
1 Parab . Enter
Model Summaryb

1 .790a .625 .571 .41614

ANOVAa
1 Regression 2.017 1 2.017 11.649 .011b
Residual 1.212 7 .173
Total 3.229 8
Coefficientsa
Standardized
1 (Constant) .037 .287 .128 .901
Para 2.061 .604 .790 3.413 .011
PERSAMAAN REGRESI Y=2,061X+0,037
Predicted Value .2430 1.5000 .8956 .50215 9
Residual -.54298 .49995 .00000 .38926 9
Std. Residual -1.305 1.201 .000 .935 9
Charts
3. Menghitung korelasi antara sifat sterik (RM = Refraksi Molar) dengan aktifitas
antibakteri turunan kloramfenikol RM vs Log A
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER RM
/SAVE PRED.
Regression
Notes

Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER RM
/SAVE PRED.
Resources Processor Time 00:00:00,28
Elapsed Time 00:00:00,30

240 bytes
for Residual Plots

Modified
Variables Variables
1 RMb . Enter

Model Summaryb

1 .451a .203 .089 .60632
a. Predictors: (Constant), RM
ANOVAa
1 Regression .656 1 .656 1.785 .223b
Residual 2.573 7 .368
Total 3.229 8
b. Predictors: (Constant), RM
Coefficientsa
Standardized
1 (Constant) 1.295 .361 3.589 .009
RM -.027 .020 -.451 -1.336 .223
PERSAMAN REGRESI Y= -0,027X+1,295

Predicted Value .3715 1.1342 .8956 .28637 9
Residual -1.19692 .90130 .00000 .56716 9
Std. Residual -1.974 1.487 .000 .935 9
Charts
4. Menghitung korelasi antara sifat lipofilik (π), sifat elektronik (σ) dengan aktivitas
antibakteri turunan kloramfenikol ( linier dan non linier) π, σ vs Log A dan π,
π2, σ vs Log A
a) π, σ vs Log A
NEW FILE.
DATASET NAME DataSet3 WINDOW=FRONT.
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Ar Para
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Ar Para
/SAVE PRED.

232 bytes
for Residual Plots

Modified
[DataSet3]
Variables Variables
1 Para, Arb . Enter
Model Summaryb

1 .791a .626 .502 .44841
a. Predictors: (Constant), Para, Ar
ANOVAa
1 Regression 2.023 2 1.012 5.031 .052b
Residual 1.206 6 .201
Total 3.229 8
b. Predictors: (Constant), Para, Ar
Coefficientsa
Standardized
1 (Constant) .037 .310 .121 .908
Ar -.035 .208 -.043 -.170 .871
Para 2.073 .655 .795 3.167 .019
PERSAMAN REGRESI Y= -0.035 X1 + 2.073 X2 + 0.037
Predicted Value .2727 1.5114 .8956 .50287 9
Residual -.57267 .48864 .00000 .38833 9
Std. Residual -1.277 1.090 .000 .866 9

Chart
b) π, π2, σ vs Log A
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Ar Para Ar2
/SCATTERPLOT=(*ZPRED ,LogA) (*ZPRED ,LogA)
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT LogA
/METHOD=ENTER Ar Para Ar2
(*ZPRED ,LogA)
/SAVE PRED.

480 bytes
for Residual Plots

Modified
Variables Variables
1 Ar2, Para, Arb . Enter
Model Summaryb

1 .940a .883 .813 .27441

a. Predictors: (Constant), Ar2, Para, Ar
ANOVAa
1 Regression 2.853 3 .951 12.629 .009b
Residual .377 5 .075
Total 3.229 8
b. Predictors: (Constant), Ar2, Para, Ar
Coefficientsa
Standardized
1 (Constant) .211 .197 1.072 .333
Ar .464 .197 .559 2.354 .065
Para 2.170 .402 .832 5.402 .003
Ar2 -.536 .162 -.791 -3.320 .021
PERSAMAN REGRESI Y=0,464 X1 + 2,170 X2 – 0.536 X3 + 0,211
Predicted Value -.2739 1.7213 .8956 .59717 9
Residual -.34426 .28842 .00000 .21694 9

Std. Residual -1.255 1.051 .000 .791 9
Charts
5. Menghitung korelasi antara sifat lipofilik (π), sifat elektronik (σ) dan sifat sterik (RM)
dengan aktivitas antibakteri turunan kloramfenikol (linier dan non liner)  π,σ, RM
vs log A dan π,π2,σ,RM vs log A
a) π,σ, RM vs log A
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER ar para RM
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER ar para RM
/SAVE PRED.

