Klasifikasi data menggunakan analisis komponen utama kernel dengan fungsi isotropik

Abstract

Analisis komponen utama (AKU) merupakan bentuk khusus dari AKU kernel dengan fungsi kernel linear. Tujuan dari studi ini ialah untuk menyelesaikan permasalahan data yang tak terpisahkan secara linear dan mengklasifikasikan suatu objek ke dalam kelompok menggunakan AKU kernel sehingga diperoleh salah klasifikasi terkecil. Pengklasifikasian kelompok menggunakan AKU kernel diselesaikan dengan fungsi kernel linear dan fungsi isotropik (Gauss dan gelombang). Hasil untuk data pengenalan anggur menunjukkan bahwa fungsi kernel linear memberikan salah klasifikasi 6.74%, sedangkan fungsi isotropik yaitu Gauss dan gelombang masing-masing memberikan salah klasifikasi 2.25% dan 7.30%. Kata kunci: analisis komponen utama, kernel, isotropik.

Principal component analysis (PCA) is a special case of the kernel PCA with linear kernel function. The aim of this study is to resolve the data problem that is not linearly separable and to classify objects into a group by using kernel PCA to obtain the smallest classification error. Group classification using kernel PCA is performed by the linear kernel function and isotropic function, i.e., Gauss and wave functions. The result of the study shows for wine recognition data with the linear function produces 6.74% classification error, whereas Gauss and wave isotropic functions produce 2.25 % and 7.30% classification error, respectively. Keywords: principal component analysis, kernel, isotropic.