PENGGUNAAN ANALIS KOMPONEN UTAMA PADA

BASELINE HISTOLOGICAL STAGING

Yulia Fariani1)

1)
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya,

Abstract
Principal Component Analysis (PCA) is a statistical technique to change from most of the original
variables used and correlated with each other, into a new set of variables that are smaller and
independent of each other (no longer correlated). To determine the relationship between the
occurrence of Baseline Histological Staging and the factors that influence it, Principal Component
Analysis or PCA is used. The variables used in this study were 29 variables, namely Age,
Gender, BMI, Fever, Vomting, Headache, Diarrhea,
Fatigue & generalized bone ache, Jaundice, Epigastric, WBC, RBC,
HGB, Plat, AST, ALT 1, ALT 4, ALT 12, ALT 24,
ALT 36, ALT 48, ALT after 24 w, RNA base, RNA 4,
RNA 12, RNA EOT, RNA EF, Baseline histological Grading, and
Baseline Histological Staging. Based on the results of the study of two 28 variables, there are 2
variables that affect basic histological staging, namely variables and

Keywords: Baseline Histological Staging, Principal Component Analysis, Factor.

Abstrak
Principal Component Analysis (PCA) merupakan suatu teknik statistik untuk mengubah dari
sebagian besar variabel asli yang digunakan dan saling berkorelasi satu dengan yang lainnya,
menjadi satu set variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi lagi). Untuk
menentukan mengetahui hubungan kejadian Baseline Histological Staging dengan faktor yang
mempengaruhinya, digunakan Principal Component Analysis atau PCA. Variabel yang
digunakan dalam penelitian ini ada 29 variabel yaitu umur, Jenis Kelamin, BMI,
Demam, muntah, Sakit kepala, Diare, Kelelahan dan nyeri tulang,
Penyakit kuning, Epigastrium, WBC, RBC, HGB, Plat,
AST, ALT 1, ALT 4, ALT 12, ALT 24, ALT 36,
ALT 48, ALT after 24 w, RNA basis, RNA 4, RNA 12, RNA
EOT, RNA EF, Staging histologi dasar, and Staging histologi dasar.
Berdasarkan hasil penelitian dari dua 28 variabel ada 2 variabel yang mempengaruhi Staging
histologi dasar yaitu variable dan

Kata Kunci: Baseline Histological Staging, Analisis Komponen Utama, Faktor.

1. PENDAHULUAN
Baseline Histological Staging merujuk pada tahap awal penentuan tingkat keparahan suatu
kondisi atau penyakit berdasarkan hasil analisis histologis dari sampel jaringan yang diambil
pada saat diagnosis awal. Histologi merupakan ilmu pengetahuan yang mempelajari tentang
jaringan tubuh yang dapat menyusun suatu organ. Dalam konteks medis, baseline histological
staging sering digunakan untuk menentukan tingkat keparahan kanker atau tumor pada pasien.
Hasil analisis histologis dapat memberikan informasi tentang karakteristik sel dan struktur
jaringan yang terkena, dan digunakan untuk menentukan tingkat pertumbuhan, penyebaran, dan
kemungkinan respons terhadap pengobatan.

Baseline histological staging biasanya digunakan sebagai dasar untuk memantau

perkembangan penyakit, menentukan keefektifan pengobatan, dan merencanakan strategi
perawatan jangka panjang. Penting untuk dicatat bahwa hasil histologi sering digunakan
bersama-sama dengan informasi klinis lainnya, seperti gambaran klinis pasien dan hasil tes
diagnostik lainnya, untuk menginformasikan penentuan diagnosis dan pengobatan. System
pencernaan ditinjau secara histologi,

Kelenjar pencernaan yang berhubungan dengan saluran pencernaan dengan perantara ductus
dikelompokkan menjadi empat yaitu, Glandulue, Pancreas, Hepar, dan vesica fellea. system
pencernaan terdiri atas saluran pencernaan atau traktus gastrointestinalis dimulai dari cavum oris
sampai anus dan organ asesoris berupa gigi, lidah, kelenjar ludah, pancreas, hati, dan kantung
ampedu.

