Reduksi dimensi menggunakan PCA. 2 Dimensionality Reduction Satu pendekatan terkait dengan dimensi yang tinggi adalah mengurangi dimensi data tersebut.

Slides:



Advertisements
Presentasi serupa
Mulai Baca x x>x; if(x
Advertisements

RUANG VEKTOR UMUM.
RUANG VEKTOR Trihastuti Agustinah..
Informatika Semester 1. Mahasiswa mampu memahami konsep aljabar linier dan memilih metoda yang tepat untuk menyelesaikan berbagai persoalan aljabar linier.
STATISTIKA MULTIVARIAT ANALISIS FAKTOR
Oleh: I Gusti Bagus Rai Utama, SE., MMA., MA.
Statistic Multivariate
Metodologi dan Perkembangan Ilmu Ekonomi
ANA IFADAH, ANALISIS METODE PRINCIPAL COMPONENT ANALYSIS (KOMPONEN UTAMA) DAN REGRESI RIDGE DALAM MENGATASI DAMPAK MULTIKOLINEARITAS DALAM ANALISIS.
KOMPUTER GRAFIKA TRANSFORMASI 2D (ROTASI DAN SHEARING)
Linear Algebra (Aljabar Linier) Week 14
TRANSFORMASI LINIER.
PENGENALAN EKSPRESI WAJAH PADA CITRA DUA DIMENSI Ardanti Anandita
PERCABANGAN/PEMILIHAN
TRANSFORMASI LINIER.
DIAGNOSTICS AND REMEDIAL MEASURES
Distribusi Probabilitas 2
Pendahuluan Mengapa perlu transformasi ?
PERANCANGAN DAN ANALISIS SISTEM PENGENALAN WAJAH BERBASIS ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) Oleh Krisna Gunawan JURUSAN TEKNIK KOMPUTER.
Transformasi laplace fungsi F(t) didefinisikan sebagai :
Perhitungan Cost-Benefit Sederhana untuk Manfaat yang Tangible
DATA REDUCTION.
Pertemuan 9 Analisis State Space dalam sistem Pengaturan
1 Pertemuan 9 Rekognisi Obyek dengan Pendekatan PCA (1) Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1.
1 Pendahuluan Pertemuan 4 Matakuliah: H0062/Teori Sistem Tahun: 2006.
1 Pertemuan 22 Matakuliah: I0214 / Statistika Multivariat Tahun: 2005 Versi: V1 / R1 Analisis Struktur Peubah Ganda (II): Analisis Faktor.
Aplikasi Transformasi Citra Beberapa Contoh
Pengantar Penggunaan banyak variabel dalam penelitian seringkali tak terelakkan, terutama dalam bidang sosial. Korelasi antar variabel-variabel berjumlah.
Tim Dosen Data Mining Fakultas Informatika
KONSEP SISTEM INFORMASI MANAJEMEN
SIKLUS HIDUP PENGEMBANGAN PERANGKAT LUNAK
Perancangan Percobaan
Iwan Ariawan Dep. Biostatistika - FKMUI
Pendekatan gabungan analisis eigenvalue kompleks dan desain eksperimen (DOE) untuk mempelajari disc brake penggilingan M. Nouby1*, D. Mathivanan2*, K.
SISTEM INFORMASI BERBASIS KOMPUTER
VEKTOR VEKTOR PADA BIDANG.
VEKTOR VEKTOR PADA BIDANG.
Latent Semantic Indexing (LSI)
LATIHAN SK dan KD CONTOH SOAL PEMBAHASAN
dan Transformasi Linear dalam
3D Mixed Reality berbasis Analisis Kedalaman Objek Nyata 3D
PENANGANAN ASUMSI RESIDUAL DALAM ANALISIS REGRESI
KONSEP SISTEM INFORMASI MANAJEMEN
Tugas 1 ADPSI Kerjakan secara berkelompok!
Lanjutan Ruang Hasil Kali Dalam
Analisis regresi (principle component regression)
Transformasi Linear Misalkan V dan W adalah ruang vektor, T : V  W
KOMPUTER GRAFIKA TRANSFORMASI 2D (ROTASI DAN SHEARING)
BAB 7 TIME SERIES ANALYSIS Dalam peramalan, biasanya orang akan mendasarkan diri pada pola atau tingkah laku data pada masa-masa lampau. Data yang dikumpulkan.
Validasi dan Verifikasi Software
ANALISIS MULTIVARIATE
UNIVERSITAS TRUNOJOYO
Sistem informasi manajemen
TRANSFORMASI LINIER Afri Yudamson, S.T., M.Eng..
UNIVERSITAS LAMBUNG MANGKURAT PROGRAM STUDI S-1 TEKNIK MESIN
KONSEP SISTEM INFORMASI MANAJEMEN
FACE RECOGNITION SISTEM CERDAS ANGGOTA: 1.ELIN SAFITRI ( )
RUANG VEKTOR bagian pertama
Manajemen Proyek Pengadaan Mesin Absensi Deteksi Wajah Di presesentasikan untuk PT.NANO TEKNOLOGI Indonesia Oleh: Anggi Saputra Bayu Sadewo Nur Kholis.
Testing dan Implementasi
KONSEP SISTEM INFORMASI MANAJEMEN
Transformasi Geometri 2 Dimensi
KONSEP SISTEM INFORMASI MANAJEMEN
Principal Components Analysis
Transformasi Wavelet.
TRANSFORMASI LINIER BUDI DARMA SETIAWAN.
SISTEM INFORMASI BERBASIS KOMPUTER
Principal Components Analysis (Pendekatan Sampel)
Multivariate Analysis
Kansei Engineering dalam Perancangan User Interface E-Commerce Produk UKM berbasis Web Indra Griha Tofik Isa, S.T., M.Kom Indra Satriadi, S.T., M.Kom Palembang,
Transcript presentasi:

