3 Cara Menentukan Jumlah Komponen Utama di PCA

Setelah eigenvalue dihitung, pertanyaan berikutnya selalu sama: berapa komponen utama yang sebaiknya dipertahankan? Ada tiga cara yang lazim dipakai, dan sebaiknya dipakai bersama-sama, bukan sendiri-sendiri. Pertama, Kaiser's Criterion: pertahankan komponen yang nilai eigennya lebih besar dari 1. Logikanya, pada data yang sudah distandarisasi setiap variabel asli punya varians 1, jadi komponen dengan eigenvalue di bawah 1 menjelaskan lebih sedikit daripada satu variabel tunggal. Kedua, elbow method: cari titik siku pada scree plot, yaitu tempat kurva mulai melandai. Ketiga, variansi kumulatif: hitung berapa komponen yang dibutuhkan untuk mencapai proporsi variansi tertentu. Kisaran yang umum dipakai di praktik ada di 70 sampai 95 persen, dan menurut pengalaman expert paling sering jatuh di 70 sampai 80 persen. Perlu dicatat, angka ambang variansi itu konvensi praktik, bukan aturan baku. Ketiganya bisa memberi jawaban berbeda pada data yang sama, dan di situlah pertimbangan analis dibutuhkan. Expert: Rony Sandra Yofa Zebua. Materi ini bagian dari kelas "Belajar R Studio dan R untuk Data Analisis dan PCA" di Taalenta. Cek jadwal batch berikutnya, akses rekaman lengkapnya, atau ajukan kelas privat untuk tim atau perusahaan: https://taalenta.id/rsr/ #PCA #RStudio #AnalisisData #Statistika #Taalenta

Nah, berarti ada tiga ya. Jadi ee kita itu bisa menggunakan yang tadi ya istilahnya ee menggunakan nilai yang lebih besar dari satu. Ini kan caser kriterion. Kemudian elbow method itu kalau Bapak Ibu menggunakan gambar ini gitu ya. Nah, itu istilahnya itu elbow method gitu ya. Ee ya intinya sama aja sih kita melihat ee nilai eg-nya harus lebih besar dari satu gitu kan. variansi kumulatif ini yang berbeda sedikit. Nah, kita menghitung jumlah komponen utama. Berapa jumlah komponen utama yang memberikan variansi ee antara 70% sampai 95%. Tapi rata-rata sih di antara 70 sampai 80% sih. 90 ke atas ini jarang ya. [musik] Yeah.