Dalam statistika, analisis komponen utama (AKU) dalam bahasa Inggris: principal
component analysis/PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data,
dengan cara mentransformasi data secara linier sehingga terbentuk sistem koordinat baru
dengan varians maksimum. Analisis komponen utama dapat digunakan untuk mereduksi dimensi
suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. Analisis komponen
utama juga sering digunakan untuk menghindari masalah multikolinearitas antar peubah bebas
dalam model regresi berganda.

Salah satu metode yang akan digunakan untuk mengatasi masalah tersebut adalah metode
Analisis Komponen Utama (AKU). Penggunaan metode analisis komponen utama sangat
berguna digunakan jika data yang ada memiliki jumlah variabel yang besar dan memiliki
korelasi antar variabelnya. Melalui penggunaan analisis komponen utama ini akan dihasilkan
variabel–variabel baru yang merupakan kombinasi linier dari variabelvariabel bebas asal dan
antarvariabel baru ini bersifat saling bebas. Variabel-variabel yang baru ini disebut komponen
utama, dan selanjutnya diregresikan dengan variabel tidak bebas. Penggunaan metoda PCA
sangat berguna digunakan jika data yang ada memiliki jumlah variabel yang besar dan memiliki
korelasi antar variabelnya. Selain untuk mereduksi faktor-faktor, Analisis Komponen Utama juga
dapat digunakan untuk mengatasi masalah multikolinieritas dalam Analisis Regresi Linier
Berganda.
2. TINJAUAN PUSTAKA

Metode Principal Component Analysis (PCA) ditemukan oleh Karl Pearson pada tahun 1901
yang digunakan pada bidang biologi. Pada tahun 1947 teori ini ditemukan kembali oleh
Karhunen, dan kemudian dikembangkan oleh Loeve pada tahun l963, sehingga teori ini juga
dinamakan Karhunen-Loeve transform pada bidang ilmu telekomunikasi. Principal component
analysis (PCA) merupakan suatu teknik statistik untuk mengubah dari sebagian besar variabel
asli yang digunakan yang saling berkorelasi satu dengan yang lainnya menjadi satu set variabel
baru yang lebih kecil dan saling bebas. Jadi principal component analysis (PCA) berguna untuk
mereduksi data, sehingga lebih mudah untuk menginterpretasikan data-data tersebut.

Tahun 2011, pada penelitian yang berjudul “Perbandingan Reduksi Data Menggunakan
Transformasi Cosinus Diskrit dan Analisa Komponen Utama (AKU)” Program Studi Teknik
Informatika Sekolah Tinggi Informatika dan Komputer Indonesia Malang. Dalam penelitian ini
membahas bahwa ada metode Diskrit Cosinus Transforms (DCT) untuk reduksi dimensi data
menggantikan metode Principal Component Analysis (PCA).

Tahun 2016, pada penelitian yang berjudul “Perbandingan Regresi Ridge dan Principal
Component Analysis dalam Mengatasi Multikolinearitas” Dosen pada Jurusan Matematika
Fakultas Sains dan Teknologi Universitas Istana Negeri Makassar. Membahas tentang metode
ridge lebih baik dari Principal Component Analysis (PCA) karena nilai MSE yang diteliti untuk
regresi ridge minimum dan nilai 𝑅2 besar.

3. METODE PENELITIAN

Secara umum komponen utama dapat digunakan untuk mereduksi dan menginterpretasi
variabel-variabel. Misalkan saja terdapat 𝑝 buah variabel yang terdiri atas 𝑛 buah objek.
Misalkan pula bahwa dari 𝑝 buah variabel tersebut dibuat sebanyak 𝑘 buah komponen utama
(dengan 𝑘 ≤ 𝑝) yang merupakan kombinasi linier atas 𝑝 buah variabel tersebut. 𝐾 komponen
utama tersebut, dapat menggantikan 𝑝 buah variabel yang membentuknya tanpa kehilangan
banyak informasi mengenai keseluruhan variabel. Umumnya analisis komponen utama
merupakan (analisis intermediate/analisis antara) yang berarti hasil komponen utama dapat
digunakan untuk analisis selanjutnya.
Dalam data ini menggunakan data sekunder yaitu sebanyak 100 data. Kemudian, dilakukan
pembangkitan data dengan menggunakan spss sehingga dihasilkan data sebanyak 300 yang
berdistribusi normal. Dalam proses pembangkitan data,dibutuhkan nilai rata – rata dan standar
deviasi untuk setiap variabel.