224 bytes
for Residual Plots

Modified
Variables Variables
1 RM, para, arb . Enter
Model Summaryb

1 .884a .782 .651 .37535
a. Predictors: (Constant), RM, para, ar
ANOVAa
1 Regression 2.525 3 .842 5.974 .042b
Total 3.229 8
b. Predictors: (Constant), RM, para, ar
Coefficientsa
Standardized
1 (Constant) .583 .388 1.502 .193

Ar .239 .227 .288 1.054 .340
Para 1.764 .572 .676 3.084 .027
RM -.031 .016 -.520 -1.888 .118
PERSAMAAN REGRESI π,σ, RM vs log A:Y= 0,239X1+ 1,764X2-0,031X3 +0,583
Predicted Value .0784 1.5949 .8956 .56180 9
Residual -.41150 .40508 .00000 .29674 9
Std. Residual -1.096 1.079 .000 .791 9
Charts
b) π,π2,σ,RM vs log A
REGRESSION
/MISSING LISTWISE

/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER ar ar2 para RM
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

9
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/DEPENDENT logA
/METHOD=ENTER ar ar2 para RM
/SAVE PRED.


216 bytes
for Residual Plots

Modified
Variables Variables
1 RM, para, ar,

. Enter
ar2b
Model Summaryb

1 .957a .916 .832 .26053
a. Predictors: (Constant), RM, para, ar, ar2
ANOVAa
1 Regression 2.958 4 .739 10.894 .020b
Total 3.229 8
b. Predictors: (Constant), RM, para, ar, ar2

Coefficientsa
Standardized
1 (Constant) .520 .271 1.920 .127
Ar .542 .198 .653 2.737 .052
ar2 -.423 .168 -.631 -2.526 .065
Para 1.912 .401 .733 4.765 .009
RM -.019 .012 -.322 -1.557 .195
PERSAMAAN REGRESI π,π2,σ,RM vs log A :Y= 0,542X1- 0,423X2+1,912X3-0,019X4+0,520
Predicted Value -.2655 1.7029 .8956 .60806 9
Residual -.28421 .29705 .00000 .18422 9
Std. Residual -1.091 1.140 .000 .707 9
Charts
TUGAS 2
Analisis HKSA Hansch Turunan Fenol
Analisis regresi linier :
1 Parameter
a) Log P dengan aktivitas
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT E.Thyposa
/METHOD=ENTER LogP
/SCATTERPLOT=(*ZPRED ,E.Thyposa)
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

8
File
as missing.
Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/METHOD=ENTER LogP
/SCATTERPLOT=(*ZPRED
,E.Thyposa)
/SAVE PRED.

240 bytes
for Residual Plots

Modified
[DataSet0]
Variables Variables
1 LogPb . Enter
a. Dependent Variable: E.Thyposa
Model Summaryb
1 .478a .229 .100 1.75421
a. Predictors: (Constant), LogP
b. Dependent Variable: E.Thyposa
ANOVAa
1 Regression 5.475 1 5.475 1.779 .231b
Residual 18.464 6 3.077
Total 23.939 7
b. Predictors: (Constant), LogP
Coefficientsa
Standardized
1 (Constant) -2.488 3.670 -.678 .523
LogP 2.732 2.048 .478 1.334 .231
PERSAMAAN REGRESI log P dg aktivitas : Y= 2,732 X – 2,488
Predicted Value .9818 3.5225 2.3375 .88440 8
Residual -1.66682 3.37030 .00000 1.62409 8
Std. Residual -.950 1.921 .000 .926 8

Charts
b) RM dengan aktivitas
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/METHOD=ENTER RM
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

8
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/METHOD=ENTER RM
,E.Thyposa)
/SAVE PRED.

240 bytes
for Residual Plots

Modified
Variables Variables
1 RMb . Enter
Model Summaryb

1 .569a .324 .211 1.64254
a. Predictors: (Constant), RM
ANOVAa
1 Regression 7.751 1 7.751 2.873 .141b
Residual 16.188 6 2.698
Total 23.939 7
b. Predictors: (Constant), RM
Coefficientsa
Standardized
1 (Constant) -5.346 4.570 -1.170 .286
RM 2.137 1.261 .569 1.695 .141
PERSAMAAN REGRESI RM dengan aktivitas : Y= 2,137 X – 5,346
Predicted Value .7262 4.1029 2.3375 1.05229 8
Residual -1.93292 2.12371 .00000 1.52070 8
Std. Residual -1.177 1.293 .000 .926 8
Chart
c) pKa dengan aktivitas
NEW FILE.
DATASET NAME DataSet1 WINDOW=FRONT.
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/METHOD=ENTER pKa
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

8
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/METHOD=ENTER pKa
,E.Thyposa)
/SAVE PRED.

