DESKRIPSI DATA DENGAN METODE ANALISIS KOMPONEN UTAMA
Penulisan ini bertujuan untuk menjelaskan can deskripsi data multivariat dengan analisis komponen utama. Metode untuk memperoleh komponen utama dapat dilakukan dengan dua cara, yaitu metode Lagrange dan Dekomposisi SpektJ'al. Untuk memudahkan pemakaian metode ini maka pada tulisan ini dibuat al...
Saved in:
| Main Author: | |
|---|---|
| Format: | Theses and Dissertations NonPeerReviewed |
| Language: | Indonesian |
| Published: |
1999
|
| Subjects: | |
| Online Access: | http://repository.unair.ac.id/57917/1/kk%20mpm%202.99%20sub%20d.pdf http://repository.unair.ac.id/57917/ http://lib.unair.ac.id |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Penulisan ini bertujuan untuk menjelaskan can deskripsi data multivariat dengan analisis komponen utama. Metode untuk memperoleh komponen utama dapat dilakukan dengan dua cara, yaitu metode Lagrange dan Dekomposisi SpektJ'al. Untuk memudahkan pemakaian metode ini maka pada tulisan ini dibuat algoritma dan program analisis komponen utama dengan S-plus yang dapat diimplementasikan ke dalam komputer.
Deskripsi data dengan metode anaJisis komponen urama adaJah deskripsi data dengan can mereduksi dimensi variabel awal kemudian membuat variabel barn yang merupalcan kombinasi mer dari wriabel awal yang disebut komponen utama. Hasi1 dari metode ini dapat diperoleh komponen utama dan komponen score yang dapat digambarkan ke dalam ruang yang berdimensi lebih rendah dari dimensi variabel awal. Komponen utama dan komponen score yang diperoleh juga dapat digambarkan dalam satu plot yang disebut dengan biplot, sehingga gambaran tentang obyek karakteristiknya dapat diinterpretasikan secara lebih sederbana.
Pada bagian pembahasan ditunjukkan cara mendeskripsikan data kepekaan lima belas macam spesies air tawar tedtadap sebelas macam kandungan kimia dengan a:nalisis komponen utama. lsi data adalah log LC50 terhadap sebelas macam kandungan kimia. Setelah dilakukan analisis komponen utama dapat dilihat bahwa dengan dimensi yang lebih rendah (dimensi dua) data dapat dideskripsikan dengan lebih mudah tanpa kehilangan banyak infonnasi. Dengan dimensi ini pula mampu menjelaskan hampir tujuh puluh lima persen dari keragaman awal.
Kato Kunci: komponen utama, komponen score, biplot
( |
|---|