Components Analysis
(PCA)
Nama Kelompok :
Ayu Purnama Sari (09011281320028)
Ayu Rahayu (09011281320019)
Belly Putra (09011281320011)
Kharisma Desfian (09011281320014)
Nina Nuria Br. Karo (09011281320023)
Yogi Tiara Pratama (09011281320009)
Sejarah
PCA adalahteknik statistikyang sudah digunakan secara luas baik dalam hal
pengenalan wajah maupun pengenalan poladari sebuah gambar. Metode
Principal Component Analysis (PCA) dibuat pertama kali oleh para ahli statistik
dan ditemukan oleh Karl Pearson pada tahun l90l yang memakainya pada
bidang biologi. Kemudian tidak ada perkembangan baru pada teknik ini, dan.
perkembangannya baru mulai pesat pada akhir tahun l930 dan awal 1940.
Metode Principal Component Analysis (PCA) dibuat pertama kali oleh para ahli
statistik dan ditemukan oleh Karl Pearson pada tahun l90l yang memakainya
pada bidang biologi. Kemudian tidak ada perkembangan baru pada teknik ini,
dan. perkembangannya baru mulai pesat pada akhir tahun l930 dan awal
1940. Setelah itu perkembangannya berkurang sebentar sampai komputer
telah berhasil didesain sehingga dapat mengaplikasikan teknik ini pada
masalah-masalah yang masuk akal. Pada tahun 1947 teori ini muncul lagi dan
cukup independen sebagai teori probabilitas yang ditemukan oleh Karhunen,
dan kemudian dikembangkan oleh Loeve pada tahun l963, sehingga teori ini
juga dinamakan Karhunen-Loeve transform pada bidang ilmu telekomunikasi.
PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi
data.
Pre-PCA
Cara standarisasi adalah dengan menggunakanZ-Score.
Cara menghitungnya adalah dengan:
Hasil dari Z-score ini adalah data dengan mean = 0 dan standar
deviasi = 1.
Sederhananya, proses Z-score: tiap data observasi pada sebuah
variabel dikurangi dengan mean variabel tersebut dan dibagi
dengan standar deviasinya (dengan kata lain, tiap baris per
kolom dikurangimeankolom tersebut, dibagi dengan standard
deviasi kolom yang sama).
Proses PCA
Untuk dapat mentransformasi dari data asal ke variabel yang saling tidak
berkorelasi, adalah dengan menggunakan eigenvector dari matriks korelasi.
1. Eigenvalue Decompisition
Mencari Eigenvalue
(A I) v = 0
det (A I) = 0
Mencari Eigenvector
(A I)v= 0
Adapun eigenvector yang didapat ada dua buah. Eigenvector pertama dicari
dengan mensubtitusikan = 3 ke dalam persamaan. Misalnya Y0adalah
eigenvector yang berasosiasi dengan eigenvalue = 3. Set Y0
dengan nilai:
( A I) v = 0
sehingga diperoleh:
(2 3)X0+ (-Y0) = 0
0 + (3 3)Y0 = 0
C xvi= ixvi
PROSEDUR
(SVD)
PENYELESAIAN
SINGULAR
VALUE
DECOMPOSITION
= transpose Q1