Detail Cantuman

Image of Analisis komponen utama data tidak lengkap dengan metode variational bayesian principal komponen analysis (VBPCA)

 

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 ...

  • CodeCallNoLokasiKetersediaan
    01001120700067519.5 Yor aPerpustakaan Pusat (REF.14.112)Tersedia
  • Perpustakaan
    Judul Seri
    -
    No. Panggil
    519.5 Yor a/R.14.112
    Penerbit Magister Statistika Terapan : Bandung.,
    Deskripsi Fisik
    xiv, 116 hlm. ; il. ; 29 cm.
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    519.5 Yor a
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    -
    Subyek
    Info Detil Spesifik
    -
    Pernyataan Tanggungjawab
  • 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.


Informasi