Penerapan Partial Least Squares dan Pendekatan Robust dalam Analisis Diskriminan untuk Data Berdimensi Tinggi

Abstrak

Analisis diskriminan klasik secara umum diketahui mengalami masalah singularitas ketika dihadapkan pada data berdimensi tinggi dan tidak kokoh terhadap pencilan yang membuat data tidak berdistribusi normal multivariat. Penelitian ini berfokus pada penyelidikan kinerja klasifikasi analisis diskriminan terhadap data berdimensi tinggi dengan menerapkan dua pendekatan yaitu pendekatan reduksi dimensi Partial Least Square (PLS) sebagai solusi dari data berdimensi tinggi dan pendekatan robust dengan teknik penduga Minimum Covariance Determinant (MCD) yang kokoh terhadap pencilan. Data yang digunakan untuk penelitian ini yaitu data Lee Silverman Voice Treatment (LSVT). PLS membentuk lima variabel laten optimal yang mewakili informasi variabel prediktor. Berdasarkan uji asumsi homogenitas kovarians antar kelompok, nilai statistik uji lebih besar dari chi-square table atau nilai p lebih kecil dari taraf signifikan yang artinya asumsi tidak terpenuhi sehingga analisis diskriminan kuadratik diterapkan. Hasil evaluasi menunjukkan bahwa model analisis analisis diskriminan kuadratik dengan pendekatan MCD pada data hasil transformasi PLS mampu mencapai akurasi sebesar 81%, presisi sebesar 71%, recall sebesar 86%, dan F1-score sebesar 77%. Nilai-nilai tersebut menandakan bahwa kedua pendekatan mampu menjaga efisiensi kinerja klasifikasi analisis diskiriminan terhadap data berdimensi tinggi dan tidak berdistribusi normal multivariat.