REDUKSI DIMENSI DATA DENGAN ANALISIS KOMPONEN UTAMA ROBUST; DATA DIMENSION REDUCTION WITH ROBUST PRINCIPAL COMPONENT ANALYSIS

ANGELIA PARAMITHA KUSUMASTUTI, Gunardi

2011 | Skripsi | PROGRAM STUDI STATISTIKA

Analisis komponen utama merupakan salah satu metode reduksi data yang sangat populer. Metode ini digunakan untuk mereduksi variabel awal yang biasanya mempunyai jumlah yang sangat banyak dan saling berkorelasi menjadi variabel baru (selanjutnya disebut sebagai komponen utama) dengan jumlah yang lebih sedikit dan sudah tidak saling berkorelasi lagi. Analisis komponen utama klasik yang didasarkan pada penghitungan matriks kovariansi data menjadi kurang bisa dipercaya jika data penelitian mengandung sejumlah outlier. Hal ini dikarenakan vektor mean dan matriks kovariansi sangat sensitif dengan keberadaan outlier. Untuk mengatasi permasalahan tersebut maka diperkenalkan suatu konsep Robust Principal Component Analysis (ROBPCA) Skripsi ini membahas suatu pendekatan baru dalam analisis komponen utama robust yaitu dengan menggabungkan konsep projection pursuit (PP) dan estimator matriks kovarian robust (MCD, FAST-MCD). Komponen utama yang diperoleh dari metode ROBPCA adalah komponen utama yang tidak terlalu banyak terpengaruh dengan keberadaan outlier. Pembahasan akan diakhiri dengan studi kasus mengenai penerapan metode ROBPCA pada data penelitian yang mengandung outlier. Kemudian hasil analisis dengan metode ROBPCA akan dibandingkan dengan metode klasik. Pada studi kasus ini diperoleh kesimpulan bahwa metode ROBPCA lebih efisien daripada metode klasik

Kata Kunci : analisis komponen utama robust, analisis komponen utama klasik; outlier; projection pursuit; minimum covariance determinant (MCD) dan fast-MCD.