Penerapan Analisis Komponen Utama Kekar dengan Metode ROBPCA

Abstract

Data dengan jumlah variabel dan observasi besar seringkali memerlukan penanganan khusus, baik dalam proses analisis maupun visualisasi. Proses analisis dan visualisasi ini bisa disederhanakan dengan cara reduksi dimensi menggunakan analisis komponen utama (AKU). Keberadaan pencilan akan sangat memengaruhi analisis suatu data sehingga diperlukan analisis dengan suatu pendekatan yang kekar (robust) terhadap pencilan. Salah satu pendekatan yang bisa digunakan adalah AKU kekar ROBPCA yang menggabungkan konsep projection pursuit dengan estimator Minimum Covariance Determinant. Suatu data contoh dianalisis menggunakan AKU klasik dan AKU kekar dengan metode ROBPCA. Berdasarkan plot tebaran score distance dan orthogonal distance, AKU ROBPCA efektif dalam mengidentifikasi pencilan dibandingkan dengan AKU klasik. Lebih jauh, hasil analisis biplot juga menunjukkan AKU ROBPCA lebih akurat dalam penanganan pencilan dibandingkan AKU klasik.