Escolar Documentos
Profissional Documentos
Cultura Documentos
Disusun oleh:
ANGGIK YULIANTO
NIM: S851608002
Kelas: 1B
A. LANDASAN TEORI
Analisis Komponen Utama (Principal Component Analysis) adalah
analisis multivariate yang mentransformasi variabel-variabel asal yang saling
berkorelasi menjadi variabel-variabel baru yang tidak saling berkorelasi dengan
mereduksi sejumlah variabel tersebut sehingga mempunyai dimensi yang lebih
kecil namun dapat menerangkan sebagian besar keragaman variabel aslinya.
Banyaknya komponen utama yang terbentuk sama dengan banyaknya
variabel asli. Pereduksian (penyederhanaan) dimensi dilakukan dengan kriteria
persentase keragaman data yang diterangkan oleh beberapa komponen utama
pertama. Apabila beberapa komponen utama pertama telah menerangkan lebih
dari 75% keragaman data asli, maka analisis cukup dilakukan sampai dengan
komponen utama tersebut
Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan
variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal
ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas
melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi
sama sekali atau yang biasa disebut dengan principal component.
Misalkan merupakan matriks berukuran , dengan baris-baris yang
berisi observasi sebanyak dari -variat variabel acak . Analisis komponen
utama merupakan salah satu metode untuk mereduksi dimensi dari variabel
acak . Reduksi dimensi dilakukan dengan mendefinisikan p-variat variabel
acak baru dimana masing masing ,=1,, merupakan kombinasi linear
dari p-variat variabel acak , sehingga informasi yang dimiliki oleh p-variat
variabel acak tetap termuat pada masing-masing anggota dari p-variat
variabel acak baru . Dengan demikian, dapat kita pilih beberapa anggota dari
p-variat variabel acak sebagai bentuk reduksi dari p-variat variabel acak
tanpa menghilangkan terlalu banyak informasi. Proses pendefinisian p-varait
variabel acak sering disebut juga pembobotan, dimana:
p p
Y i= T X = j X j , i=1, , p sehingga j2 =1
j=1 j=1
Teorema
Jika dan merupakan matriks simetri, dan > 0, maka nilai maksimum
T
x Ax
dari x T Bx diberikan oleh nilai eigen terbesar dari 1. Secara umum,
x T Ax xT Ax
max T
= 1 2 p =min T
x Bx x Bx
2. Mencari nilai eigen dan vektor eigen dari matriks kovariansi empirik yang
telah diperoleh.
Nilai eigen dan vektor eigen dapat dihitung menggunakan program
matlab. Nilai eigen diurutkan mulai dari nilai yang terbesar hingga terkecil.
Matriks yang kolom-kolomnya berisi vektor eigen dari nilai eigen terkait
disesuaikan urutannya berdasarkan nilai eigen yang telah urut. Dengan
menggunakan algoritmat matlab , diperoleh 14 nilai-nilai eigen yang telah
diurutkan,yaitu :
= (3.4970, 0.6452, 0.5314, 0.4311, 0.3915, 0.3630, 0.3450, 0.2437,
0.2171, 0.2046, 0.1771, 0.1380, 0.1213, 0.0936)
1 j
j
diberikan melalui proporsi relatif = p . Tabel dibawah ini
1 j