TUGAS 3
Jawab:
Matrik C 3x3
[ ]
2 1 3
C= 0 4 2
1 0 5
Matrik D 2 x 2
D= [ 13 24]
1. Transpose dari C dan D
[ ]
2 0 1
C T
= 1 4 0
3 2 5
DT= [ 12 34]
2. Determinan dari C
[ ]
2 1 3 2 1
|C|= 0 4 2 0 4 det C = (2.4.5+1.2.1+3.0.0)-(1.4.3+0.2.2+5.0.1)
1 0 5 1 0
= (40+2+0) – (12 +0+0)
= 42 – 12
= 30
3. Invers dari C
[ ]
2 1 3
1
C-1 = Adj C C= 0 4 2
det C
1 0 5
M11 =
4 2
0 5 [ ]
(-1)1+1 M21 =[ ]
1 3
0 5
(-1)2+1
M31 = [ 14 32] (-1)3+1
= (1.2 – 4.3)(-1) 4
= (4.5-0.2)(-1) 2
= (1.5-0.3)(-1) 3
= (-10)(1)
= (20 - 0)(1) = (5 - 0)(-1) = -10
= 20 = -5
M12 =
0 2
1 5 [ ]
(-1)1+2 M22 =[ ]
2 3
1 5
(-1)2+2
M32 = [ 20 32]
(-1)3+2
= (2.2 – 0.)(-1) 5
= (0.5-2.1)(-1) 3
= (2.5-1.3)(-1) 4
= (4)(-1)
= (-2)(-1) = (7)(1) = -4
=2 =7
0 4 1+3
2 1 2+3
M33 = [ 20 14] (-1)3+3
Adj = Transpose kofaktor
[ ]
M 11 M 12 M 13
Kofaktor = M 21 M 22 M 23
M 31 M 32 M 33
[ ]
20 2 −4
= −5 7 1
−10 −4 8
Ditranspose
[ ]
20 −5 −10
AdjC = 2 7 −4
−4 1 8
1
C-1 = Adj C
det C
[ ]
20 −5 −10
1
= 2 7 −4
30
−4 1 8
[ ][ ]
2 1 3 λ 0 0
0 4 2 - 0 λ 0 =0
1 0 5 0 0 λ
[ ]
2−λ 1 3
0 4− λ 2 =0
1 0 5−λ
[ ]
2−λ 1 3 2−λ 1
0 4− λ 2 0 4−λ = 0
1 0 5−λ 1 0
II. Jelaskan ketika kondisi seperti apa, data dianalisis dengan PCA dan bagaimana procedur
analisisnya.
Principal component analysis (PCA) adalah suatu teknik analisis yang digunakan dalam
bidang statistika dan juga data science. Dengan memanfaatkan teknik analisis ini, Anda dapat
meringkas informasi yang tercantum dalam tabel data besar hingga menjadi beberapa kumpulan
indeks ringkasan yang lebih kecil. Jadi, tahap visualisasi dan analisis data pun menjadi lebih
mudah untuk dilakukan.
Secara sederhana, cara kerja principal component analysis adalah dengan melalui lima
tahapan besar. Tahap pertama adalah standarisasi. Pada tahap ini, seluruh variabel disamakan
standarnya. Jadi, tiap variabel bisa memiliki kontribusi yang sama dalam analisis.
Tahap selanjutnya adalah menghitung matrik kovarians. Dengan melakukan tahapan ini,
maka Anda bisa mengetahui hubungan antarvariabel dari kumpulan input. Selanjutnya adalah
menghitung nilai dan vektor eigen matriks kovarians. Tujuannya adalah agar peneliti bisa
mengidentifikasi komponen utama.
Analisis dilanjutkan dengan vektor fitur. Dari komputasi nilai dan vektor eigen, Anda bisa
mengetahui mana komponen yang kurang signifikan dan bisa dibuang (komponen dengan nilai
eigen rendah). Matriks vektor yang tersisa kemudian disebut vektor fitur. Analisis kemudian
ditutup dengan perombakan di sepanjang sumbu komponen utama.