Dasar-Dasar Reduksi Dimensi

Reduksi dimensi adalah proses mengurangi jumlah variabel masukan (fitur) dalam kumpulan data dengan tetap mempertahankan informasi penting. Proses ini membantu menyederhanakan data dan meningkatkan efisiensi komputasi.

Mengapa Reduksi Dimensi Penting

Kumpulan data berdimensi tinggi dapat menyebabkan:

• Kesesuaian Berlebih: Model dapat menangkap derau, bukan pola.
• Kompleksitas Meningkat: Membutuhkan biaya komputasi besar untuk diproses.
• Tantangan Visualisasi: Data dengan banyak dimensi sulit ditafsirkan.

Metode Reduksi Dimensi

Ada dua pendekatan utama:

• Pemilihan Fitur: Memilih fitur yang paling penting, misalnya menggunakan korelasi atau skor kepentingan.
• Ekstraksi Fitur: Membuat fitur baru dengan menggabungkan fitur yang sudah ada, misalnya Analisis Komponen Utama.

Analisis Komponen Utama (PCA)

PCA adalah teknik reduksi dimensi yang populer. Teknik ini mengubah data menjadi sekumpulan fitur ortogonal baru yang disebut komponen utama dan memaksimalkan varians.

PCA banyak digunakan untuk mengurangi derau, melakukan visualisasi, dan mengekstraksi fitur.

Penyematan Tetangga Stokastik Berdistribusi-t (t-SNE)

t-SNE adalah metode reduksi dimensi lain yang berfokus pada visualisasi. Metode ini memetakan data berdimensi tinggi ke dalam ruang 2D atau 3D dengan tetap mempertahankan struktur titik data.

t-SNE sangat efektif untuk memahami klaster dalam kumpulan data yang kompleks.

Membandingkan PCA dan t-SNE

PCA:

• Berfokus pada pelestarian varians.
• Berguna untuk mengurangi derau dan mengekstraksi fitur.

t-SNE:

• Berfokus pada pelestarian struktur untuk visualisasi.
• Membutuhkan komputasi lebih besar daripada PCA.

Tantangan dalam Reduksi Dimensi

Tantangan umum meliputi:

• Hilangnya kemudahan interpretasi ketika fitur diubah.
• Menentukan jumlah komponen yang optimal.
• Biaya komputasi untuk kumpulan data berukuran besar.

Penerapan Reduksi Dimensi

Reduksi dimensi banyak digunakan dalam:

• Pemrosesan Citra: Mengurangi dimensi citra untuk kompresi.
• Analisis Teks: Menyederhanakan data teks berdimensi tinggi.
• Visualisasi Data: Memetakan data berdimensi tinggi ke dalam ruang 2D atau 3D.

Ringkasan dan Langkah Berikutnya

Dalam pelajaran ini, kita membahas:

• Dasar-dasar reduksi dimensi.
• Teknik utama: PCA dan t-SNE.
• Tantangan dan penerapan reduksi dimensi.

Selanjutnya, kita akan menerapkan PCA pada kumpulan data dalam Python untuk memahami penerapannya.