TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints31871
UR  - http://digilib.unila.ac.id/31871/
A1  - ANINDIA PUTRI , 1417031014
Y1  - 2018/05/14/
N2  - Analisis komponen utama (AKU) adalah salah satu teknik statistika multivariat
yang digunakan untuk mereduksi dimensi data yang berukuran besar dan saling
berkorelasi menjadi dimensi data yang berukuran lebih kecil dan tidak saling
berkorelasi. AKU konvensional (yaitu dengan menggunakan vektor eigen dari
matriks varian kovarian atau korelasi sebagai koefisien dari komponen utama)
tidak dapat digunakan untuk menganalisis suatu data yang mengandung nilai yang
hilang. Salah satu cara untuk mengatasi data hilang dalam AKU yaitu dengan
menggunakan algoritma Nonlinear Iterative Partial Least Squares (NIPALS).
Algoritma NIPALS mendekomposisikan matriks menjadi matriks scores T dan
matriks loadings P. Dalam penelitian ini, AKU menggunakan data hilang dengan
algoritma NIPALS yang memuat nilai hilang sebanyak 1%, 3%, 5%, 10%, 15%,
20%, 25%, dan 28%. Berdasarkan biasnya, Mean Square Errors (MSE) dan
spectral norm, menyatakan bahwa algoritma NIPALS masih dapat mengatasi nilai
hilang sebanyak 28%, namun untuk nilai hilang sebanyak lebih dari atau sama
dengan 25% hasil komponen utama yang didapat sudah tidak akurat.
Kata Kunci : analisis komponen utama, data hilang, algoritma nonlinear
iterative partial least squares (NIPALS)

abstract

Principal component analysis (PCA) is a multivariate statistical technique which
is used to reduce large dimension and correlated data into smaller dimension and
uncorrelated data. The conventional PCA (i.e. by using the eigen vectors of the
covariance or correlation matrix as the coefficient of the principal components)
cannot be used to analyze data with missing values. One method that can be used
to solve missing values problem in PCA is by using the Nonlinear Iterative Partial
Least Squares (NIPALS) algorithm. NIPALS algorithm decomposes data matrix
X into scores matrix T and loadings matrix P. In this research, investigation of
PCA using NIPALS algorithm was conducted by using data with missing values
1%, 3%, 5%, 10%, 15%, 20%, 25% and 28%. Based on the bias, Mean Square
Errors (MSE) and spectral norm, the result shows that NIPALS algorithm still can
overcome the missing values as much as 28%. However, for the missing values as
much as 25% or more, the resulted principal components were not accurate.
Keyword : Principal component analysis, missing data, nonlinear
iterative partial least squares (NIPALS) algorithm
PB  - FAKULTAS MATEMATIKA DAN ILMU PENGETAAHUAN ALAM 
TI  - ANALISIS KOMPONEN UTAMA DENGAN DATA HILANG
MENGGUNAKAN METODE NONLINEAR ITERATIVE PARTIAL LEAST
SQUARES (NIPALS)
AV  - restricted
ER  -