240 bytes
for Residual Plots

Modified
[DataSet1]
Variables Variables
1 pKab . Enter
Model Summaryb

1 .137a .019 -.145 1.97864
a. Predictors: (Constant), pKa
ANOVAa
1 Regression .449 1 .449 .115 .747b
Residual 23.490 6 3.915
Total 23.939 7
b. Predictors: (Constant), pKa

Coefficientsa
Standardized
1 (Constant) 1.683 2.056 .819 .444
pKa .088 .259 .137 .338 .747
PERSAMAAN REGRESI pKa dg aktivitas : Y= 0,088 X + 1,683
Predicted Value 1.9458 2.5849 2.3375 .25315 8
Residual -2.21003 3.38141 .00000 1.83187 8
Std. Residual -1.117 1.709 .000 .926 8
Charts
2 Parameter
a) log P dan pKa dengan aktivitas
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/METHOD=ENTER pKa logP
/SAVE PRED
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

8
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/METHOD=ENTER pKa logP
,E.Thyposa)
/SAVE PRED.

232 bytes
for Residual Plots

Modified
Variables Variables
1 logP, pKab . Enter
Model Summaryb

1 .539a .290 .007 1.84312
a. Predictors: (Constant), logP, pKa
ANOVAa
1 Regression 6.953 2 3.477 1.023 .424b
Residual 16.986 5 3.397
Total 23.939 7
b. Predictors: (Constant), logP, pKa
Coefficientsa
Standardized
1 (Constant) -3.156 3.987 -.792 .464
pKa -.214 .325 -.335 -.660 .539

logP 4.018 2.903 .703 1.384 .225
PERSAMAAN REGRESI log P dan pKa dg aktivitas : Y = -0,214 X1 + 4,018 X2 – 3,156
Predicted Value 1.0940 3.6714 2.3375 .99665 8
Residual -1.71732 3.52551 .00000 1.55772 8
Std. Residual -.932 1.913 .000 .845 8
Charts
b) RM dan pKa dengan aktivitas
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/METHOD=ENTER pKa RM
/SAVE PRED.
Regression
Notes
Comments
Filter <none>
Weight <none>
Split File <none>

8
File
as missing.

Syntax REGRESSION
/MISSING LISTWISE

ANOVA
/NOORIGIN
/METHOD=ENTER pKa RM
,E.Thyposa)
/SAVE PRED.

232 bytes
for Residual Plots

Modified
Variables Variables
1 RM, pKab . Enter
Model Summaryb
1 .661a .437 .212 1.64134
a. Predictors: (Constant), RM, pKa
ANOVAa
1 Regression 10.469 2 5.234 1.943 .237b
Residual 13.470 5 2.694
Total 23.939 7
b. Predictors: (Constant), RM, pKa
Coefficientsa
Standardized
1 (Constant) -8.585 5.590 -1.536 .185
pKa .227 .226 .356 1.004 .361
RM 2.565 1.330 .683 1.929 .112
PERSAMAAN REGRESI RM, pKa dg aktivitas : Y= 0,227 X1 + 2,565 X2 - 8,585
Predicted Value .9783 4.6671 2.3375 1.22293 8
Residual -2.27756 1.80247 .00000 1.38718 8

Std. Residual -1.388 1.098 .000 .845 8
Charts
Analisis Regresi Nonlinier
1 Parameter : log P2, log P dengan aktivitas

Bismillah Kimed Hksa

Uploaded by

Copyright:

Available Formats

Bismillah Kimed Hksa

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bismillah Kimed Hksa

Uploaded by

Copyright:

Available Formats

LAPORAN PRAKTIKUM KIMIA MEDISINAL

ANALISIS HKSA MODEL LFER HANSCH

Dosen Pembimbing : Indah Purnama Sary

Kelas B2/ Kelompok B2-4

Nama : 1. Alviyana Damayant (182210101149)

2. Salma Luthfiana N (182210101150)

3. Aprilia Pratiwi (182210101151)

4. Intan Shania (182210101153)

5. Swara Adla Zuhra (181022101154)

6. Syechfiano saffa m. (182210101146)

7. Wahyu Eka Febriyanti (182210101109)

LABORATORIUM KIMIA MEDISINAL

n= 9, r= 0,257, r2 =0,066, S= 0,6564, n = 9, r = 0, 194, r2 = 0, 038, s =

3. RM vs log A Y= -0,0276 RM + 1,2949 Y= -0,027X+1,295

4. π,σ vs log A Y= -0,0354 π + 2,0730 + 0,0374 Y= -0.035 X1 + 2.073 X2 +

π,π2,σ vs log A Y= -0,5223 π2 + 0,4672 π + 2,1102 σ Y=0,464 X1 + 2,170 X2 – 0.536

