PERBANDINGAN ANALISIS KOMPONEN UTAMA DAN ROBUST PCA (ROBPCA)

(STUDI KASUS: PADA ANALISIS DATA RATA-RATA PENGELUARAN PER KAPITA SEBULAN UNTUK KOMODITAS MAKANAN DI PROVINSI SULAWESI SELATAN)

Authors

  • Drajat Indra Purnama Badan Pusat Statistik (BPS) Parigi Moutong
  • Pardomuan Robinson Sihombing Badan Pusat Statistik (BPS) Jakarta

DOI:

https://doi.org/10.46306/bay.v1i1.7

Keywords:

Makanan, Pengeluaran, PCA, ROBPCA, Sulawesi Selatan

Abstract

Sulawesi Selatan merupakan provinsi di wilayah timur Indonesia yang merupakan pintu gerbang menuju beberapa wilayah atau kota di Indonesia Timur. Tingkat kesejahteraan penduduk Sulawesi Selatan dapat diukur salah satunya dengan menghitung pengeluaran dalam memenuhi kebutuhan hidupnya baik kebutuhan makanan maupun bukan makanan. Pada penelitian ini akan dilakukan analisis terhadap rata-rata pengeluaran per kapita sebulan pada empat belas kelompok makanan. Untuk memudahkan analisis terhadap variabel yang jumlahnya banyak maka perlu dilakukan penyederhanaan jumlah variabel menggunakan analisis kompone utama dengan metode PCA klasik dan ROBPCA. Hasil yang didapat metode ROBPCA memberikan performa yang lebih baik dari pada PCA klasik, hal ini dapat dilihat model ROBPCA mampu menghasilkan jumlah komponen utama yang lebih sedikit daripada variabel asalnya, hanya dengan 3 komponen sudah mampu menjelaskan hingga 80,69 persen

References

Artigue, H., & Smith, G. (2019). The Principal Problem With Principal Components Regression. Cogent Mathematics & Statistics, 6(1).

Badan Pusat Statistik Provinsi Sulawesi Selatan. (2020). Produk Domestik Regional Bruto Provinsi Sulawesi Selatan Menurut Lapangan Usaha 2015-2019. Makassar: Badan Pusat Statitik.

Herdiani, E., Sari, P., & Sunusi, N. (2019). Detection of Outliers in Multivariate Data using Minimum Vector Variance Method. Journal of Physics: Conference Series 1341.

Hubert, M., Rousseeuw, P., & Branden, K. (2005). ROBPCA: a New Approach to Robust Principal Component Analysis. American Statistical and the American Society for Quality Technometric, 7(1).

Johnson, R., & Wichern, D. (2002). Applied Multivariate Statistical Analysis, 5th edition. Pearson Education International.

Jumiati, S., Martha, S., & Imro’ah, N. (2018). Penerapan Analisis Komponen Utama untuk Mereduksi Variabel dalam Pengukuran Desain Helm . Buletin Ilmiah Mat, Stat, dan Terapannya (Bimaster), 7(3), 225-230.

Mishra, S. P., Sarkar, U., Taraphder, S., Datta, S., Swain, D. P., Sasmita, R. S., & Laishram, P. M. (2017). Mishra, S.P, et all. Multivariate Statistical Data Analysis-Principal Component Analysis (PCA). International Journal of Livestock Research., 7(5), 60-78.

Morrison, D. (1978). Multivariate Statistical Methods, Second edition. New York : McGraw-Hill.

Rencher, A. (1998). Multivariate Statistical Inference and Application. Brigham: Wiley-Interscience Publication.

Sunaryo, S., & Siagian, T. H. (2011). Mengatasi Masalah Multikolinearitas Dan Outlier Dengan Pendekatan ROBPCA. JurnalMatematika, Saint danTeknologi, 12(1), 1-10.

Susilowati, B. E., & Sihombing, P. R. (2020). Metode ROBPCA (Robust Principal Component Analysis) dan Clara (Clustering Large Area) pada Data dengan Outlier. Jurnal Ilmu Komputer, 13(2).

Yuliani, N. W., Sukarsa, K. G., & Srinadi, I. G. (2013). Perbandingan Regresi Komponen Utama dan RobPCA Dalam Mengatasi Multikolinearitas dan Pencilan Pada Regresi Linear Berganda. E-Jurnal Matematika, 2(4), 1-5.

Downloads

Published

2021-03-02