<![CDATA[Principal Component Analysis (PCA) merupakan teknik analisis multivariat yang bertujuan mereduksi dimensi data dimana sejumlah variabel bebas yang masih saling berkorelasi, dengan mempertahankan sebesar mungkin varians data menjadi kumpulan data baru yang tidak berkorelasi lagi. PCA sangat dipengaruhi oleh kehadiran pencilan (outlier) karena PCA didasarkan pada matriks kovarians yang sensitif terhadap keberadaan data outlier. Robust Principal Component Analysis (ROBPCA) merupakan suatu analisis komponen utama yang robust terhadap keberadaan outlier dalam data pengamatan. Dalam analisis ini menggabungkan konsep Projection Pursuit (PP) dan Minimum Covariance Determinant (MCD). Tujuan penelitian ini adalah mendapatkan komponen utama dengan data yang terindikasi masalah multikolinearitas dan outlier, serta mendapatkan model persamaan terbaik yang diterapkan pada data Angka Kematian Bayi (AKB). Variabel-variabel bebas yang memengaruhi AKB yaitu, jumlah ibu hamil, jumlah persalinan yang ditolong tenaga kesehatan, jumlah tenaga medis, jumlah ibu hamil yang mengalami komplikasi kebidanan, dan presentase penduduk miskin. Pada proses awal data pengamatan dilakukan uji multikolinearitas dan selanjutnya menentukan komponen utama dengan PCA. Setelah mendapatkan komponen utama, dilakukan analisis regresi. Pendeteksian outlier menggunakan jarak robust Mahalanobis. Ketika terdapat outlier, maka proses dilanjutkan menggunakan ROBPCA. Hasil analisis menunjukkan bahwa ROBPCA dapat menghasilkan 2 komponen utama dari 5 variabel asal. Berdasarkan penelitian model regresi PCA dan ROBPCA sama-sama memiliki nilai R-square sebesar 0,4206 artinya bahwa penelitian ini mampu menjelaskan 42,06% varians Y. Akan tetapi pada Residual Standard Error (RSE) untuk model regresi PCA sebesar 3,526 lebih besar daripada model regresi ROBPCA yaitu sebesar 0,827. Model terbaik yang didapatkan untuk analisis Angka Kematian Bayi di Kalimantan Barat adalah ROBPCA. Kata Kunci : PCA, robust, ROBPCA, outlier, R-square, RSE ]]>
Copyrights © 2021
