13
Pekerjaan yang
bisa
dilakukan oleh
PCA
antara
lain
adalah
prediksi,
penghapusan
redundansi,
ekstraksi
fitur,
kompresi
data,
dan
lainnya.
Karena
PCA
merupakan metode
yang bisa bekerja pada wilayah
linear,
maka aplikasi –
aplikasi
yang
memiliki
model
linear
dapat
menggunakan metode
ini,
seperti
pengolahan sinyal,
pengolahan citra,
komunikasi,
dan
lainnya.
Algoritma
dari
Principal Component Analysis adalah sebagai berikut:
1.
Prepare the data
Kumpulkan seluruh data yang akan diproses dalam sebuah matriks.
2.
Subtract the mean
Agar
PCA
dapat
bekerja
dengan
benar, rata
–
rata
dari
data
harus
dikurangkan dari
setiap
data
yang
ada.
Rata
–
rata
yang
dikurangkan
merupakan rata – rata dari setiap dimensi
yang ada. Sehingga, setiap
nilai
x
memiliki rata – rata x
yang akan dikurangkan dan setiap nilai y
memiliki rata – rata y yang akan dikurangkan.
3.
Calculate the covariance matrix
Hitung matriks kovarian dari matriks yang telah dikurangkan dengan rata
–
ratanya.
4.
Calculate the eigenvectors and eigenvalues of the covariance matrix
Hitung
vektor
eigen
dan
nilai
eigen
dari
matriks
kovarian yang
sudah
didapat
sebelumnya.
Penghitungan
vektor
eigen
dari
matriks
kovarian
 |