Terdapat banyak Variabel , sampai dimensi ke p ( p variabel )

X1 X2 X3 ... Xp

Masing masing variabel diukur pada n

obyek/responden
X1 X2 X3 ... Xp
¿ X1 1 X2 1 X3 1 . . . Xp 1
¿ X1 2 X2 2 X3 2 . . . Xp 2
¿ X1 3 X2 3 X3 3 . . . Xp 3
¿ . . . .
¿ . . . .
¿ . . . .
¿ X1 n X2 n X3 n . . . . Xp n

Mendefinisikan transformasi bagi variabel-variabel pada matriks Xs = ( X1 ,X2, ... , Xp )

T T
menjadi komponen-komponen utama Yk, yaitu (Yk = a k X s ) atau
Y1 = a1.1 X1 + a2.1 X2 + a3.1 X3 + . . . +ap.1 Xp
Y2 = a1.2 X1 + a2.2 X2 + a3.2 X3 + . . . +ap.2 Xp
.
.
.
Yp = a1.p X1 + a2.p X2 + a3.p X3 + . . . +ap.p Xp

Dimana,

Setiap komponen utama Yk merupakan kombinasi linier dari variabel-variabel sub-

indeks ( X1 ,X2 , .. , Xp ), dengan pembatasan bahwa :

1) Komponen utama pertama memiliki variansi paling besar, komponen utama ke-2
memiliki varians terbesar kedua, dan seterusnya.

Var (Y1) > Var (Y2) > ... > Var (Yp) dan pembatasan (a k T . ak =1)

2) Komponen-komponen utama adalah saling independen (tidak berkorelasi),

dinyatakan dengan perkalian dalam antar vektor koefisien sama dengan 0, yaitu (
T
a j . ak =0 ).

Penerapan metode penggandaan lagrange (Lagrange multiplier) untuk

memaksimumkan Var (Yk) =a k T R ak , dengan kendala (a k T . ak =1), yaitu a k T R ak - λ k (
a k . ak - 1) dengan λ k adalah pengganda lagrange. Penerapan pengganda lagrange
T
tersebut, menghasilkan pasangan-pasangan nilai eigen dan vektor eigen { λ k , ak}
yang memenuhi pembatasan-pembatasan untuk transformasi yang didefinisikan
pada tahap 5.

Tahap 7; Penguraian nilai singular terhadap matriks Xs menjadi

Xs = U L A T ,

[ √ λ 1 0 . 0 ¿] [ 0 √ λ 2 0 . 0 ¿] [. ¿ ] [ . ¿ ¿
=
[
1
√ λ1
1 1
X .a 1 , λ 2 X . a 2 , . .. , λ p X . a p ]
√ √ ¿ [a1, a2, a3,…, ap ]T

[a1, a2, a3,…, ap ]T adalah matriks berunsurkan vektor-vektor eigen dari matriks Xs XsT

Penentuan jumlah dimensi pada gugus data baru dan penghitungan persentase

kumulatif varians. Jika pada transformasi ke komponen utama (Y = AT Xs), dipenuhi

jumlah vektor eigen tak nol  3, maka konstruksi analisis komponen utama pada
 penelitian ini menggunakan hasil reduksi demensi sebanyak 3 komponen utama atau
gugus data baru berdimensi 3. Selanjutnya diselidiki dan dihitung representasi
keragaman oleh data baru, yaitu

( 1 + 2 +3 )/( 1+2 + . . . + p ) x 100 %.

Keluaran (Output) dari analisis komponen utama adalah gugus data baru dalam bentuk

matriks berukuran n baris dan 3 kolom, nY3 = ( Y1, Y2, Y3 ), dimana vektor-verktor kolom
Y1 disebut komponen utama pertama, Y2 disebut komponen utama kedua, dan Y3
disebut komponen utama ketiga. Ketiga komponen utama tersebut merupakan
kombinasi linier dari variabel-variabel asal (sub-indeks kepentingan budaya tumbuhan;
X1, X2, . . . Xp ), yaitu :.

Y1 = a1.1 X1 + a2.1 X2 + a3.1 X3 + . . . +ap.1 Xp

Y2 = a1.2 X1 + a2.2 X2 + a3.2 X3 + . . . +ap.2 Xp
Y3 = a1.3 X1 + a2.3 X2 + a3.3 X3 + . . . +ap.3 Xp
Demikian pula ketiga komponen utama tersebut memiliki sifat-sifat :

1) Melalui penerapan aljabar matriks dalam konstruksi, ketiga komponan telah

terdesain untuk mempertahankan sebesar mungkin variasi yang ada pada variabel
asal atau representasi terbaik dari variabel asal, serta nilai-nilai variansi yang telah
terurut
Var (Y1)  Var (Y2)  Var (Y3)
2) Ketiga komponen saling ortogonal atau tidak berkorelasi. Sifat ini dinyatakan oleh
perkalian dalam antar koefisien yang sama dengan nol. ( a k T . ak = a k T . ak = a k T . ak =
0)