{"id":1240,"date":"2023-07-27T04:23:20","date_gmt":"2023-07-27T04:23:20","guid":{"rendered":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/"},"modified":"2023-07-27T04:23:20","modified_gmt":"2023-07-27T04:23:20","slug":"analisis-komponen-utama-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/","title":{"rendered":"Analisis komponen utama di r: contoh langkah-demi-langkah"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Analisis komponen utama, sering disingkat PCA, adalah teknik pembelajaran mesin <a href=\"https:\/\/statorials.org\/id\/pembelajaran-yang-diawasi-vs.-tanpa-pengawasan\/\" target=\"_blank\" rel=\"noopener noreferrer\">tanpa pengawasan<\/a> yang berupaya menemukan komponen utama \u2013 kombinasi linier dari prediktor asli \u2013 yang menjelaskan sebagian besar variasi dalam kumpulan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tujuan PCA adalah untuk menjelaskan sebagian besar variabilitas dalam suatu kumpulan data dengan variabel yang lebih sedikit dibandingkan kumpulan data aslinya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk kumpulan data tertentu dengan variabel <em>p<\/em> , kita dapat memeriksa plot sebar dari setiap kombinasi variabel berpasangan, namun jumlah plot sebar dapat menjadi besar dengan sangat cepat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk prediktor <em>p<\/em> , terdapat awan titik p(p-1)\/2.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jadi, untuk kumpulan data dengan p = 15 prediktor, akan terdapat 105 plot sebar yang berbeda!<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untungnya, PCA menawarkan cara untuk menemukan representasi kumpulan data berdimensi rendah yang menangkap sebanyak mungkin variasi data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita dapat menangkap sebagian besar variasi hanya dalam dua dimensi, kita dapat memproyeksikan semua observasi dari kumpulan data asli ke dalam plot sebar sederhana.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Cara kita mencari komponen utamanya adalah sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><sub>Diberikan<\/sub> <sub>kumpulan<\/sub> <sub>data<\/sub> <sub>dengan<\/sub> <sub>prediktor<\/sub> <em>p<\/em> <em>:<\/em> <em>_<\/em><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><sub>Z<\/sub> <sub>m<\/sub> <sub>=<\/sub> <sub>\u03a3\u03a6<\/sub> <sub>jm<\/sub> <sub>_<\/sub><\/span><\/li>\n<li> <span style=\"color: #000000;\">Z <sub>1<\/sub> adalah kombinasi linier dari prediktor yang menangkap varians sebanyak mungkin.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Z <sub>2<\/sub> adalah kombinasi linier berikutnya dari prediktor yang menangkap varian terbanyak namun <em>ortogonal<\/em> (yaitu, tidak berkorelasi) dengan Z <sub>1<\/sub> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Z <sub>3<\/sub> kemudian merupakan kombinasi linier berikutnya dari prediktor yang menangkap varian terbanyak namun ortogonal terhadap Z <sub>2<\/sub> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Dan seterusnya.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, kami menggunakan langkah-langkah berikut untuk menghitung kombinasi linier dari prediktor asli:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> Skalakan setiap variabel agar mempunyai rata-rata 0 dan deviasi standar 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2.<\/strong> Hitung matriks kovarians untuk variabel berskala.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3.<\/strong> Hitung nilai eigen matriks kovarians.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dengan menggunakan aljabar linier, kita dapat menunjukkan bahwa vektor eigen yang sesuai dengan nilai eigen terbesar adalah komponen utama pertama. Dengan kata lain, kombinasi prediktor khusus ini menjelaskan varian terbesar dalam data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Vektor eigen yang sesuai dengan nilai eigen terbesar kedua adalah komponen utama kedua, dan seterusnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan proses ini di R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 1: Muat data<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Pertama-tama kita akan memuat paket <strong>Tidyverse<\/strong> , yang berisi beberapa fungsi berguna untuk memvisualisasikan dan memanipulasi data:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #993300;\">library<\/span> (tidyverse)\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kami akan menggunakan kumpulan data <em>Penangkapan AS<\/em> yang dibangun ke dalam R, yang berisi jumlah penangkapan per 100.000 penduduk di setiap negara bagian AS pada tahun 1973 karena <em>pembunuhan<\/em> , <em>penyerangan<\/em> , dan <em>pemerkosaan<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ini juga mencakup persentase penduduk setiap negara bagian yang tinggal di daerah perkotaan, <em>UrbanPop<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara memuat dan menampilkan baris pertama kumpulan data:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #993300;\"><span style=\"color: #008080;\">#load data<\/span>\n<span style=\"color: #000000;\">data<\/span><\/span> <span style=\"color: #000000;\">(\"USArrests\")<\/span>\n\n<span style=\"color: #008080;\">#view first six rows of data<\/span>\nhead(USArrests)\n\n           Murder Assault UrbanPop Rape\nAlabama 13.2 236 58 21.2\nAlaska 10.0 263 48 44.5\nArizona 8.1 294 80 31.0\nArkansas 8.8 190 50 19.5\nCalifornia 9.0 276 91 40.6\nColorado 7.9 204 78 38.7\n<\/strong><\/pre>\n<h3> <strong>Langkah 2: Hitung komponen utama<\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Setelah memuat data, kita dapat menggunakan fungsi bawaan R <strong>prcomp()<\/strong> untuk menghitung komponen utama kumpulan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pastikan untuk menentukan <strong>skala = TRUE<\/strong> sehingga setiap variabel dalam kumpulan data diskalakan agar memiliki rata-rata 0 dan deviasi standar 1 sebelum menghitung komponen utama.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan juga bahwa vektor eigen di R mengarah ke arah negatif secara default, jadi kita akan mengalikannya dengan -1 untuk membalikkan tandanya.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#calculate main components\n<\/span>results &lt;- prcomp(USArrests, scale = <span style=\"color: #008000;\">TRUE<\/span> )\n\n<span style=\"color: #008080;\">#reverse the signs\n<\/span>results$rotation &lt;- -1*results$rotation\n\n<span style=\"color: #008080;\">#display main components\n<\/span>results$rotation\n\n               PC1 PC2 PC3 PC4\nMurder 0.5358995 -0.4181809 0.3412327 -0.64922780\nAssault 0.5831836 -0.1879856 0.2681484 0.74340748\nUrbanPop 0.2781909 0.8728062 0.3780158 -0.13387773\nRape 0.5434321 0.1673186 -0.8177779 -0.08902432<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Terlihat bahwa komponen utama pertama (PC1) memiliki nilai yang tinggi untuk pembunuhan, penyerangan, dan pemerkosaan, yang menunjukkan bahwa komponen utama ini menggambarkan variasi yang paling besar pada variabel-variabel tersebut.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat melihat bahwa komponen utama kedua (PC2) memiliki nilai yang tinggi untuk UrbanPop, yang menunjukkan bahwa komponen utama ini menekankan pada penduduk perkotaan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa skor komponen utama untuk setiap negara bagian disimpan di <strong>results$x<\/strong> . Kami juga akan mengalikan skor ini dengan -1 untuk membalikkan tandanya:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#reverse the signs of the scores\n<\/span>results$x &lt;- -1*results$x\n\n<span style=\"color: #008080;\">#display the first six scores\n<span style=\"color: #000000;\">head(results$x)<\/span>\n<\/span><span style=\"color: #000000;\">\n                  PC1 PC2 PC3 PC4\nAlabama 0.9756604 -1.1220012 0.43980366 -0.154696581\nAlaska 1.9305379 -1.0624269 -2.01950027 0.434175454\nArizona 1.7454429 0.7384595 -0.05423025 0.826264240\nArkansas -0.1399989 -1.1085423 -0.11342217 0.180973554\nCalifornia 2.4986128 1.5274267 -0.59254100 0.338559240\nColorado 1.4993407 0.9776297 -1.08400162 -0.001450164\n<\/span><\/strong><\/pre>\n<h3> <strong>Langkah 3: Visualisasikan hasilnya dengan biplot<\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita dapat membuat <strong>biplot<\/strong> \u2013 plot yang memproyeksikan setiap observasi dalam kumpulan data ke dalam plot sebar yang menggunakan komponen utama pertama dan kedua sebagai sumbu:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa <strong>skala = 0<\/strong> memastikan bahwa panah dalam plot diskalakan untuk mewakili pembebanan.<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>biplot(results, scale = <span style=\"color: #008000;\">0<\/span> )\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12281 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pca1.png\" alt=\"Biplot untuk Analisis Komponen Utama di R\" width=\"465\" height=\"464\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Dari plot tersebut kita dapat melihat masing-masing dari 50 negara bagian direpresentasikan dalam ruang dua dimensi sederhana.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Negara-negara yang berdekatan pada grafik memiliki pola data yang mirip dengan variabel dalam kumpulan data asli.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat melihat bahwa beberapa negara bagian lebih terkait erat dengan kejahatan tertentu dibandingkan negara bagian lainnya. Misalnya, Georgia adalah negara bagian yang paling dekat dengan variabel <em>Pembunuhan<\/em> dalam plot.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita melihat negara bagian dengan tingkat pembunuhan tertinggi dalam kumpulan data asli, kita dapat melihat bahwa Georgia sebenarnya menduduki peringkat teratas:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#display states with highest murder rates in original dataset<\/span>\nhead(USArrests[ <span style=\"color: #3366ff;\">order<\/span> (-USArrests$Murder),])\n\n               Murder Assault UrbanPop Rape\nGeorgia 17.4 211 60 25.8\nMississippi 16.1 259 44 17.1\nFlorida 15.4 335 80 31.9\nLouisiana 15.4 249 66 22.2\nSouth Carolina 14.4 279 48 22.5\nAlabama 13.2 236 58 21.2<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 4: Temukan varians yang dijelaskan oleh masing-masing komponen utama<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan kode berikut untuk menghitung total varians dalam kumpulan data asli yang dijelaskan oleh masing-masing komponen utama:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#calculate total variance explained by each principal component\n<\/span>results$sdev^2 \/ <span style=\"color: #3366ff;\">sum<\/span> (results$sdev^2)\n\n[1] 0.62006039 0.24744129 0.08914080 0.04335752\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dari hasilnya kita dapat mengamati hal-hal berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Komponen utama pertama menjelaskan <strong>62%<\/strong> dari total varians dalam dataset.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Komponen utama kedua menjelaskan <strong>24,7%<\/strong> dari total varians dalam dataset.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Komponen utama ketiga menjelaskan <strong>8,9%<\/strong> dari total varians dalam dataset.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Komponen utama keempat menjelaskan <strong>4,3%<\/strong> dari total varians dalam dataset.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Jadi, dua komponen utama pertama menjelaskan sebagian besar total varians dalam data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Hal ini merupakan pertanda baik karena biplot sebelumnya memproyeksikan setiap observasi dari data asli ke dalam scatterplot yang hanya memperhitungkan dua komponen utama pertama.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Oleh karena itu, valid untuk memeriksa pola dalam biplot untuk mengidentifikasi keadaan yang mirip satu sama lain.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat membuat <strong>scree plot<\/strong> \u2013 grafik yang menampilkan total varians yang dijelaskan oleh setiap komponen utama \u2013 untuk memvisualisasikan hasil PCA:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#calculate total variance explained by each principal component\n<\/span>var_explained = results$sdev^2 \/ <span style=\"color: #3366ff;\">sum<\/span> (results$sdev^2)\n\n<span style=\"color: #008080;\">#create scree plot\n<\/span>qplot(c(1:4), var_explained) + \n  geom_line() + \n  xlab(\" <span style=\"color: #008000;\">Principal Component<\/span> \") + \n  ylab(\" <span style=\"color: #008000;\">Variance Explained<\/span> \") +\n  ggtitle(\" <span style=\"color: #008000;\">Scree Plot<\/span> \") +\n  ylim(0, 1)<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12282 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pca2.png\" alt=\"Medan layar berbentuk R\" width=\"427\" height=\"428\" srcset=\"\" sizes=\"\"><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Analisis komponen utama dalam praktiknya<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, PCA paling sering digunakan karena dua alasan:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Analisis Data Eksplorasi<\/strong> \u2013 Kami menggunakan PCA saat pertama kali menjelajahi kumpulan data dan ingin memahami observasi mana dalam data yang paling mirip satu sama lain.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Regresi Komponen Utama<\/strong> \u2013 Kita juga dapat menggunakan PCA untuk menghitung komponen utama yang kemudian dapat digunakan dalam <a href=\"https:\/\/statorials.org\/id\/regresi-komponen-utama-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi komponen utama<\/a> . Regresi jenis ini sering digunakan ketika terjadi <a href=\"https:\/\/statorials.org\/id\/regresi-multikolinearitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">multikolinearitas<\/a> antar prediktor dalam suatu kumpulan data.<\/span><\/p>\n<hr>\n<p> <span style=\"color: #000000;\">Kode R lengkap yang digunakan dalam tutorial ini dapat ditemukan <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/pca.R\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Analisis komponen utama, sering disingkat PCA, adalah teknik pembelajaran mesin tanpa pengawasan yang berupaya menemukan komponen utama \u2013 kombinasi linier dari prediktor asli \u2013 yang menjelaskan sebagian besar variasi dalam kumpulan data. Tujuan PCA adalah untuk menjelaskan sebagian besar variabilitas dalam suatu kumpulan data dengan variabel yang lebih sedikit dibandingkan kumpulan data aslinya. Untuk kumpulan [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Analisis Komponen Utama di R: Contoh Langkah-demi-Langkah<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis komponen utama di R.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Analisis Komponen Utama di R: Contoh Langkah-demi-Langkah\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis komponen utama di R.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T04:23:20+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pca1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/\",\"url\":\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/\",\"name\":\"Analisis Komponen Utama di R: Contoh Langkah-demi-Langkah\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T04:23:20+00:00\",\"dateModified\":\"2023-07-27T04:23:20+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis komponen utama di R.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Analisis komponen utama di r: contoh langkah-demi-langkah\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Analisis Komponen Utama di R: Contoh Langkah-demi-Langkah","description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis komponen utama di R.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/","og_locale":"id_ID","og_type":"article","og_title":"Analisis Komponen Utama di R: Contoh Langkah-demi-Langkah","og_description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis komponen utama di R.","og_url":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T04:23:20+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pca1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"5 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/","url":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/","name":"Analisis Komponen Utama di R: Contoh Langkah-demi-Langkah","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T04:23:20+00:00","dateModified":"2023-07-27T04:23:20+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis komponen utama di R.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/analisis-komponen-utama-di-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Analisis komponen utama di r: contoh langkah-demi-langkah"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1240"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1240"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1240\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1240"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1240"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1240"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}