ANALISIS KOMPONEN UTAMA ROBUST DENGAN METODE PENDUGAAN REWEIGHTED MINIMUM COVARIANCE DETERMINANT
Abstract: Classic Principal
Component Analysis (CPCA) digunakan untuk menjelaskan struktur matriks
ragam-peragam melalui sejumlah kecil komponen yang tidak saling berkorelasi.
Keberadaan pencilan membuat penduga klasik kurang diandalkan sehingga digunakan
Robust Principal Component Analysis (ROBPCA). Metode robust yang digunakan
adalah Minimum Covariance Determinant (MCD) yang memiliki kemampuan mengukur
jarak sekaligus mendeteksi pencilan dengan menentukan himpunan bagian data yang
menghasilkan determinan matriks ragam-peragam terkecil. Untuk meningkatkan
efisiensi MCD digunakan Reweighted Minimum Covariance Determinant (RMCD), yaitu
metode MCD yang ditambahi bobot wberdasarkan jarak robust pengamatan. Tujuan
penelitian adalah menentukan metode yang lebih baik (CPCA atau ROBPCA).
Peneliti menggunakan data Survei Sosial Ekonomi Nasional 2010-2011 Provinsi
Jatim yang terdiri dari 29 kabupaten dan 9 kota, sehingga diambil 38
pengamatan. Berdasarkan analisis, ROBPCA lebih baik untuk digunakan
dibandingkan CPCA, karena menghasilkan vektor rata-rata dan matriks
ragam-peragam yang tangguh terhadap pencilan. Halini dilihat dari besarnya
keragaman yang dapat dijelaskan oleh komponen utama terpilih serta jumlah
komponen terpilih berdasarkan kriteria akar ciri ≥ 1 dan persen keragaman
kumulatif.
Penulis: Nensi Pradeni, Maria
Bernadetha Mitakda, Loekito Adi S
Kode Jurnal: jpmatematikadd130604
