REDUKSI DIMENSI MENGGUNAKAN REGRESI SLICED INVERSE

NANDA KURNIAWAN, Drs. Zulaela, Dipl. Med.Stats., M.Si.

2017 | Skripsi | S1 STATISTIKA

Pada masa ini, data hasil pengamatan seringkali mempunyai jumlah fitur yang sangat banyak, yang dikenal dengan data berdimensi tinggi. Proses analisis data ini akan memerlukan waktu komputasi yang lama, sehingga diperlukan reduksi dimensi untuk memperkecil dimensi data tanpa kehilangan informasi. Regresi Sliced Inverse (Sliced Inverse Regression/SIR) merupakan metode yang dapat diterapkan dalam pereduksian dimensi pada data berdimensi tinggi. Metode SIR melakukan pereduksian dimensi variabel independen tanpa melalui proses model-fitting, baik proses parametrik maupun nonparametrik.

In this age, observation data often have many fitures, commonly known as high-dimensional data. This data analysis process certainly takes a long computational time. The process of this data analysis will need a long computational time, thus dimension reduction is needed to reduce data dimension without loss of information. Sliced Inverse Regression is a method that can be applied in dimension reduction on high-dimensional data. SIR conduct independent variable dimension reduction without model-fitting process, either parametric or nonparametric.

Kata Kunci : Analisis Regresi, Reduksi Dimensi, Regresi Sliced Inverse, Regression Analysis, Dimension Reduction, Sliced Inverse Regression.