Penerapan Robust Principal Component Analysis untuk Data Yang Mengandung Outlier

Principal Component Analysis adalah suatu teknik analisis statistik untuk mentransformasi peubah-peubah asli yang masih saling berkorelasi satu dengan yang lain menjadi satu set peubah baru yang tidak berkorelasi lagi. Tujuan umum dari PCA adalah mereduksi dimensi data. Perkembangan PCA dipengaruhi oleh suatu model robust PCA dengan outlier. Tujuan metode ROBPCA adalah untuk memperoleh komponen utama yang tidak dipengaruhi oleh keberadaan outlier. Metode ROBPCA menggabungkan konsep Projection Pursuit (PP) dan penaksir robust Minimum Covariance Determinant (MCD). Hasil dari analisis ini dibandingkan dengan Classical Principal Component Analysis (CPCA). Pada skripsi ini, dapat disimpulkan bahwa metode ROBPCA lebih baik daripada metode CPCA karena metode ROBPCA mampu menghasilkan jumlah komponen utama yang lebih sedikit daripada metode CPCA dan mampu menjelaskan 82,2% dari total variansi sampel