Mengenal Principle Component Analysis (PCA)
Sumber: Pinterest Principle Component Analysis (PCA) adalah suatu metode yang digunakan untuk mengektraksi data penting dari suatu varian data yang banyak. PCA bekerja dengan cara mencari variansi terbesar dari data kemudian menggunakan fitur baru yang saling tidak berkorelasi dengan satu sama lain. Selanjutnya fitu-fitur baru itu disebut Principle Component (PC) atau komponen utama dan dilakukan untuk mereduksi dimenasi data atau untuk meningkatkan akurasi dari suatu model machine learning. PCA umumnya digunakan untuk menangani data yang memiliki banyak fitur dan dimenasi seperti citra atau data sinyal.
Selain itu, PCA juga dapat digunakan untuk mengidentifikasi kluster atau pola yang mungkin tersembunyi dalam data. PCA juga dapat membentuk biplot seperti scatter plot sehingga memudahkan dalam visualisasi dan intepretasi. Namun, perlu diingat bahwa PCA hanya dapat digunakan untuk mengektraksi fitur dari data yang terdistribusi normal atau mendekati normal. Tidak tidak memenuhi kondisi normal maka metode lain yang dapat dilakukan adalah Multiple Correspondence Analysis (MCA) atau Independent Component Analysis (ICA).
Salah satu keuntungan dari menggunakan PCA adalah dapat mengurangi overfitting di suatu machine learning. Karena PCA ini dapat mengurangi jumlah fitur yang digunakan tanpa mengurangi informasi penting yang ada di dalamnya. Selain itu, PCA juga dapat digunakan untuk mengidentifikasi data outlier. Data outlier adalah data yang tidak sesuai dengan pola umum dari data yang ada dan akan berpotensi mengganggu kinerja model. Dengan menggunakan PCA maka akan ditemukan data outlier kemudian dihilangkan sehingga dapat meningkatkan akurasi model.
No Comments