3.1 Menghitung Barlett Test of Sphericity dan nilai Keiser-Meyers-Oklin (KMO)

Sebelum melakukan Proses analisis komponen utama didasarkan pada sebuah matriks
korelasi. Langkah awal yang dilakukan dalam analisis komponen utama adalah pembentukan
matriks korelasi. Matriks ini digunakan untuk mendapatkan nilai kedekatan hubungan antar
variabel penelitian. Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian
untuk melihat kesesuaian dengan nilai korelasi yang diperoleh dari analisis komponen utama.

a. Uji Bartlett
Pengujian dengan uji Bartlet digunakan untuk melihat apakah matriks korelasinya merupakan
matriks identitas. Uji ini digunakan apabila sebagian besar koefisien korelasinya kurang dari 0,5.
Hipotesis :
: matriks korelasi merupakan matriks identitas
: matriks korelasi bukan matriks identitas
Statistik uji :

[ ]

Dimana :

N = Jumlah Observasi

Jumlah Variabel

determinan matriks korelasi

Keputusan :

diterima jika

diterima jika

Tahap selanjutnya adalah melakukan uji Bartlett test of spericity yang dipakai untuk menguji
korelasi antar variabel-variabel dalam sampel. Pengujian untuk melihat apakah data yang
diperoleh layak digunakan untuk diolah yaitu dengan melihat nilai Keiser Meyer Olkin (KMO)
dan Measure Of Sampling Adequancy (MSA). Analisis faktor dianggap layak digunakan apabila
besaran KMO > 0,5 dan MSA yang digunakan untuk mengukur derajat korelasi antar variabel
dengan kriteria MSA > 0,6.

b. Uji Kaiser Meyer Olkin (KMO)

Uji ini digunakan untuk mengetahui apakah data observasi tersebut layak dan dapat dianalisis
dengan analis komponen utama. Nilai statistik Kaiser Meyer Olkin (KMO) digunakan untuk
mengukur kecukupan samplingnya, dengan rumus :
∑
𝐾 𝑝 𝑝
∑∑ ∑∑
Dimana
koefisien korelasi sederhana antara variabel ke- dan ke-
 koefisien korelasi parsial antara variabel ke- dan ke-
Jika nilai koefisien korelasi parsial adalah kecil dibandingkan dengan koefisien korelasi, maka
nilai KMO akan mendekati 1. Nilai KMO yang kecil mengindikasikan bahwa penggunaan
analisis faktor harus dipertimbangkan kembali, karena korelasi antara variabel tidak dapat
diterangkan oleh variabel lain.

3.2 Penentuan Faktor Componen Berdasarkan Nilai Eigen Value

Mengekstraksi Faktor atau Extracting Factors yaitu metode yang umum digunakan untuk
melihat eigen value lebih besar atau sama dengan 1 atau 0 dan melihat diagram scarter. Faktor
penentuan berdasarkan nilai eigen value lebih besar dari 1 dipertahankan, tetapi jika lebih kecil
dari 1 maka faktornya dikeluarkan dalam model. Suatu eigen value menunjukan besar
sumbangan dari faktor terhadap varian seluruh variabel asli. Hanya faktor dengan varian lebih
dari 1 dimasukan dalam model. Faktor dengan varian kurang dari 1 tidak baik karena variabel
asli telah dibakukan yang berarti rata-ratanya 0 dan variansinya 1.

3.3 Penentuan Analisis Komponen Utama (AKU)

Ada tiga cara yang digunakan untuk jumlah komponen utama (principal component) yang
akan digunakan untuk analisa selanjutnya, pertama dengan melihat nilai variansi yang dapat
dijelaskan lebih dari 80%. Cara kedua adalah dengan melihat nilai eigen yang lebih dari satu.
Cara ketiga adalah dengan mengamati scree plot yaitu dengan melihat patahan siku dari dari
scree plot. Pada penelitian ini untuk menetukan jumlah komponen utama yang dihasilkan pada
Analisis Komponen Utama (AKU) adalah dengan melihat nilai eigen lebih dari satu.

3.4 Variabel Penelitian

Variabel penellitian yang digunakan adalah umur, Jenis Kelamin, BMI,
Demam, muntah, Sakit kepala, Diare, Kelelahan dan nyeri tulang,
Penyakit kuning, Epigastrium, WBC, RBC, HGB, Plat,
AST, ALT 1, ALT 4, ALT 12, ALT 24, ALT 36, ALT 48,
ALT after 24 w, RNA basis, RNA 4, RNA 12, RNA EOT,
RNA EF, Staging histologi dasar, and Staging histologi dasar.

4. HASIL DAN PEMBAHASAN

Dalam data ini yang digunakan merupakan data sekunder yaitu sebanyak 100 data.
Kemudian, dilakukan pembangkitan data dengan menggunakan spss sehingga dihasilkan data
sebanyak 300 yang berdistribusi normal. Dalam proses pembangkitan data,dibutuhkan nilai rata
– rata dan standar deviasi untuk setiap variabel. Nilai dari rata – rata dan standar deviasi untuk
setiap variable. Setelah dilakukan proses membangkitkan data untuk setiap variable dengan nilai
rata – rata dan standar deviasi masing – masing. Maka, akan dihasilkan data sebanyak 300 yang
berdistribusi normal dengan rata – rata dan standard deviasi. Kemudian, dilakukan uji statistic
deskriptif dimana hasil dari uji ini dapat dilihat pada tabel .

Descriptive Statistics
N Mean Std. Deviation
X1 300 44.1610 8.82118
X2 300 1.4723 .49139
X3 300 28.4074 4.02292
X4 300 1.4813 .47232
X5 300 1.5157 .50227
X6 300 1.5072 .45847
X7 300 1.5160 .49172
X8 300 1.3645 .51634
X9 300 1.4609 .50202
X10 300 1.5922 .53471
X11 300 7429.5426 2631.32567
X12 300 4468933.5123 341870.13418
X13 300 12.8991 1.73944
X14 300 162907.9302 37942.68584
X15 300 82.1034 25.89796
X16 300 81.4124 23.47248
X17 300 89.0044 26.89429
X18 300 86.6374 25.54227
X19 300 81.6680 24.56570
X20 300 88.3876 28.94659
X21 300 85.0674 26.23195
X22 300 33.6603 6.79466
X23 300 586000.0738 386331.74967
X24 300 628813.1841 320596.05012
X25 300 245650.3639 284985.15619
X26 300 222949.4589 260363.42407
X27 300 239663.5505 270199.41628
X28 300 9.9747 4.19969
Y 300 2.4286 1.16295
Valid N (listwise) 300

Tabel 1. Descriptive Statistics sesudah dibangkitkan

 Selanjutnya setelah diilakukan uji Deskripsi pada data yang sudah di bangkitkan maka akan
dilakukan uji Barlett dan uji Kaiser Mayer Olkin (KMO). Dengan menggunakan software yang
sama hasil dari uji ini disajikan pada Tabel 2.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .434
Bartlett's Test of Sphericity Approx. Chi-Square 404.730
df 406
Sig. .508
Tabel 2. KMO dan Bartlett Test
Pada Tabel 2 diketahui nilai dari Bartlett’s test of Spehricity sebesar 404,730 dengan nilai
signifikan sebesar 0,508. Dengan nilai Barlett’s test of Spehricity berada diatas atau lebih besar
dari 0,05 (5%) maka pada data yang diberikan tidak ada korelasi antar variable bebas. Sehingga,
persyaratan belum terpenuhi. Selain itu dihasil akan nilai dari KMO sebesar 0,434 maka,
melakukan analisis komponen utama dengan variable ini tidak layak dilakukan. Kerena analisis
layak dilakukan jika nilai dari KMO lebih besar dari 0,5 atau berkisar 0,5 sampai dengan 1.
Kemudian, akan diketahui variabel yang dapat diproses untuk langkah selanjutnya dengan
melihat nilai dari MSA. Langkah ini dilakukan dengan tujuan untuk mengetahui variabel yang
dapat lanjut di analisis. Hasil uji dari MSA (Measure of Sampling Adquacy) disajikan pada Tabel
3. Dari hasil MSA dihasilkan variabel yang memiliki nilai MSA lebih besar dari 0,5 adalah
variabel X7 dan X17. Maka, variable tersebut merupakan variabel yang masih bias diprediksi dan
bisa di analisis lebih lanjut. Sedangkan untuk variabel yang lainnya atau variabel yang lebih kecil
dari 0,5 merupakan variabel yang tidak bias diprediksi dan tidak bias dianalisis lebih lanjut
sehingga, akan dikelurkan dari variable lainnya.

