Perbedaan PCA dan Analisis Faktor

1. DEFINISI

2. FUNGSI

  1. Reduksi (Eksplorasi)
    Mengubah suatu set variabel yang berdimensi tinggi ke dimensi rendah, namun masih memiliki sebagian besar informasi dari variabel asal.
  2. Transformasi
    PCA juga bisa digunakan untuk mengatasi masalah multikolinieritas. Sehingga antar variabel akan memiliki korelasi yang rendah.
  1. Eksploratori
    Mereduksi suatu set variabel berdimensi tinggi ke dimensi rendah, namun masih memiliki sebagian besar informasi dari variabel asal.
  2. Konfirmatori
    mengekstrak variabel laten dari indikator, pemeriksaan validitas instrument, dan mendapatkan data variabel latent sebagai input dari analisis diskriminan, analisis regresi, cluster analysis, MANOVA, Analisis Path, Model Struktural, MDS dan lainnya.

3. MODEL MATEMATIS

  • PCA : Variabel baru (PC) seolah-olah merupakan kombinasi linier dari variabel asal
  • Analisis Faktor : Variabel Awal seolah-olah merupakan kombinasi linier dari common factor

4. COMMON FACTOR

REFFERENCE

  1. Dillon, W.R., Goldstein M., 1984, Multivariate Analysis: Methods and Applications, John Wiley & Sonsm : New York.
  2. Hair, J.F.Jr.,R.E. Anderson, R.L.Thantam dan W.C. Black. 1998. Multivariate Data Analysis. Fifth Ed. Prentice Hall International, Inc. New Jersey.
  3. Supranto. 2010. Analisis Multivariat Arti dan Interpretasi. Rineka Cipta: Jakarta.
  4. Widarjono, A. 2010. Analisis Statistika Multivariat Terapan. UPP STIM YKPN. Yogyakarta.

--

--

--

Data Scientist Jagoan Hosting. Visit my website at www.arofiqimaulana.com

Love podcasts or audiobooks? Learn on the go with our new app.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
A.Rofiqi Maulana

A.Rofiqi Maulana

Data Scientist Jagoan Hosting. Visit my website at www.arofiqimaulana.com

More from Medium

Can Transformers learn to add like humans?

png

ResNet Paper Summary

Deriving Mean Squared Error from Maximum Likelihood Estimation

Applications of Deep Learning in medical disorder detection