PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI

Transkripsi

1 ISSN JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro, Politeknik Elektronika Negeri Surabaya 1 rony@eepis-its.edu, 2 elly@eepis-its.edu Abstrak Beberapa parameter yang diukur untuk menentukan kehandalan suatu metode klasifikasi adalah waktu komputasi dan kinerja hasil klasifikasi. Dalam pengklasifikasian data, jumlah data pembelajaran yang digunakan seringkali sangat terbatas, namun jumlah dimensi () sangat tinggi. Pada penelitian ini digunakan analisis komponen utama untuk mereduksi dimensi. Dataset yang berdimensi tinggi dipartisi menjadi beberapa himpunan bagian (subset). Variabel baru dibentuk berdasarkan komponen utama pertama dari setiap subset. Kinerja teknik ini diujikan pada beberapa sumber data dan metode klasifikasi. Hasil penelitian ini adalah pada metode - dan, jumlah berpengaruh secara linier terhadap waktu pembelajaran. Sedangkan metode BPNN1 dan BPNN2, jumlah berpengaruh secara linier maupun kuadratik terhadap waktu pembelajaran. Kinerja hasil klasifikasi data learning pada data EMG dan data sonar, metode BPNN1 dan BPNN2 jauh lebih tinggi persentasenya dibandingkan dengan metode - dan. Sedangkan kinerja hasil klasifikasi data non-learning sangat rendah, yaitu berkisar 25,% - 66,67%. Hal ini disebabkan oleh keragaman nilai koefisien variasi dataset yang sangat besar, yang mana mengindikasikan bahwa data tidak berdistribusi Normal dan mempunyai variansi yang sangat besar. Kata kunci : klasifikasi, komponen utama, reduksi dimensi, total variasi, persamaan regresi 1. Pendahuluan Beberapa parameter yang diukur untuk menentukan kehandalan suatu metode klasifikasi adalah waktu komputasi dan kinerja hasil klasifikasi. Klasifikasi pola atau data yang mempertimbangkan beberapa fitur merupakan permasalahan yang banyak digunakan dalam berbagai aplikasi. Dalam pengolahan citra maupun pengolahan sinyal seringkali pengelompokan maupun pengklasifikasian dilakukan hanya didahului dengan transformasi data saja tanpa melakukan ekstraksi fitur. Selain itu, sampel sebagai data pembelajaran yang digunakan seringkali sangat terbatas. Menurut Borries, G.F.V (28), algoritma pengelompokan yang berkembang sekarang ini mempunyai performa yang relatif rendah ketika diaplikasikan pada kasus data berdimensi tinggi dengan ukuran sampel kecil. Performa yang rendah ini diindikasikan pada stabilitas hasil dan akurasi yang rendah pada data non-normal. Dalam penelitiannya, Borries menggunakan statistik non parametrik yaitu uji rank (rank test) untuk mengetahui homogenitas distribusi dalam sebuah kelompok dari setiap. Qiau dkk. (29), menggunakan Fisher s Linear Discriminant Analysis (FLDA) untuk mereduksi dimensi (ekstraksi fitur). Penelitian tersebut mengembangkan metode pemilihan incorporating secara otomatis dalam FLDA. FLDA dan nilai eigen digunakan sebagai regulator untuk memperoleh vektor-vektor sparse linear discriminant yaitu vektor-vektor diskriminan yang hanya mempunyai sejumlah kecil elemenelemen tidak nol. Metode ini efektif untuk kasus data berdimensi tinggi dengan ukuran sampel kecil. Sedangkan Hoyle, DC. (28), menggunakan pemilihan dimensi secara otomatis yang didasarkan pada aproksimasi Laplace untuk pembuktian model yang bertujuan menentukan jumlah sinyal komponen utama dalam dataset. Metode yang dikembangkan dalam penelitian ini digunakan untuk pengklasifikasian data berdimensi yang tinggi dengan ukuran sampel yang sangat kecil. Analisis komponen utama (Principal Component Analysis / PCA) digunakan untuk mereduksi dimensi. Dataset yang berdimensi tinggi dipartisi menjadi beberapa himpunan bagian (subset). Variabel baru yang terbentuk berdasarkan komponen utama pertama dari setiap subset digunakan untuk pengklasifikasian. Selanjutnya dilakukan analisis kinerja reduksi dimensi berdasarkan waktu komputasi dan validitas hasil klasifikasi. Waktu komputasi dapat dilihat dari kebutuhan waktu untuk mereduksi dimensi dan kebutuhan waktu pembelajaran. 6-1

2 2. Analisis Komponen Utama Analisis komponen utama (PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk sistem koordinat baru dengan variansi maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. Metode ini mengubah dari sebagian besar asli yang saling berkorelasi menjadi satu himpunan baru yang lebih kecil dan saling bebas (tidak berkorelasi lagi). [6] Komponen utama adalah kombinasi linierkombinasi linier tertentu dari dimensi acak ( 1,2,,). Secara geometris kombinasi linier ini merupakan sistem koordinat baru yang didapat dari rotasi sistem semula. Koordinat baru tersebut merupakan arah dengan variabilitas maksimum dan memberikan kovariansi yang lebih sederhana. Analisis komponen utama lebih baik digunakan jika - asal saling berkorelasi Analisis komponen utama merupakan penyelesaian masalah eigen yang secara matematis ditulis dalam persamaan : Cv = λv 1) yang mana variabilitas suatu dataset yang dinyatakan dalam matriks kovariansi C dapat digantikan oleh suatu scalar tertentu λ tanpa mengurangi variabilitas asal secara signifikan. Diberikan dataset matrik berukuran ( ) yang terdiri dari n observasi ( 1,2,,) dengan dimensi. Algoritma dari analisis komponen utama adalah sebagai berikut : 1) Hitung vektor rata-rata ( 1,2,, dengan = 2) 2) Hitung matriks kovariansi C atau cov() dengan )( ) =(, )= ( 3) 3) Hitung nilai eigen λ dan vektor eigen yang memenuhi persamaan : λ = 4) dan ( λ) = 5) 4) Vektor eigen- vektor eigen yang didapatkan merupakan komponen utama-komponen utama untuk membentuk baru. Variabel baru merupakan perkalian antara vektor eigen dengan matriks a, yaitu matriks yang telah dinormalisasi (adjusted) yang dihitung dengan rumus : = ( ) 6) 5) Sedangkan variansi yang dapat dijelaskan oleh baru ke-i tergantung persentase kontribusi p i dari masing-masing nilai eigen, yang dihitung dengan rumus : = 1% 7) Sedangkan penentuan jumlah baru yang digunakan tergantung persentase kontribusi kumulatif dari kumulatif nilai eigen yang telah diurutkan dari nilai yang terbesar. Nilai persentase kontribusi kumulatif sampai komponen ke r dihitung dengan rumus : = 1% 8) dengan > > > > 3. Teknik Reduksi Dimensi Diberikan dataset matrik berukuran ( ) yang terdiri dari n observasi ( 1,2,, dengan dimensi. Teknik reduksi dimensi mengikuti algoritma sebagai berikut : 1) Lakukan partisi dimensi himpunan menjadi l himpunan bagian, sehingga masing-masing menjadi berukuran dimensi dengan = l. 9) 2) Lakukan untuk setiap subset data dengan dimensi sebagai berikut : i. Hitung matriks kovariansi masing-masing subset menurut persamaan 3). ii. Hitung nilai eigen dan vektor eigen masing-masing subset menurut persamaan 4) dan 5). iii. Ambil vektor eigen dengan nilai eigen terbesar, di mana =max,,,. iv. Lakukan perhitungan observasi baru berukuran ( 1) menggunakan =( ) atau =( ) 1) dengan ( 1,2,,) adalah data normalisasi dan ( 1,2,,) adalah vektor eigen yang mempunyai variansi maksimum. 3) Gabungkan observasi baru menjadi dataset baru berukuran ( l). 4. Percobaan dan Hasil Ada 3 dataset yang diujikan dalam penelitian ini, yaitu : 1. Dataset konvolusi sinyal electromyograph (EMG) pada sudut pergerakan siku 45 º, 9 º, dan 135 º yang digunakan sebagai input robot lengan (Susanti, M., 29) 2. Dataset sonar [7]. 3. Dataset sintetis, yaitu data hasil pembangkitan random Normal berdimensi D = 15 dan data pembelajaran n = 9 observasi, dan 15 observasi untuk validasi, dengan aturan pembangkitan yang disajikan pada Tabel

3 Tabel 1. Pembangkitan Data Sintetis Kelas Dimensi ke Dimensi ke Dimensi ke N(5,.5) N(7,.5) N(3,.5) 2 N(6,.5) N(4,.5) N(8,.5) 3 N(1,.5) N(8,.5) N(6,.5) 4.1 Dataset EMG Pada data EMG, jumlah data pembelajaran n = 3 observasi, jumlah dimensi D = 2 dan data untuk validasi (non learning) sebanyak 18 observasi. Sedangkan metode pengklasifikasian yang digunakan adalah metode Self Organizing Maps (K-), Learning Vector Quantization Neural Network () dan Backpropagation Neural Network (BPNN). Dengan menggunakan software Matlab (R14) Service Pack 3 diperoleh hasil sebagai berikut : a. Total Variasi Pada Tabel 2 dapat dijelaskan bahwa untuk jumlah baru, l antara 5 sampai dengan 1, ratarata total variasi komponen utama pertama masingmasing partisi berkisar 97,31% - 99,99%. Artinya, informasi yang hilang dari hasil reduksi dimensi berkisar antara,1% - 2,69%. Namun untuk jumlah baru, l = 2, rata-rata-total variasi baru hanya sebesar 81,48%. Tabel 2. Rata-rata Total Variasi Rata-rata Simpangan Total baku Total Waktu komputasi, t (detik) (%) (%) asli (2) 1, , 3, ,99,1, ,99,4, ,98,6, ,94,2, ,83,4, ,35 1,21,6 1 98,88,67,8 5 97,31 1,47,6 2 81,48 19,28,22 b. Waktu Komputasi vs Variabel Baru Tabel 3. Model Regresi Waktu Komputasi WakKom =,32 JumVar Noconstant JumVar,32,3 1,74, S =,3482 R 2 = 92,76% Sedangkan hubungan antara waktu komputasi (partisi data dan perhitungan komponen utama) dengan jumlah baru hasil partisi dapat dinyatakan dalam persamaan regresi, disajikan pada Tabel 3. Dari persamaan regresi tersebut dapat dijelaskan bahwa setiap komputasi baru membutuhkan waktu rata-rata selama,32 detik. c. Waktu Pembelajaran Dalam Tabel 4., waktu pembelajaran (WP) metode K- lebih lama dibandingkan dengan metode yaitu sekitar dua kalinya. Sedangkan waktu pembelajaran metode BPNN(1) tidak jauh berbeda dengan metode BPNN(2). Tabel 4. Perbandingan Waktu Pembelajaran Waktu Pembelajaran Metode Klasifikasi (detik) K- asli (2) 114,36 55,36 635,13 627, ,81 29,38 83,67 86, ,97 14,47 12,84 1, ,59 1,25 1,69 1, ,33 8,22 1,23 1, ,48 6,2 1,8,5 5 11,77 5,53,64,36 2 1,8 4,81,92,34 1 9,13 4,5,19,33 5 8,38 4,42,3,31 2 7,81 2,94,28,3 Pada Gambar 1 disajikan diagram pencar antara jumlah terhadap WP masing-masing metode Scatterplot of K-,, BPNN1, BPNN2 vs JumVar 5 K- BPNN JumVar 5 1 BPNN2 Gambar 1. Diagram Pencar WP terhadap 4 Metode Berdasarkan informasi Tabel 4, dilakukan analisis hubungan antara jumlah dengan waktu pembelajaran (WP) dari masing-masing metode. Tabel 5. Model Regresi WP - WP_K- = 9,839 +,526 JumVar Constant 9,839 1,26 9,59, JumVar, ,8, S = 2,8661 R 2 = 99,2%

4 Model regresi WP metode - disajikan pada Tabel 5. Dari table tersebut dapat dijelaskan bahwa setiap kenaikan jumlah, secara ratarata ada kecenderungan kenaikan WP - sebesar,526 detik. Model regresi WP metode disajikan pada Tabel 6. Dari tabel tersebut dapat dijelaskan bahwa setiap kenaikan jumlah, secara rata-rata ada kecenderungan kenaikan WP sebesar,257 detik. Tabel 6. Model Regresi WP WP_ = ,257 JumVar Constant 3, ,73, JumVar, ,7, S = R 2 = 99,7% Model regresi WP metode BPNN1 disajikan pada Tabel 7. Pada metode BPNN1, jumlah berpengaruh secara linier dan kuadratik terhadap WP. Tabel 7. Model Regresi WP BPNN1 WP_BPNN1 = -,129 JumVar +,2JumVar 2 Noconstant JumVar -,129,169 6,9, JumVar 2,2, 22,7, S = 11,4678 R 2 = 99,7% Model regresi WP metode BPNN2 disajikan pada Tabel 8. Demikian juga pada metode BPNN1, jumlah berpengaruh secara linier dan kuadratik terhadap WP. Tabel 8. Model Regresi WP BPNN2 WP_BPNN2 = -,995 JumVar +,2JumVar 2 Constant JumVar -,995,152 6,54, JumVar 2,2. 24,1, S = 1,3259 R 2 = 99,8% d. Hasil Klasifikasi Untuk mengetahui efektifitas dari metode reduksi dimensi dalam data EMG, dilakukan perbandingan persentase hasil klasifikasi yang valid dari asli dan hasil reduksi (masing-masing 1 perulangan). Dari Tabel 9, pada metode K- tidak ada perbedaan persentase hasil klasifikasi yang valid antara asli (2) dengan hasil reduksi yaitu 4%. Pada metode, hasil reduksi lebih efektif dibandingkan asli yang mana persentase hasil klasifikasi yang valid pada asli hanya sebesar 43,33%. Tabel 9. Persentase Hasil Klasifikasi Data Learning K- (2) 4, 43,33 96,67 93,33 1 4, 6, 1, 93,33 5 4, 6, 1, 96, , 6, 96,67 96,67 2 4, 6, 93,33 9, 1 4, 6, 1, 1, 5 4, 56,67 1, 1, 2 4, 6, 1, 1, 1 4, 46,67 1, 1, 5 4, 36,67 1, 1, 2 4, 33,33 1, 1, Sedangkan persentase hasil klasifikasi yang valid pada hasil reduksi dengan l = 5, 25, 2, 1, 2 sebesar 6%. Pada metode BPNN(1) maupun BPNN(2), hasil reduksi juga relatif lebih efektif dibandingkan asli yang mana persentase hasil klasifikasi yang valid pada asli sebesar 96,67% untuk BPNN(1) dan 93,33% untuk BPNN(2). Sedangkan persentase hasil klasifikasi yang valid pada hasil reduksi dengan l = 1, 5, 2, 1, 5, 2 adalah sebesar 1% (untuk kedua metode BPNN). Sedangkan pada Tabel 1., hasil klasifikasi pada data non-learning untuk metode lebih bagus dibandingkan dengan metode yang lain yaitu dengan modus 61,11%. Sedangkan metode K- dan BPNN masing-masing hanya sebesar 38,89% dan 33,33%. Namun tidak ada perbedaan hasil klasifikasi antara asli dengan hasil reduksi. Tabel 1. Persentase Hasil Klasifikasi Data Non-Learning (2) 38,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 55,56 33,33 33, ,89 61,11 33,33 33,33 Rendahnya hasil klasifikasi pada data non-learning disebabkan karena nilai koefisien variasi yang sangat besar yaitu antara -715,98 27,25 yang mengindikasikan bahwa data tidak berdistribusi Normal dan mempunyai variansi yang sangat besar. 6-4

5 4.2 Dataset Sonar Pada dataset sonar, jumlah data pembelajaran n = 16 observasi, jumlah dimensi D = 6 dan data untuk validasi (non learning) sebanyak 48 observasi, diperoleh hasil sebagai berikut : a. Total Variasi Tabel 11. Rata-rata Total Variasi Rata-rata Total (%) Simp. baku Total (%) Waktu komputasi, t (detik) asli (6) 1,,, ,54 6,96,5 2 81,74 9,3, ,34 1,4,3 1 7,56 13,42,2 5 62,98 22,73,2 3 57,9 16,66, 2 39,66,88,3 Pada Tabel 11. dapat dijelaskan bahwa, untuk jumlah baru, l =1, 15, 2, 3, rata-rata