Anda di halaman 1dari 9

ANALISIS KOMPONEN UTAMA

OLEH: DWI KURNIANTI 60600108028

JURUSAN MATEMATIKA FAKULTAS SAINS DANTEKNOLOGI UNIVERSITAS ISLAM NEGERI MAKASSAR ALAUDDIN 2011

KATA PENGANTAR

Segala puji kita peruntukkan kepada Allah SWT yang karena setiap nikmatnya memberi kita hidup, menganugrahkan inspirasi, dan menghiasi kita dengan akhlakNYA. Semoga setiap shalawat yang terucap dari lisan kita menjadi penghias kecintaan kita kepada Nabiullah Muahammad SAW. Penulis ucapkan terima kasih kepada semua pihak yang telah membantu dalam penyusunan makalah ini, dan tak lupa pula kami mengucapkan terima kasih kepada beliau yang telah memberikan tugas makalah ini. Makalah ini disusun sebagai tugas dan proses pembelajaran. Penulis sadar bahwa dalam makalah ini belum lengkap, sebagai manusia biasa dan mahasiswa yang baru belajar, maka kami meminta saran-saran dan kritik untuk perbaikan untuk selanjutnya. Wassalam .. Makassar, Maret 2011

Penulis

BAB I PEMBAHASAN

Dalam statistika, analisis komponen utama (principal component analysis / PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk sistem koordinat baru dengan varians maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. Analisis komponen utama merupakan suatu tehnik 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 (tidak berkorelasi lagi). Jadi analisis komponen utama berguna untuk mereduksi data, sehingga lebih mudah untuk menginterpretasikan data-data tersebut (Johnson & Wichern, 1982). Analisis komponen utama merupakan analisis antara dari suatu proses penelitian yang besar atau suatu awalan dari analisis berikutnya, bukan merupakan suatu analisis yang langsung berakhir. Principal Components Analysis (PCA) pada umumnya merupakan salah satu metode statistik yang sering dipakai apabila seorang peneliti dihadapkan pada kasus yang melibatkan lebih dari satu variabel dan antar variabel tersebut berkorelasi (dependen). Dengan menggunakan PCA sebagai satu alat analisa, akan memudahkan peneliti untuk dapat memberikan interpretasi atas suatu permasalahan yang melibatkan lebih dari satu variabel. Secara aljabar, PC adalah kombinasi-kombinasi linear tertentu dari p variabel random . Secara geometris, kombinasi-kombinasi linier ini merupakan sistem koordinat baru yang didapat dari merotasikan sistem semula sebagai sumbu koordinat. Sumbu baru ( ) merupakan arah dengan variabilitas maksimum yang memberikan struktur kovariansi yang lebih sederhana dan adalah PC yang tidak berkorelasi. Secara aljabar, dapat dinyatakan bahwa PC ke i adalah kombinasi linier yang memaksimumkan var( ) dengan syarat =1 dan Cov( X, )=0 untuk k < i. Selanjutnya bila adalah matriks kovarian dari vektor acak dan  mempunyai pasangan nilai eigen-vektor eigen , maka komponen utama ke-I diberikan oleh:        dimana

Sehingga kita mendapatkan:

Jika ada eigen yang sama, pilihan vektor koefisien yang sesuai adalah , dengan demikian tidak tunggal. Komponen-komponen utama tidak berkorelasi dan mempunyai variansi yang sama denga nilai-nilai eigen dari . Dengan demikian,

    
 

 adalah komponen-komponen utama yang untuk i,k =1,2, ,p adalah koefisien

Jika

diperoleh dari matriks kovariansi , maka

korelasi antara komponen dan peubah disini, ( ), ( ), , ( ) adalah pasangan nilai eigen-vektor eigen dari matriks kovariansi . Walaupun korelasi antar peubah dan komponen utama sering membantu untuk interpretasi komponen, korelasi hanya mengukur kontribusi peubah tunggal dari sebuah individu X kepada sebuah komponen Y. jadi, korelasi tidak mengindikasikan pentingnya suatu peubah X relatif kepada komponen Y didalam kehadiran peubah X lainnya. Untuk alasan ini, beberapa statistikawan merekomendasikan bahwa hanya koefisien-koefisien ,dan bukan korelasi, digunakan untuk menginterpretasi komponen. Walaupun koefisien dan korelasi dapat memberikan rangking yang berbeda sebagai ukuran pentingnya peubah terhadap suatu komponen, pengalaman menunjukkan bahwa peringkat-peringkat tersebut sering diterima. Untuk menghitung nilai eigen value kita dapat menggunakan spectral decomposition (Dekomposisi spektral). Dekomposisi spektral dari matriks simetris kxk pada A diberikan oleh: Atau Dimana adalah nilai-nilai eigen dari A dan adalah vektor-vektor eigen normal yang bersesuaian. Dengan demikian =1 =0 untuk i untuk i,j=1,2, ,k.  

