Probabilistic Principal Component Analysis

Kelompok 9
1. Rini Sabdo Ningsih
2. Anita
3. Muhsinin
4. Mega Lestari
5. Tarso
6. Bayu Putra Ngudi Persada
7. Aldi Renadi
PRINCIPAL COMPONENT ANALYSIS (PCA)

Principal Component Analysis (PCA) atau biasanya disebut Analisis Komponen Utama (AKU)
merupakan salah satu analisis multivariat yang bertujuan untuk melihat/mengidentifikasi pola
data dengan cara mereduksi dimensi (atau variabel) data menjadi dimensi yang lebih kecil
dengan tetap mempertahankan informasi yang terdapat dalam data. Pada AKU, kita ingin
mencari sebuah persamaan yang terdiri atas kombinasi linear dari berbagai variabel yang dapat
menangkap varians atau keragaman data dengan maksimal. Persamaan linear inilah yang
kemudian disebut dengan Komponen Utama (KU). Sifat dari KU ini adalah saling bebas antara
satu KU dengan KU lainnya sehingga analisis komponen utama dapat mengatasi masalah
multikolinearitas yang ada pada data.

Sebagai tambahan, AKU merupakan analisis yang dapat diterapkan pada data yang berskala
numerik dan tidak membutuhkan variabel respons (Y) dalam penghitungannya.
2
LANGKAH-LANGKAH PCA

1. Memilih variabel yang berskala numerik dan tidak memasukkan variabel respons (Y) jika
ada.
2. Menstandardisasikan data ke dalam normal baku.

Hal ini dilakukan jika variabel yang digunakan memiliki satuan dan rentang yang berbeda.
Misalkan tinggi badan yang diukur dengan satuan cm dengan upah yang diukur dengan satuan
ribu. Jika kedua variabel tidak distandarisasi dan tetap mempertahankan satuannya, maka
variabel upah akan lebih ‘mendominasi’ komponen utama yang terbentuk mengingat keragaman
data pada variabel upah akan lebih besar dibanding dengan tinggi badan. Maka dari itu, perlu
dilakukan standarisasi agar kedua variabel tersebut mempunyai bobot yang sama dalam
pembentukan komponen utama.

3
LANGKAH-LANGKAH PCA

Namun, bisa juga digunakan matriks korelasi (tanpa melakukan standardisasi data), karena matriks korelasi sudah mengatasi
perbedaan satuan pada variabel.

3. Menghitung matriks ragam-peragam dari data yang sudah distandarisasi. Jika menggunakan matriks korelasi maka lanjut
ke langkah selanjutnya.
4. Menghitung vektor eigen dan nilai eigen dari matriks ragam-peragam atau matriks korelasi.

Vektor eigen merupakan koeffisien dari masing-masing variabel yang digunakan untuk membentuk komponen utama
atau loadings sedangkan nilai eigen menggambarkan seberapa besar varians yang dapat ditangkap oleh komponen utama.

Pada nantinya akan terbentuk komponen utama sebanyak jumlah variabel (p) yang dimasukkan ke dalam persamaan dan sifat
dari komponen utama ini adalah saling tegak lurus dan saling bebas. Persamaan dari komponen utama adalah =

4
CONTOH KASUS
Jurnal Teknologi dan Sistem Komputer

“Pengenalan Sketsa Wajah Menggunakan Principal Component

Analysis Sebagai Aplikasi Forensik”

Ditulis oleh Endina Putri Purwandari, Aan Erlansari, Andang

Wijanarko, Erich Adinal Adrian

Program Studi Sistem Informasi, Fakultas Teknik, Universitas

Bengkulu
5
THANKS!
Any questions?