PCA & CLUSTERING VISUALIZATIONS |

[@dennypermana]

Terimakasih sharing nya mba Ajeng. Sangat bermanfaat untuk mengulang kembali pelajaran ttg PCA 😊. Semoga semakin sukses.

[@teamalgoritma]

Sama sama mas Deny! Jangan lupa share ke teman-temannya juga ya :)

[@_dindyaaa]

Saya izin bertanya, dalam penelitian menggunakan analisis clustering terdapat variabel yang berkorelasi tinggi sehingga terjadi multikolinearitas yang diatasi menggunakan PCA, dalam PCA tersebut apakah boleh hanya variabel yang berkorelasi tinggi saja yang diproses atau harus keseluruhan variabel? dan apakah ada landasan terkait hal tersebut?

[@LittleFanya-pv9ez]

Kak tandain saya yaa kalau udah nemu jawabannya. Soalnya kasus kita sama

[@_dindyaaa]

@@LittleFanya-pv9ez Saya akhirnya hanya melakukan PCA pada variabel yang berkorelasi tinggi saja, tetapi saya jelaskan pada penelitian saya kalau PCA tersebut saya terapkan dengan prinsip adanya korelasi tinggi antar variabel, akhirnya bagian tersebut tidak dikomentari oleh dosen saya lagi. Tetapi menurut saya, PCA dilakukan hanya pada variabel yang berkorelasi tinggi atau keseluruhan variabel tergantung tujuan penelitian dan apa yang ingin dijelaskan. Mohon maaf apabila ada kesalahan, saya juga masih belajar kak

[@chagiyar687]

Saya juga. Mohon pencerahannya kakak admin. . .

[@glandymundung6856]

itu nama metode clusteringnya apa ya?

[@muhammadsobari5896]

saya tertarik untuk belajar lbh lanjut tntang ini. saya mulainya harus dr mana dulu ya?

[@teamalgoritma]

Halo ka, bisa mulai dengan mempelajari basic bahasa pemrogramannya dulu ya ka. Kamu bisa mengikuti kelas online ataupun tatap muka di Algoritma Academy, karena materinya akan diajarkan dari dasar :)

[@jamaluv4600]

Banyak pc nya ga ada ya? Baru pertama kali nemu analisis pca ga ditampilin pc nya ada berapa

[@teamalgoritma]

Haloo, Ketika melakukan PCA jumlah PC yang terbentuk adalah sejumlah variabel yang digunakan, pada kasus ini adalah sejumlah 30. Salah satu keuntungan melakukan analisis PCA kita dapat menvisualisasikan multidimensi data. Dalam melakukan visualisasi data kita hanya perlu menampilkan hasil visualisasi serta insight yang didapat. Apabila ada keperluan untuk reduksi dimensi barulah penting bagi kita melihat jumlah PC serta nilai standar deviasi komulatif di setiap PC nya. Semoga membantu :)