<![CDATA[Metode principle component analysis (PCA) merupakan analisis multivariate yang mentransformasi variabel-variabel asal yang saling berkorelasi menjadi variabel-variabel baru yang tidak saling berkorelasi dengan mereduksi sejumlah variabel tersebut sehingga mempunyai dimensi yang lebih kecil namun dapat menerangkan sebagian besar keragaman variabel aslinya. Selainnya PCA dapat mengatasi multikolinearitas dengan vektor eigen. Namun metode tersebut sangat sensitif terhadap pencilan sehingga akan menghasilkan penduga parameter berbias. Kelemahan pada metode PCA dapat diatasi dengan metode yang merupakan kombinasi dari konsep projection pursuit dengan penduga kovarian minimum covariance determinant yaitu RPCA. Kehadiran pencilan mampu diatasi oleh RPCA karena vektor ciri pada komponen utama tidak terpengaruh oleh adanya pencilan. Akar ciri komponen utama pertama tidak bertambah seiring dengan penambahan proporsi pencilan sehingga proporsi keragaman kumulatif data yang mampu direpresentasikan oleh komponen utama pertama cenderung stabil. Pada penelitian ini dilakukan kajian tentang metode RPCA yang robust terhadap pencilan dengan algoritme proyeksi dan matriks ragam peragam.]]>
Copyrights © 2020