Tabel 3. MSA (Measure of Sampling Adequacy)

Setelah variable lainnya dikeluarkan selain X7 dan X17 dilakukan uji Barlett dan uji Kaiser
Mayer Olkin (KMO) untuk ketiga variable tersebut. Hasil uji disajikan pada Tabel 4 dibawah ini.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .500
Bartlett's Test of Sphericity Approx. Chi-Square .248
df 1
Sig. .619
Tabel 4. Uji bartlett’s dan Uji KMO
Pada hasil pengujian diatas diketahui nilai KMO sama dengan 0,5 maka pengujian selanjutnya
dapat dilakukan. Kemudian nilai dari Barlett yang dihasilkan sebesar 0,248 dengan nilai
signifikan sebesar 0,619 lebih besar dari 0,05 atau 5%. Maka tidak terdapat korelasi antar
variable bebas. Sehingga, persyaratan belum terpenuhi untuk melanjutkan analisis ini.
Pada Tabel 5, dihasilkan nilai MSA untuk kedua variabel yang dimasukkan sudah lebih dari 0,5,
maka tidak ada langkah analisis selanjutnya yang dapat dilakukan untuk data ini.

Anti-image Matrices
X7 X17
Anti-image Covariance X7 .999 -.029
X17 -.029 .999
a
Anti-image Correlation X7 .500 -.029
a
X17 -.029 .500
a. Measures of Sampling Adequacy(MSA)
Tabel 5. Hasil MSA 2 Variabel

4.1 Komunalitas
Nilai komunalitas berguna untuk menunjukkan variansi yang dapat ditunjukkan. Untuk
melihat nilai komunalitas pada setiap variable dapat dilihat pada Tabel 6 dibawah ini. Pada Tabel
6 dihasilkan nilai dari komunalitas untuk setiap variable sebesar 0,514 untuk variabel X10 dan
0,514 untuk variable X17.

Communalities
Initial Extraction
X7 1.000 .514
X17 1.000 .514
Extraction Method: Principal Component
Analysis.
 Tabel 6. Komunalitas

Maka, dapat disimpulkan bahwa untuk variable X7 dapat menjelaskan variansi yang dapat
terbentuk sebesar 51,4%. Dan dapat menjelaskan keragaman variansi sebesar 51,4%.untuk
variabel X17.

4.2 Total Varians

Pada total varian setelah disajikan pada Tabel 7, pada table tersebut dihasilkan nilai
eigenvalue. Nilai eigenvalue yang lebih kecil dari 1 tidak akan digunakan dalam menghitung
jumlah faktor. Pada Tabel 7 diketahui bahwa nilai eigenvalue yang lebih besar dari 1 berada pada
komponen 1 dengan nilai cumulative sebesar 51,44%. Hal ini mengandung arti bahwa jika
dibandingkan dengan nilai lain dapat diketahui bahwa faktor 1 dapat menjelaskan 51,44% dari
total varinsi dan dapat diketahui bahwa faktor 1 sangat mendominasi dalam total varinsi.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 1.029 51.442 51.442 1.029 51.442 51.442

2 .971 48.558 100.000

Extraction Method: Principal Component Analysis.

Tabel 7. Total Varians

4.3 Componen Matriks

Pada hasil keluaran SPSS untuk komponen matriks dapat dilihat pada tabel 8 berikut ini. Pada
tabel yang disajikan dapat dilihat bahwa ada 1 faktor yang terbentuk dari kedua variabel yang
diuji. Sehingga, dapat disimpulkan bahwa jumlah yang paling optimal untuk mereduksi kedua
variable bebas dibawah ini adalah 1 faktor.

Component Matrixa
Component
1
X7 .717
X17 .717
 Extraction Method:
Principal Component
Analysis.
a. 1 components extracted.
Tabel 8. Komponen Matrik

Pada tabel 9 dihasilkan persamaan untuk faktor baru yang terbentuk sebagai berikut:

Skor – skor yang terdapat pada persamaan diatas dapat digunakan untuk menggantikan skor –
skor variabel bebas yang sebenarnya.

