PutriD, AnggraeniDewi (2014) Perbandingan Analisis Komponen Utama Klasik Dan Analisis Komponen Utama Robust Dengan Metodereweighted Minimum Covariance Determinant (Rmcd). Sarjana thesis, Universitas Brawijaya.
Abstract
Analisis Komponen Utama (PCA) adalah analisis multivariat yang umumnya diterapkan pada data dimensi tinggi. Dengan demikian, PCA tidak hanya diimplementasikan dalam bidang ekonomi tetapi juga dalam ilmu sosial. Selanjutnya, pengembangan PCA sendiri tidak dapat disangkal dipengaruhi oleh kebutuhan PCA yang kuat ke arah data yang mengandung outlier di mana outlier itu sendiri tidak boleh dihapus untuk menjaga semua informasi yang ada. Dalam memecahkan masalah, Rousseeuw memiliki metode estimasi yang disebut minimum Determinant kovarian (MCD) diterapkan pada PCA yang tahan terhadap outlier. Dengan demikian, penelitian ini bertujuan untuk mengidentifikasi kemampuan PCA dan PCA Kuat Klasik dengan metode RMCD estimasi yang mengurangi dimensi data. Selain itu, peneliti juga membandingkan jumlah komponen utama dari data yang berisi outlier dalam PCA PCAWithrobust klasik yang memiliki RMCD sebagai metode estimasi. Berbasis pada perbandingan 10 kasus yang dipilih telah diperiksa dalam hal akar karakteristik, didirikan bahwa hanya ada 4 kasus menghasilkan komponen utama yang berbeda. Di sisi lain, dalam hal proporsi variasi kumulatif, didirikan bahwa hanya ada 5 kasus menghasilkan komponen utama yang berbeda. Berikut ini, temuan analisis diuji menggunakan tes Wilcoxon yang menghasilkan dua kesimpulan. Pertama, jumlah komponen utama yang dihasilkan dari kedua metode berbeda. Kedua, hasil analisis menggunakan metode kuat lebih baik daripada metode klasik
English Abstract
Principal Component Analysis (PCA) is a multivariate analysis which is commonly applied to high-dimensional data. Thus, PCA is not only commonly implemented in economics but also in social science. Furthermore, the development of PCA itself is undeniably effected by the need of robust PCA toward the data containing outlier in which the outlier itself should not be removed for keeping all the existing information.In solving that issue, Rousseeuw has formulateda method of estimation called Minimum Covariance Determinant(MCD) to be applied on the PCA that is resistant to the outlier. Thus, this study aims at identifying the capability of Classical PCAand Robust PCA with the RMCD method of estimationin reducing the dimension of the data. Additionally, the researcher also compared the number of principal component of the data containing outliers within Classical PCAwithRobust PCA which has RMCD as the method of estimation.Based on the comparison of 10 selected cases which has been examined in terms of characteristic root, it is founded that there are only 4 cases yield different principal components. On the other hand, in terms of the proportion of cumulative variation, it is founded that there are only 5 cases yield different principal components. In the following, the findings of the analysis are tested using the Wilcoxon test which result in two conclusions. Firstly, the numbers of principal components which are resulted from both methods are different. Secondly, the result of the analysis using Robust method is better than the classical method.Inthe datacontainsoutliers3%, 5%, 10% RMCDmethodof estimation willprovidemore validresults, althoughin this studythe analysisbased on both methodsgive the same result.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2014/267/051405147 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 01 Sep 2014 10:26 |
| Last Modified: | 21 Oct 2021 04:37 |
| URI: | http://repository.ub.ac.id/id/eprint/153893 |
Preview |
Text
Gabungan.pdf Download (5MB) | Preview |
Actions (login required)
 |
View Item |