STUDI KINERJA ALGORITME KOMPUTASI PRINCIPAL COMPONENT ANALYSIS ADAPTIF
Yudhi Purwananto · 2010
Algoritma Principal Component Analysis (PCA) Adaptif adalah suatu algoritma untuk mendapatkan komponen utama, yaitu vektor eigen yang berasosiasi dengan nilai eigen yang signifikan, dari suatu data online tanpa membentuk matrik kovarian dari data tersebut terlebih dahulu. Algoritma PCA Adaptif dapat diperoleh melalui penerapan metode optimasi nonlinier pada suatu fungsi objektif yang mengarah pada penyelesaian PCA Adaptif. Metode Gradient Descent adalah metode yang paling umum digunakan untuk mendapatkan algoritma PCA Adaptif. Konvergensi dari metode ini tergantung pada pemilihan laju pembelajarannya. Karena aplikasi online membutuhkan konvergensi yang cepat dan pemilihan laju pembelajaran yang otomatis, maka diterapkan metode optimasi nonlinier lain, yaitu Steepest Descent, Conjugate Direction, Newton-Raphson, dan Recursive Least Square (RLS), untuk mendapatkan algoritma PCA Adaptif baru. Ujicoba penelitian ini dilakukan dengan menggunakan data stationer dan nonstationer berdistribusi Gaussian dengan dimensi dan kovarian yang berbedabeda. Hasil ujicoba ini menunjukkan bahwa metode Steepest Descent, Conjugate Direction, dan Newton-Raphson memiliki konvergensi yang lebih cepat dari metode Gradient Descent. Metode Steepest Descent memiliki jumlah komputasi per iterasi yang lebih sedikit daripada metode Conjugate Direction dan Newton- Raphson. Dibandingkan dengan metode RLS, Steepest Descent menunjukkan konvergensi yang lebih baik untuk setiap komponen utama dan mengikuti perubahan data secara lebih baik pada data nonstationer.