Analisis komponen utama: Perbedaan antara revisi

← Revisi sebelumnya Revisi selanjutnya →

Konten dihapus Konten ditambahkan

Sebaris

Revisi per 7 Mei 2010 15.42

Dalam statistika, analisis komponen utama (Bahasa Inggris: principal component analysis / PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk sistem koordinat baru dengan varians maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. PCA juga sering digunakan untuk mengatasi masalah multikolinearisme antara peubah bebas.

PCA juga dikenal dengan Transformasi Karhunen-Loève (dinamakan untuk menghormati Kari Karhunen dan Michel Loève) atau Transformasi Hotelling (dinamakan untuk menghormati Harold Hotelling).

Contoh aplikasi PCA adalah untuk teknik kompresi citra digital dan kompresi video. PCA juga merupakan salah satu teknik statistik multivariat yang dapat menemukan karakteristik data yang tersembunyi.

Artikel bertopik statistika ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.

Revisi per 14 Februari 2010 13.47 sunting BenzolBot (bicara \| kontrib) Bot 4.029 suntingan k bot Mengubah: ca:Anàlisi de components principals ← Revisi sebelumnya		Revisi per 7 Mei 2010 15.42 sunting balikkan 35Abdul (bicara \| kontrib) 261 suntingan Tidak ada ringkasan suntingan Revisi selanjutnya →
Baris 1:		Baris 1:
	Dalam [[statistika]], '''analisis komponen utama''' ([[Bahasa Inggris]]: ''principal component analysis'' / PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk [[sistem koordinat]] baru dengan [[varians]] maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan.		Dalam [[statistika]], '''analisis komponen utama''' ([[Bahasa Inggris]]: ''principal component analysis'' / PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk [[sistem koordinat]] baru dengan [[varians]] maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. PCA juga sering digunakan untuk mengatasi masalah [[multikolinearisme]] antara peubah bebas.

	PCA juga dikenal dengan '''Transformasi Karhunen-Loève''' (dinamakan untuk menghormati [[Kari Karhunen]] dan [[Michel Loève]]) atau '''Transformasi Hotelling''' (dinamakan untuk menghormati [[Harold Hotelling]]).		PCA juga dikenal dengan '''Transformasi Karhunen-Loève''' (dinamakan untuk menghormati [[Kari Karhunen]] dan [[Michel Loève]]) atau '''Transformasi Hotelling''' (dinamakan untuk menghormati [[Harold Hotelling]]).