Pemodelan ramalan data GC-MS gasolin dengan teknik pohon keputusan bagi penyiasatan forensik

Abstract

Gasolin merupakan sejenis cecair mudah nyala (IL) yang kerap digunakan dalam jenayah arson. Pada kebiasaannya, kes arson sering disertai dengan kehadiran IL di tempat kejadian. Dengan kata lain, penyiasatan forensik kes kebakaran melibatkan pengesanan IL dalam residu terbakar dan penentuan sumber IL yang ditemui di sekitar tempat kejadian. Walaupun analisis IL tidak dilakukan sekerap seperti residu terbakar, sumber asal IL seperti jenamanya mungkin memainkan peranan penting dalam proses membina semula tempat kejadian. Kajian sering dijalankan untuk membina model ramalan bagi menentukan kelas IL yang disarankan oleh ASTM E1618-19 tetapi jarang memfokus kepada pembeza layan gasolin menurut jenama. Oleh sebab itu, kajian ini bertujuan membina model yang meramalkan jenama gasolin dengan kaedah pohon klasifikasi dan regresi (CART) melalui pengoptimuman strategi prapemprosesan data (DP). Sebanyak 19 sampel gasolin yang merangkumi RON95 dan RON97 telah dibeli daripada 10 stesen yang beroperasi di Selangor. Dengan menyuntik setiap sampel sebanyak enam kali ke dalam sistem kromatografi gas-spektrometri jisim (GC-MS), sebanyak 114 kromatogram yang diwakili dengan 4499 masa retensi (RT) telah disediakan. Variasi antara-jenama gasolin telah diteliti terlebih dahulu menurut data mentah. Kemudian, data GC-MS berpiksel dipraproseskan dengan: (a) 22 varian teknik penormalan, (b) 12 varian teknik peledingan masa berparameter (PTW), dan (c) lima varian teknik pembetulan garis dasar, menurut lapan tetingkap RT yang berbeza (iaitu satu tetingkap RT global, dan tujuh sub-tetingkap RT, SW1-SW7). Setelah menentukan varian terbaik bagi tiga kelas teknik DP tersebut, pelbagai strategi ensembel yang dibentuk melalui gandingan dua atau tiga teknik DP yang disenarai pendek itu pula dinilaikan. Impak strategi DP tunggal dan DP ensembel telah ditentukan secara kuantitatif dengan teknik produk momen korelasi Pearson (PPMC) dan kaedah CART. Dengan ini, semua 312 subset data yang telah dipraproses diwakili dengan >100 nilai prestasi. Seterusnya, plot aras dan teknik susunan keutamaan mengikut persamaan dengan penyelesaian ideal (TOPSIS) digunakan untuk mentafsir prestasi relatif antara pelbagai strategi DP tersebut dengan mengambil kira semua nilai prestasi itu secara serentak. Keputusan menunjukkan sub-tetingkap RT, iaitu SW4 adalah lebih sesuai daripada tetingkap RT global. Berkenaan prestasi teknik DP pula, walaupun strategi DP ensembel didapati lebih cemerlang daripada strategi DP tunggal, prestasinya bergantung kepada susunan teknik DP. Kajian ini mendapati data GC-MS adalah terbaik dipraproses dengan PTW terlebih dahulu, seterusnya oleh penormalan dan akhirnya pembetulan garis dasar. Akhirnya, model ramalan CART yang dibina dengan subset data yang telah dipraproses dengan strategi DP terbaik berjaya membeza layan empat jenama gasolin. Dapatan utama kajian ini ialah model ramalan CART yang menentukan jenama gasolin dan kefahaman pelbagai prosedur penyediaan dan teknik DP terhadap data GC-MS berpiksel. Prosedur pemodelan yang dibina dalam tesis ini sedia diperkembangkan lebih lanjut dengan mempertimbangkan IL yang lain, seperti diesel dan kerosin