dan

Matriksnya =

Analisis Komponen Utama dalam Minitab 1. Pilih Stat> Multivariat > Principal Components

2. Dalam kotak dialog Principal Components Analysis, masukkan variabel kanal 1, kanal 2, kanal 3, kanal 4, dan kanal 5 dibawah variabel

3. Klik OK Pada jurnal Erna Sri Adiningsih mengenai Aplikasi Analisis Komponen dalam Pemodelan Penduga Lengas Tanah Dengan Data Satelit Multispektral. Dalam melakukan pengujian

ini digunakan lima kanal yang ada di Jawa Barat dan Tengahdengan periode data Agustus-September 1999. Misal datanya sebagai berikut: Kanal 1 Kanal 2 Kanal 3 Kanal 4 Kanal 5 5.935 14.2 2.265 2.27 2.91 1.523 13.1 0.597 0.75 2.62 2.599 12.7 1.237 1.11 1.72 4.009 15.2 1.649 0.81 3.02 4.687 14.7 2.312 2.50 2.22 8.044 15.6 3.641 4.51 2.36 2.766 13.3 1.244 1.03 1.97 6.538 17.0 2.618 1.39 1.85 6.451 12.9 3.147 5.52 2.01 3.314 12.2 1.606 2.18 1.82 3.777 13.0 2.119 2.83 1.80 1.530 13.8 0.798 0.84 4.25 2.768 13.6 1.336 1.75 2.64 6. 585 14.9 2.763 1.91 3.17 Outputnya :

Dalam output diatas diperlihatkan eigenvalue, proporsi, presentase kumulatif. Eigen value merupakan varian komponen utama. Terlihat eigen value PC1 (kanal1),PC2 (kanal2), dan PC3 (kanal3) adalah 2.9376 dan 1.3217 yang mewakili 58.8% dan 26.4% dari seluruh kanal . bila dikumulasikan ketiga PC menyatakan 98.4% dari total kanal. Ini berarti ada lima kanal direduksi menjadi tiga kanal. Jadi ketiga kanal baru dapat menjelaskan 98.4% dari kelima kanal. Cara membaca output adalah: PC1 = -0.570kanal 1 - 0.128kanal2 - 0.024kanal3 + 0.533kanal 4 + 0.611kanal5 PC2 = -0.303 kanal 1 - 0.665 kanal 2 - 0.441 kanal 3 - 0.521 kanal 1 + 0.016 kanal5 PC3 = -0.578 kanal 1 - 0.014 kanal 2 + 0.080 kanal 3 + 0.263 kanal 4 - 0.768 kanal5 PC4 = -0.466 kanal 1 + 0.361 kanal 2 + 0.499 kanal 3 - 0.606 kanal 4 + 0.189 kanal 5 PC5 = 0.178 -0.641 kanal 1 + 0.741 kanal 3 + 0.087 kanal 4 -0.015 kanal 5

BAB II PENUTUP A. KESIMPULAN Eigen value PC1 (kanal1),PC2 (kanal2), dan PC3 (kanal3) adalah 2.9376 dan 1.3217 yang mewakili 58.8% dan 26.4% dari seluruh kanal . bila dikumulasikan ketiga PC menyatakan 98.4% dari total kanal. Ini berarti ada lima kanal direduksi menjadi tiga kanal. Jadi ketiga kanal baru dapat menjelaskan 98.4% dari kelima kanal. B. SARAN Sebaiknya dalam penyusunan makalah menggunakan literatur yang dapat dipertanggung jawabkan.

DAFTAR PUSTAKA Johnson,R.A. dan Wichern,D.W.2002. Applied Multivariate Statistical Analysis. FifthEdition. Prentice Hall International.Inc, New Jersey. Tiro,M.A.,Sukarna. dan Aswi.2006.Analisis Faktor.Andira Publisher.Makassar