Ramadhani, Fiqih (2014) Penerapan Robpca Dalam Mengatasi Pencilan Pada Data Menjulur. Sarjana thesis, Universitas Brawijaya.
Abstract
Classical Principal Component Analysis (CPCA) adalah salah satu teknik statistik multivariat yang paling terkenal. CPCA merupakan teknik pereduksian yang mentransformasikan data menjadi peubah-peubah yang lebih sedikit dengan mempertahankan keragaman semaksimum mungkin. Peubah baru ini dinamakan komponen utama yang tidak berkorelasi dan memaksimumkan keragaman. Data sering mengandung beberapa pencilan sehingga metode CPCA kurang diandalkan. Robust Principal Component Analysis (ROBPCA) mampu mengatasi pencilan. Beberapa metode ROBPCA yang sudah dikembangkan adalah MCD dan RMCD di mana kedua metode ini bekerja dengan baik pada sebaran simetris. Apabila data menjulur ke salah satu sisi, banyak pengamatan yang terdeteksi sebagai pencilan. Penelitian menggunakan data multivariat yang mengandung pencilan dan menjulur dengan metode baru yaitu Adjusted Outlyingness (AO) yang bekerja dengan baik pada data menjulur. Tujuan penelitian ini adalah menentukan metode yang lebih baik antara CPCA dan ROBPCA dengan menggunakan kriteria pendeteksian pencilan dan komponen utama yang terbentuk berdasarkan akar ciri ≥1 dan scree graph. Analisis pada data bangkitan sebaran Invers Gaussian (IG) dengan berbagai pencilan. Hasil analisis menunjukkan bahwa untuk pendeteksian pencilan, metode ROBPCA lebih baik dibanding CPCA karena menghasilkan kesalahan yang lebih sedikit dan jumlah komponen utama terpilih lebih sedikit menurut kriteria akar ciri dan mampu menjelaskan keragaman lebih besar dibandingkan CPCA apabila komponen utama terpilih yang sama banyak.
English Abstract
Classical Principal Component Analysis (CPCA) is one of best known techniques of multivariate statistics. CPCA is a reduction technique which transforms data to a smaller set of variables while retaining as much variance as possible. These new variables called principal components which are uncorrelated and maximize variance. Data often contain some outlier so that CPCA method is not reliable. Robust Principal Component Analysis (ROBPCA) can overcome outlier. There are some ROBPCA methods which have been developed namely MCD and RMCD, both methods work best in symmetric distribution. When data is skewed in one of the tails, many observation could be flagged as outliers. Multivariate skewed data containing outlier with new method is Adjusted Outlyingness (AO) which works best in skewed data. The purpose in this study was to determine the better method between CPCA and ROBPCA by using outlier detection criteria and principal components according to eigen value ≥1 and scree graph. Analysis of simulated data drawn from Invers Gaussian distribution showed that ROBPCA method is better than CPCA because it produces fewer error and for the principal components selected is fewer by criteria eigen value ≥1 and can explain maximize of variance more than CPCA when the chosen principal components as many as both methods.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2014/233/051404647 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 14 Aug 2014 14:05 |
| Last Modified: | 21 Oct 2021 04:16 |
| URI: | http://repository.ub.ac.id/id/eprint/153856 |
Preview |
Text
Skripsi_Lengkap.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |