PRINCIPAL COMPONENTS ANALYSIS

8.1 Pengenalan Principal Components

Principal Component Analysis (PCA) atau biasa dikenal dengan analisis komponen
utama adalah metode statistika yang dapat digunakan untuk menjelaskan struktur variansi-
kovariansi sekumpulan variabel melalui beberapa variabel baru dimana variabel baru ini
saling bebas.Variabel baru yang terbentuk merupakan kombinasi linier dari variabel
asal.Selanjutnya variabel baru ini dinamakan komponen utama.
PCA digunakan untuk mereduksi dimensi data dengan cara mentransformasi variabel-
variabel asli yang berkorelasi menjadi satu set variabel baru yang tidak berkorelasi, dengan
tetap mempertahankan sebanyak mungkin keragaman yang dapat dijelaskan.

8.2 Populasi Principal Component

Secara aljabar, komponen utama adalah kombinasi linier tertentu dari variabel random
X1, X2, ... , Xp. Secara geometris, kombinasi linear ini mewakili pemilihan sistem koordinat
baru yang diperoleh dengan memutar sistem yang asli sebagai sumbu koordinat. Sumbu baru
mewakili arah dengan variabilitas maksimum dan memberikan deskripsi yang lebih
sederhana dari struktur kovarians.
Jika diberikan matriks kovarians dengan vektor random X’ = [X1, X2, ... , Xp] dan
matriks kovarians  memiliki eigen value λ1≥ λ2 ≥ ... ≥ λp ≥ 0 maka principal component ke-i
yang dibentuk adalah sebagai berikut
Yi   i1 X1   i 2 X 2  ....   i p X p dengan
Var(Y )  ei  ei  ; i  1,2,..., p dan
Cov(YI , YK )  ei  ek  0; k  1,2,..., p
Sehingga proporsi variabilitas total yang dijelaskan oleh Principal Component ke-k adalah
k
; k  1,2,..., p
1  2  ...   p

Principal Component ke-i dari Variabel Terstandardisasi

Variabel terstandardisasi z  [ z1 , z 2 ...., z p ] dengan cov( z )   sebagai berikut.

p p
Dengan  var(Yi )  var( Z i )  
i 1 i 1

Y ,Z  eik i
i i

Sehingga proporsi variabilitas total yang dijelaskan oleh komponen utama ke-k adalah
k
; k  1,2,... p