Reduksi dimensi menggunakan PCA

2 Dimensionality Reduction Satu pendekatan terkait dengan dimensi yang tinggi adalah mengurangi dimensi data tersebut. Memproyeksikan data dimensi tinggi ke dimensi yang rendah menggunakan transformasi linier dan non-linier

3 Dimensionality Reduction Transformasi linier adalah sederhana dalam perhitungan dan mudah dilakukan Pendekatan yang sederhana adalah – Principal Component Analysis (PCA) – Fisher Discriminant Analysis (FDA) k x 1 k x d d x 1 (k<<d)

4 Principal Component Analysis (PCA) Setiap teknik reduksi dimensi adalah menemukan transformasi yang memenuhi ketentuan/kriteria tertentu (misal information loss, data discrimination, dll) Tujuan dari PCA adalah mengurangn dimensi data dengan mempertahankan variasi data yang ada

5 Principal Component Analysis (PCA) Carilah basis dalam sub ruang dimensi rendah −Proyeksikan ke ruang dimensi yang rendah : (1) Original space : (2) Lower-dimensional sub-space dinyatakan Note: if K=N, then

6 Principal Component Analysis (PCA) Contoh (K=N):

7 Principal Component Analysis (PCA) Information loss −Reduksi dimensi menyebabkan informasi hilang !! −PCA mempertahankan informasi:

8 Principal Component Analysis (PCA) Methodology −misalkan x 1, x 2,..., x M adalah N x 1 vectors

9 Principal Component Analysis (PCA) Metodologi – cont.

10 Principal Component Analysis (PCA) Eigenvalue spectrum λiλi K λNλN

11 Principal Component Analysis (PCA) Tranformasi linier dengan PCA −Transformasi linier R N  R K yaitu melakukan reduksi dimensi

12 Principal Component Analysis (PCA) Interpretasi Geometri −.−.

13 Principal Component Analysis (PCA) Berapa banyak Principal Component? −Untuk memilik K, anda dapat menggunakan kriteria berikut:

14 Principal Component Analysis (PCA) Error karena reduksi dimensi: average error karena reduksi dimensi adalah: