Analisis Komponen Utama menjadi metode statistika yang bersifat deskriptif dan
biasa digunakan untuk mereduksi dimensi data multivariat. Analisis Komponen
Utama akan memproyeksikan data berdimensi tinggi pada variabel-variabel baru
yang ortogonal dan mampu menangkap variansi data secara maksimal, yang
disebut sebagai komponen-komponen utama. Dalam tugas akhir ini, kita akan
melakukan eksplorasi hubungan antara Analisis Komponen Utama dan Dekomposisi
Nilai Singular, dengan meninjau bagaimana Dekomposisi Nilai Singular
mampu memberikan solusi pada Analisis Komponen Utama. Dekomposisi Nilai
Singular sendiri biasa digunakan untuk mengaproksimasi suatu matriks dengan
ukuran rank yang lebih rendah. Dekomposisi ini akan menghasilkan faktorisasi
dari suatu matriks menjadi tiga matriks lain yaitu matriks-matriks ortogonal U
dan V serta ? matriks yang diagonal utamanya berisi nilai-nilai singular. Ketiga
matriks ini membantu kita untuk memperoleh komponen utama matriks asal secara
langsung. Hal ini menunjukkan bahwa pemanfaatan Dekomposisi Nilai Singular
menyebabkan Analisis Komponen Utama dapat dilakukan secara efisien dan efektif.
Dalam tugas akhir ini akan disajikan analisis algoritma Analisis Komponen Utama
berbasis Dekompsisi Nilai Singular, termasuk penjelasan mengenai komponen
utama dari Dekomposisi Nilai Singular dan hubungan antara nilai singular sebagai
variansi yang dijelaskan oleh setiap komponen utama. Sebagai tambahan, kita
akan melihat aplikasi praktis dan implikasi dari Dekomposisi Nilai Singular pada
Analisis Komponen Utama dalam melakukan reduksi dimensi dan visualisasi.