Mengenal Metode Principal Component Analysis (PCA)

Analisis Komponen Utama atau Principal Component Analysis  digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi data secara linier sehingga terbentuk sistem koordinat baru dengan varians maksimum.  Analisis komponen utama dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan

Principal Component Analysis merupakan sebuah analisis multivariate yang mentransformasi variabel-variabel asal yang saling berhubungan menjadi variabel-variabel baru. Banyaknya variabel asli sama dengan banyaknya komponen utama yang terbentuk. Kriteria persentase keragaman data yang diterangkan oleh beberapa komponen utama pertama dihasilkan dari penyederhanaan dimensi. Analisis cukup dilakukan sampai dengan komponen utama tersebut apabila beberapa komponen utama pertama telah menerangkan lebih dari 75% keragaman data asli.

Metode PCA bertujuan untuk menyederhanakan variabel yang diamati dengan cara mereduksi dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali.

Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh, maka komponen-komponen tersebut menjadi variabel bebas baru yang akan diregresikan atau dianalisis pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi. Keunggulan metode PCA diantaranya adalah dapat menghilangkan korelasi secara bersih tanpa harus mengurahi jumlah variabel asal.

Fungsi dari principal component analysis (PCA) adalah dengan merangkum banyak variabel bebas (X) yang memiliki indikasi saling berkorelasi ataupun saling mempengaruhi menjadi satu atau lebih variabel baru yang memuat kombinasi dari variabel-variabel bebas (X) sebelumnya, yang akan memungkinkan menghilangkan masalah multikolinearitas ketika dibentuk suatu model regresi (regresi komponen utama).

Pada kesempatan kali ini kita akan sedikit banyak menguraikan analisis principal component analysis (PCA) dari segi konsepsi dan bagaimana menghasilkan komponen yang optimal dari sekelompok banyak variabel.

Pada dasarnya analisis komponen utama (PCA) bertujuan menerangkan struktur varians-kovarians melalui kombinasi linear dari variabel-variabel. Secara umum analisis komponen utama bertujuan untuk mereduksi data dan menginterpretasikannya. Meskipun dari dari p buah variabel asal dapat diturunkan menjadi p buah komponen utama untuk menerangkan keragaman total sistem (p buah variabel), namun seringkali keragaman total itu dapat diterangkan secara memuaskan oleh sejumlah kecil komponen utama, misal, oleh k buah komponen utama, dimana k < p (k lebih kecil dari pada p). Dalam hal ini, k buah komponen utama dapat menggantikan p buah variabel asal.

Analisis komponen utama sering kali dilakukan tidak saja merupakan akhir dari suatu pengolahan data tetapi juga merupakan tahap (langkah) antara dalam kebanyakan penelitian yang bersifat lebih besar (luas). Sebagai misal dalam analisis regresi komponen utama (principal component regression), maka analisis komponen utama akan merupakan tahap antara karena komponen utama dipergunakan sebagai input dalam membangun analisis regresi, demikian pula dalam analisis kluster, komponen utama dipergunakan sebagai input untuk melakukan pengelompokan.