N=9, r= 0,930; r2= 0,8649 , S= n = 9, r = 0,940, r2 = 0,883, s =

5. π,σ, RM vs log A Y=0,2393 π + 1,7638 σ – 0,0308 + Y= 0,239X1+ 1,764X2-0,031X3

Parameter QSAR SPSS

Analisis Regresi Linier

a. Log P vs aktivitas Y = 2,7320 log P – 2,4878 Y= 2,732 X – 2,488

b. CMR vs aktivitas Y = 2,1368 CMR – 5,3460 Y= 2,137 X – 5,346

c. pKa vs aktivitas Y = 0,0875 pKa + 1,6832 Y= 0,088 X + 1,683

a. Log P dan pKa vs Y = 4,0176 Log P – 0,2144 pKa – Y = -0,214 X1 + 4,018 X2

b. CMR dan pKa vs Y = 2,5647 CMR + 0,2275 Y= 0,227 X1 + 2,565

aktivitas S= 1,8946; F= 13,27) n = 8, r = 0, 501, r2 =

2. b. Log P2, Log P dan Y = -3,8502 log P2 + 17,6586 E. thyposa= -1,062

Log A : 0,1901 pKa+ 2,1713 RM-7,0164

Log A : 0,19 pKa+ 2,171 RM- 7,016

o Linier : Log A = 0.0370 π + 0.8897 (N = 9; r = 0.045; r2= 0,002025; S = 0.6785;

Log A = 2,0608 σ + 0,0369 (N = 9; r = 0,790; r2 = 0,6241; S = 0,4161; F = 12,25)

Log A = -0,0276 RM + 1,2949 (N = 9; r = 0,451; r2 = 0,203401 ; S = 0,6063; F =

Log A= 1,9118σ + 0.5419π – 0.4232π2 - 0.0190 + 0.5196 (n= 9, r= 0,95, s= 0.2605, F=

5.5.2 SPSS(Statistical Package for the Social Sciences)

Siswandono dan soekardjo B. (Eds). Kimia medisinal I, Surabaya : Airlangga University

N= 9; r = 0,257; r2 = 0,066049; S = 0,6564; F = 12,25

Persamaan σ vs log A: Y = 2,0608 σ + 0,0369

N = 9; r = 0,790; r2 = 0,6241; S = 0,4161; F = 12,25

N = 9; r = 0,451; r2 = 0,203401 ; S = 0,6063; F = 12,25

Persamaan π, σ vs Log A: Y= -0,0354 π + 2,0730 + 0,0374

N = 9; r = 0,791; r2 = 0,625681 ; S = 0,4484; F = 10,92

PERSAMAAN REGRESI π,π2,σ vs log A: Y= -0,5223 π2 + 0,4672 π + 2,1102 σ + 0,2157

N=9, r= 0,930; r2= 0,8649 , S= 0,2953; F= 12,06

N=9, r= 0,884; r2= 0,781456; S= 0,3754; F= 12,06

PERSAMAAN REGRESI π, π2, σ, RM vs log A: Y= 0,5419 π – 0,4232 π2 ; + 1,9118 σ –

N=9, r= 0,957; r2= 0,915849; S= 0,2605; F= 15,98

PERSAMAAN REGRESI: Y=0,0101 pKa+ 2,5491 Log P+ 2,0912 CMR – 9,7592

(n=8; r=0,730 atau r2= 0,5329, S= 1,6728; F= 16,69

(n=8; r =0,478 atau r2= 0,228484, S= 1,7542 F= 13,75)

b) CMR dengan aktivitas

(n=8; r =0,569 atau r2= 0,323761 S= 1,6425 F= 13,75

PERSAMAAN REGRESI pKa dengan aktivitas : Y = 0,0875 pKa + 1,6832

(n=8; r =0,539 atau r2= 0,290521; S= 1,8431 F= 13.27)

b) CMR dan pKa dengan aktivitas

(n=8; r =0,661 atau r2= 0,436921; S= 1,6413; F= 13,27)

Analisis Regresi nonlinier

a) 1 Parameter : log P2 , log P dengan aktivitas

(n=8; r =0,500 atau r2= 0,25; S= 1,8946; F= 13,27)

b) 2 Parameter : log P2, log P, dan pKa dengan aktivitas