Principal Component Analysis: Teknik Menemukan Pola “Tersembunyi” dari Data

Ketika bekerja dengan data yang memiliki dimensi yang tinggi, model machine learning yang kita buat sering kali mengalami overfit. Oleh karena itu, sangat penting untuk melakukan teknik  mengurangi dimensi sebelum membuat model. Di artikel ini kita akan bahas salah satu teknik pengurangan dimensi, yaitu Principal Component Analysis (PCA).

Apa Itu Principal Component Analysis?

Principal Component Analysis (PCA) adalah teknik unsupervised learning yang populer untuk mengurangi dimensi data. PCA meningkatkan interpretabilitas sambil sekaligus meminimalkan kehilangan informasi. PCA membantu menemukan fitur-fitur yang paling signifikan dalam sebuah dataset dan membuat data mudah ditampilkan dalam 2D dan 3D. PCA membantu menemukan sebuah kombinasi linear dari variabel-variabel.

Mengurangi jumlah variabel dari kumpulan dataset mungkin akan mengurangi akurasi, namun trik dalam pengurangan dimensi adalah menukar sedikit akurasi untuk lebih sederhana. Karena kumpulan data yang lebih kecil lebih mudah untuk dijelajahi dan divisualisasikan serta membuat analisis data menjadi lebih mudah dan lebih cepat untuk algoritma pembelajaran mesin tanpa variabel tambahan untuk diproses.

Cara Kerja Principal Component Analysis

Principal Component Analysis adalah algoritma machine learning yang mengurangi dimensi (jumlah fitur) dalam dataset sambil tetap menyimpan sebanyak mungkin informasi. PCA mengurangi dimensi dengan menemukan set fitur baru yang disebut komponen, yang merupakan komposit dari fitur asli, tetapi tidak saling berkorelasi satu sama lain. Komponen pertama menjelaskan variasi maksimum yang mungkin dalam data, komponen kedua variasi kedua terbesar, dan seterusnya. Ini adalah algoritma reduksi dimensi tidak berlabel. Dalam pembelajaran tidak berlabel, label yang mungkin terkait dengan objek dalam dataset pelatihan tidak digunakan.

Principal Component Analysis menggunakan dua mode untuk menghitung ringkasan ini, tergantung pada situasi: mode reguler untuk dataset dengan data jarang dan jumlah observasi dan fitur yang moderat, dan mode acak untuk dataset dengan jumlah observasi dan fitur yang besar yang menggunakan algoritma aproksimasi. Pada langkah terakhir, algoritma melakukan dekomposisi nilai singular pada solusi terpadu, dari mana komponen utama kemudian diperoleh.

Setelah komponen utama diperoleh, Anda dapat menggunakannya untuk mengurangi dimensi dataset. Anda dapat memilih untuk menyimpan hanya komponen utama dengan variansi yang cukup besar, yang menyimpan sebagian besar informasi dari dataset asli. Ini dapat membantu dalam kasus seperti pengklasifikasian, deteksi anomali, atau kompresi data. Selain itu, komponen utama dapat digunakan untuk visualisasi data dengan menggunakan dua atau tiga komponen utama yang menyimpan variansi terbesar. Ini dapat membantu dalam proses eksplorasi data dan menemukan pola yang mungkin tidak terlihat dengan dimensi yang lebih tinggi.

Manfaat Principal Component Analysis di Machine Learning

Principal Component Analysis banyak dimanfaatkan dalam beberapa hal berikut yaitu:

• PCA digunakan untuk memvisualisasikan data yang memiliki banyak dimensi (multidimentional data).
• PCA dapat digunakan untuk mengurangi dimensi data di bidang kesehatan.
• PCA dapat membantu mengoptimalkan ukuran sebuah gambar.
• PCA dapat digunakan di bidang keuangan dalam menganalisa stok data dan memberikan prediksi.
• PCA dapat menemukan pola pada dataset dengan dimensional yang tinggi.
• PCA dapat diterapkan di bidang perbankan seperti menentukan persetujuan peminjaman oleh nasabah, kartu kredit dsb.
• Di bidang kesehatan, PCA digunakan pada data asuransi pasien dimana banyak sumber data yang punya banyak variabel yang berkorelasi satu sama lain yang bersumber dari rumah sakit, farmasi dan lain-lain.

Kesimpulan

Principal Component Analysis adalah metode unsupervised learning untuk mengurangi dimensi data. PCA membantu menemukan fitur-fitur yang paling signifikan dalam dataset dan membuat data lebih mudah ditampilkan dan dipahami dengan cara menemukan kombinasi linear dari variabel.

PCA banyak dimanfaatkan untuk visualisasi data, mengurangi dimensi dalam bidang kesehatan, mengoptimalkan ukuran gambar, analisa stok data dan memberikan prediksi, menemukan pola pada dataset tinggi dimensi, dan lain-lain. Mulai belajar dan kuasai bidang machine learning sekarang dengan bergabung di Algoritma Data Science School. Dengan bergabung di Algoritma, siapapun bisa mahir di bidang data science dan machine learning.

YONVI SATRIA

Jika Anda tertarik dengan artikel seputar Insight Data Science dan beragam topik menarik lainnya, jadilah orang pertama yang membacanya dengan melakukan subscribe blog dibawah ini!