Component Score
Coefficient Matrix
Component
1
X7 .697
X17 .697
Extraction Method:
Principal Component
Analysis.
Rotation Method: Varimax
with Kaiser Normalization.
Component Scores.
Tabel 9. Komponen Skor Koefisien

5. KESIMPULAN
Dapat disimpulan dari hasil dengan proses pembangkitan diketahui bahwa nilai KMO sama
dengan 0,5. Kemudian nilai dari Barlett yang dihasilkan sebesar 0,248 dengan nilai signifikan
sebesar 0,619 lebih besar dari 0,05 atau 5%, maka pengujian dapat dilakukan. Dan dilihat dengan
nilai MSA yang dihasilkan maka dapat dilihat beberapa variable dapat mempengaruhi nilai Y
(Baselin histological Staging) dengan persamaan yaitu: .
DAFTAR PUSTAKA

Johnson & Wichern, “Applied Multivariate Statistical Analysis,” no. Edisi keenam, 2007.

L. Isriyah, E. Poerbaningtyas, “Perbandingan Reduksi Data menggunakan Transformasi Cosinus

Diskrit dan Analisa Komponen Utama,” 2011.

Irwan & Hasriani, “Perbandingan Regresi Ridge dan Principal Component Analysis dalam

mengatasi Multikoliniaritas,” 2016.

Miranda. Y. A. Le Borgne and G. Bontempi. Nem Routes from Minimal Approximation Error to

Principal Components, Volume 27, Number 3/June, 2008, Neural Processing Letters,

Springer.

Johnson, Richard A & Wichern, Dean W. Applied Multivariate Statistika Analysis (New Jersey:

Prentice- Hall International Inc. 1998). ISBN 0-13-080084-8

Juanda, Bambang. Ekonometrika: Pemodelan dan Pendugaan (Bogor: IPB Press, 2009). ISBN

978-979- 493-177-6.

Iriawan, Nur, Astuti, Septin Puji. Mengelolah Data Statistik dengan mudah menggunakan

Minitabe 14 (Yogyakarta: ANDI, 2006). ISBN 979-763-111-7.

Soesilawati, P. (2022). Histologi Kedokteran Dasar. Jawa Timur: Airlangga University Press.

Husairi, A., Sanyoto, D. D., Yuliana, I., Panghiyangi, R., Anawati, & Triawanti. (2020). Sistem
Pencernaan - Tinjauan Anatomi, Histologi, Biologi dan Biokimia. Purwokerto: CV IRDH.

Ulqodry, T. Z., Bengen, D., & Kaswadji, R. (2010). Karakteristik Perairan Mangrove Tanjung Api-api
Sumatra Selatan berdasarkan sebaran parameter lingkungan perairan dengan menggunakan
analisis komponen utama. Maspari Journal, 16-21.

Ilmaniati, A., & Putro, B. E. (2018). Analisis komponen Utama Faktor-faktor Pendahulu (Antencendents)
Berbagi Pengetahuan Pada Usaha Mikro, Kecil, Dan Menengah (UMKM) Di Indonesia. Jurnal
Teknologi.

I. T. Jolliffe, “Principal Component Analysis,” vol. Edisi kedua, 2002.

R. Susetyoko & E. Purwantini, "Teknik Reduksi Dimensi Menggunakan Komponen Utama Data

Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil".
Nurlinda. 2019. Analisis Komponen Utama. Makalah. Dikutip dari (PDF) ANALISIS KOMPONEN

UTAMA (Principal component analysis | Nurlinda Nurlinda - Academia.edu. 4 Mei.

Ulqodry, T. Z., Bengen, D., & Kaswadji, R. (2010). Karakteristik Perairan Mangrove Tanjung Api-api
Sumatra Selatan berdasarkan sebaran parameter lingkungan perairan dengan menggunakan
analisis komponen utama. Maspari Journal, 16-21.

Delsen, M. V., A.Z Wattimena, & S.D Saputri. (2017). Penggunaan Analisis Komponen Utama Untuk
Mereduksi Faktor-Faktor Inflansi di Kota Ambon. Barekeng, 109-118.