Analisis komponen utama data tidak lengkap dengan metode variational bayesian principal komponen analysis (VBPCA)
Analisis komponen utama (AKU) adalah teknik analisis data multivariat yang
dapat mereduksi data berdimensi tinggi dengan mempertahankan ...
-
Code CallNo Lokasi Ketersediaan 01001120700067 519.5 Yor a Perpustakaan Pusat (REF.14.112) Tersedia -
Perpustakaan Judul Seri -No. Panggil 519.5 Yor a/R.14.112Penerbit Magister Statistika Terapan : Bandung., 2012 Deskripsi Fisik xiv, 116 hlm. ; il. ; 29 cm.Bahasa IndonesiaISBN/ISSN -Klasifikasi 519.5 Yor aTipe Isi -Tipe Media -Tipe Pembawa -Edisi -Subyek Info Detil Spesifik -Pernyataan Tanggungjawab Yordani, Ricky -
Analisis komponen utama (AKU) adalah teknik analisis data multivariat yang
dapat mereduksi data berdimensi tinggi dengan mempertahankan keragaman data
asal. Metode AKU dihadapkan dengan adanya berbagai masalah yang muncul. Salah
satu masalah dalam prosedur AKU yang standar adalah tidak jelas dalam mengatasi
adanya gugusan data yang tidak lengkap. Prosedur standar AKU pada data tidak
lengkap adalah dengan menghilangkan observasi yang memiliki nilai variabel yang
tidak tersedia (prosedur listwise deletion), dapat mengakibatkan hilangnya inforrnasi
dari observasi tersebut. Metode lain yang digunakan adalah dengan mengintegrasikan
Expectation Maximization (EM) ke dalam metode Probabilistic Principal
Component Analysis (PPCA). Metode PPCA pada gugus data berdimensi tinggi dan
banyak terdapat nilai yang tidak tersedianya dapat menghasilkan prediksi respon yang
overfilling. Dalam penelitian ini dibahas ten tang Variational Bayesian Principal
Component Analysis (VBPCA) yang merupakan metode pengembangan dari metode
PPCA dengan memasukkan inforrnasi prior dari distribusi parameter model
komponen utama. Dari studi simulasi dengan menghilangkan data melalui konsep
missing at random (MAR), diperoleh hasil bahwa nilai korelasi skor komponen
utama data lengkap dengan skor komponen utama hasil prediksi metode PPCA lebih
unggul jika dibandingkan dengan VBPCA, begitu juga untuk nilai skor korelasi
secara umum untuk berbagai presentase data tidak lengkap. Namun, dilihat dari
ukuran kecocokan antara nilai respon dengan prediksinya dengan melalui ukuran
NRMSEP menghasilkan metode VBPCA lebih baik dibandingkan PPCA.
-
Tidak tersedia versi lain
-
Silakan login dahulu untuk melihat atau memberi komentar.