TUGAS

MACHINE LEARNING

Disusun Oleh :

Sylfia Putri

2010631170034

INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS SINGAPERBANGSA KARAWANG

2023
 PCA (Principal Component Analysis)
PCA (Principal Component Analysis) adalah metode statistik yang digunakan untuk mengurangi
dimensi data dengan mengubah variabel-variabel yang terkait secara linier menjadi variabel-variabel
yang tidak terkait secara linier (komponen utama) yang menjelaskan sebagian besar variasi dalam
data.
Program tersebut mengimport modul PCA dari library scikit-learn untuk melakukan reduksi dimensi
pada data dengan menggunakan PCA.

Pada program ini, pertama-tama kita membuat objek PCA dengan menginisialisasi n_components = 2,
yang berarti kita akan mengubah data menjadi dua dimensi (komponen utama). Kemudian, kita
menggunakan metode fit_transform untuk mengubah data pelatihan (x_train) menjadi representasi
baru dengan dua dimensi (x_Train) menggunakan PCA yang telah dilatih pada data tersebut.

Setelah itu, kita menggunakan metode transform untuk mengubah data uji (x_test) menjadi
representasi baru dengan dua dimensi (x_test) menggunakan PCA yang sama seperti pada data
pelatihan. Perlu diingat bahwa kita menggunakan metode transform di sini, bukan fit_transform,
karena kita tidak ingin mempelajari ulang PCA pada data uji.
 SVD (Singular Value Decomposition)
Dalam machine learning, SVD (Singular Value Decomposition) digunakan sebagai teknik
reduksi dimensi pada data. Tujuan dari reduksi dimensi adalah untuk menghilangkan fitur-fitur
yang tidak berguna atau redundan dalam data dan mempertahankan hanya fitur-fitur yang
paling penting.

SVD juga dapat digunakan dalam pre-processing data, seperti dalam pengurangan noise atau
koreksi kesalahan dalam data, yang dapat membantu meningkatkan kinerja model. SVD juga
dapat digunakan dalam collaborative filtering untuk merekomendasikan produk atau layanan
yang sesuai dengan preferensi pengguna berdasarkan pada kesamaan matriks pengguna-item.

Dalam keseluruhan, SVD merupakan teknik penting dalam machine learning untuk reduksi
dimensi, pre-processing data, dan pengolahan data lainnya.

Metode ini akan membangun model SVD dari data pelatihan dan mengubah matriks data
pelatihan menjadi bentuk baru yang memiliki jumlah fitur yang sudah direduksi.

Dalam machine learning, reduksi dimensi pada data sangat penting untuk menghindari
overfitting dan meningkatkan kinerja model. Dengan mengurangi dimensi data, kita dapat
mempercepat waktu pelatihan dan meningkatkan akurasi model. TruncatedSVD adalah salah
satu metode yang populer dalam reduksi dimensi dan sering digunakan dalam aplikasi seperti
analisis teks, pengolahan citra, dan lainnya.