total variasi komponen utama pertama sebagai baru dari masing-masing partisi masih berkisar 7,56% - 88,54%. Untuk l =2, 3, 5, ratarata total variasi komponen utama pertama sebagai baru dari masing-masing partisi sangat kecil yaitu berkisar 39,66% - 62,98%. Simpangan baku total variasi juga cenderung membesar. Artinya, informasi yang hilang dari hasil reduksi dimensi sangatlah signifikan. Selanjutnya diambil sampel matriks koefisien korelasi dari ke-1 sampai dengan ke-6 disajikan pada Tabel 12. Dari tabel tersebut, matriks koefisien korelasi ke- 1 sampai dengan ke-6 signifikan secara statistik, namun secara umum besarnya koefisien korelasi tidak mendekati 1. Akibatnya total variasi yang dapat dijelaskan berkurang drastis atau persentase informasi data yang hilang sangat besar. Tabel 12. Matriks Koefisien Korelasi (ρ) dari V1 s/d V6 ρ V1 V2 V3 V4 V5 V2,736 (.) V3,572,78 (.) (.) V4,491,67,782 (.) (.) (.) V5,345,42,546,727 (.) (.) (.) (.) V6,239,332,346,353,597 (.) (.) (.) (.) (.) perbandingan persentase hasil klasifikasi yang benar dari asli dan hasil reduksi (masingmasing 1 perulangan). Tabel 13. Persentase Hasil Klasifikasi Data Learning 6 (asli) ,25 1, 1, ,25 1, 1, , 1, 1, ,38 1, 1, ,88 1, 1, ,38 1, 1, ,88 1, 1, ,63 83,75 83,75 Dari Tabel 13., pada metode K-, persentase hasil klasifikasi yang benar hasil reduksi relatif lebih besar (antara 27,5% - 41,88%) dibandingkan dengan asli (27,5%). Pada metode, hasil reduksi tidak jauh berbeda persentase hasil klasifikasi yang valid dengan asli yaitu antara 34,38% - 41,25%. Pada metode BPNN(1) maupun BPNN(2), hasil reduksi mempunyai persentase klasifikasi yang valid yang sama dengan asli yaitu sebesar 1%, kecuali untuk l = 2 hanya sebesar 83,75%. Sedangkan hasil klasifikasi pada data nonlearning (Tabel 14) untuk metode K tidak konsisten, yaitu berkisar antara 1,42% - 6,42%. Untuk metode berkisar antara 31,61% - 36,38%. Sedangkan metode BPNN(1) dan BPNN(2) semuanya sama yaitu sebesar 35,42%, sehingga tidak ada perbedaan hasil klasifikasi antara asli dengan hasil reduksi. Tabel 14. Persentase Hasil Klasifikasi Data Non-Learning (6) 25, 33,58 35,42 35, , 34,45 35,42 35, ,8 36,38 35,42 35, ,16 35,3 35,42 35, ,17 32,27 35,42 35,42 5 6,42 32,5 35,42 35, ,67 31,61 35,42 35,42 2 1,42 32,2 35,42 35,42 b. Hasil Klasifikasi Untuk mengetahui efektifitas dari metode reduksi dimensi dalam dalam dataset sonar, dilakukan 6-5

6 4.3 Dataset Sintetis Pada dataset sintetis, jumlah data pembelajaran n = 9 observasi, jumlah dimensi D = 15 dan data untuk validasi (non learning) sebanyak 15 observasi, diperoleh hasil sebagai berikut : a. Total Variasi Tabel 15. Rata-rata Total Variasi Simp. Rata-rata baku Total Total (%) (%) Waktu komputasi, t (detik) asli (15) 1, -, ,77,87,8 3 99,79,5, ,77,5,5 1 99,36 2,82,3 5 99,19 2,76, ,75,6,9 2 98,35 4,3, ,74,6, ,75 8,51, ,17 7,65, ,74,7,2 2 85,82 1,34,25 Pada Tabel 15. dapat dijelaskan bahwa rata-rata total variasi komponen utama pertama sebagai baru dari masing-masing partisi sangat besar yaitu berkisar 94,17% - 99,79%, kecuali untuk l =2, ratarata total variasi hanya sebesar 85,82%. Simpangan baku total variasi untuk l =5 dan l = 1 lebih besar jika dibandingkan dengan l yang lain, yaitu masingmasing sebesar 7,65% dan 8,51%. Artinya, variabilitas total variasi baru hasil reduksi pada l tersebut sangatlah besar. b. Hasil Klasifikasi Dari Tabel 16., pada