Author

Ismail Djakaria

Subject

- Sains

Abstract

Analisis komponen utama atau principal component analysis (PCA) merupakan salah satu metode dalam analisis multivariat yang secara khusus dikembangkan untuk mereduksi dimensi data. Secara umum, tujuan utama PCA adalah untuk mengurangi kompleksitas hubungan timbal-balik antara sejumlah besar variabel yang diamati ke sejumlah relatif kecil dari kombinasi linearnya, yang disebut sebagai komponen utama. Di dalam makalah ini, PCA berperan mereduksi sejumlah dimensi atau variabel multivariat, dengan simulasi data citra remote sensing hyperspectral. Hasil reduksi variabel (atau band/saluran, dalam hubungannya dengan data citra) ini akan dijadikan variabel (band) input untuk analisis lebih lanjut, seperti klasifikasi. Metode klasifikasi yang akan digunakan adalah klasifikasi terkontrol, yaitu pengklasifikasi maximum likelihood (MLC). Tulisan ini bertujuan untuk memberikan pemahaman tentang pereduksian dan pengklasifikasian obyek melalui metode statistika multivariat, dalam hal ini PCA, sehingga akan diperoleh fungsi diskriminan baru sebagai fungsi klasifikasi multivariat yang sudah termodifikasi dengan PCA. Langkah-langkah penulisan dimulai dengan melakukan peninjauan (review) tentang principal component analysis (PCA) dan pengklasifikasi terkontrol maximum likelihood, termasuk mendeskripsikan kelebihan dan kekurangan dari metode-metode ini. Penelitian ini diharapkan dapat merumuskan fungsi diskriminan sebagai pengklasifikasi maximum likelihood termodifikasi dengan PCA. Kata kunci: PCA, maximum likelihood, fungsi diskriminan.

Publisher

Jurusan Matematika FMIPA UNAND

Contributor

-

Publish

2014

Material Type

PROSIDING

Right

-