metode K-, persentase hasil klasifikasi yang valid pada asli maupun hasil reduksi pada data learning semuanya 1%. Tabel 16. Persentase Hasil Klasifikasi Data Learning BPNN1 BPNN2 (15) 1, 1, 95,56 1, 5 1, 1, 1, 1, 3 1, 1, 1, 1, 15 1, 46,67 1, 1, 1 1, 33,33 1, 1, 5 1, 1, 1, 1, 3 1, 33,33 66,67 1, 2 1, 33,33 1, 1, 15 1, 33,33 66,67 1, 1 1, 33,33 1, 1, 5 1, 33,33 33,33 33,33 3 1, 33,33 33,33 1, 2 1, 6, 1, 66,67 Pada metode, hasil reduksi untuk l = 5, 3, 5 persentase hasil klasifikasi yang benar adalah 1%, selain itu hanya berkisar 33,33% sampai dengan 6,%. Pada metode BPNN1 maupun BPNN2 hampir semua baru hasil reduksi mempunyai persentase hasil klasifikasi sebesar 1%, kecuali pada l = 3, 5, 15, 3 untuk BPNN(1) dan l = 2, 5 untuk BPNN2. Tabel 17. Persentase Hasil Klasifikasi Data Non-Learning BPNN1 BPNN2 (15) 33,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 66,67 33,33 33, ,33 66,67 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33,33 Sedangkan hasil klasifikasi pada data non-learning pada Tabel 17., untuk semua metode hasil klasifikasi sebesar 33,33%, kecuali pada metode untuk l = 5 dan l = 1 sebesar 66,67%. Nilai simpangan baku total variasi pada l tersebut sangatlah besar dibandingkan dengan yang lain. 5. Kesimpulan Dari percobaan dan hasil penelitian ini dapat disimpulkan sebagai berikut : 1. Pada data EMG, rata-rata total variasi pada komponen utama pertama berkisar 81,84% 99,99% dengan simpangan baku maksimum sebesar 1,47%. Pada data sonar simpangan baku relative besar yaitu berkisar antara,88% sampai dengan 22,73%. Sedangkan pada data sintetis, rata-rata total variasi pada komponen utama pertama berkisar 85,82% - 99,77% dengan simpangan baku berkisar,5% - 8,51%. 2. Pada metode - dan, jumlah berpengaruh secara linier terhadap waktu pembelajaran. Sedangkan metode BPNN1 dan BPNN2, jumlah berpengaruh secara linier maupun kuadratik terhadap waktu pembelajaran. Sehingga dapat disimpulkan bahwa reduksi dimensi menggunakan komponen utama data partisi 6-6

7 sangat signifikan mengurangi waktu pembelajaran. 3. Kinerja hasil klasifikasi data learning pada data EMG dan data sonar, metode BPNN1 dan BPNN2 jauh lebih tinggi persentasenya dibandingkan dengan metode - dan. Sedangkan kinerja hasil klasifikasi data non-learning sangat rendah, yaitu berkisar 25,% - 66,67%. Hal ini disebabkan oleh keragaman nilai koefisien variasi dataset yang sangat besar, yang mana mengindikasikan bahwa data tidak berdistribusi Normal dan mempunyai variansi yang sangat besar. 6. Daftar Pustaka: Borries, G.F.V (28): Partition Clustering of High Dimensional Law Sample Size Data Based On P-Value, Kansas State University, Manhattan, Kansas. Hoyle, D.C. (28): Automatic PCA Dimension Selection for High Dimensional Data and Small Size, Journal of Machine Learning Research, 28 ( ). Johnson, R.A. & D.W. Wichern (1988): Applied Multivariate Statistical Analysis, Prentice Hall, Smith,L.I. (22): A Tutorial on Principal Compomponents Analysis, 22. Susianti, M. (29): Identifikasi Sinyal Electromyograph (EMG) Pada Gerak Ekstensi-Fleksi Siku Dengan Metode Konvolusi dan Jaringan Syaraf Tiruan Untuk Input Robot Lengan, Proyek Akhir PENS. Qiao,Z., L. Zhoui and J.Z. Huang (29): Sparse Linear Discriminant Analysis with Applications to High Dimensional Low Sample Size Data, IAENG International Journal of Applied Mathematics, 39:1,IJAM_39_1_6., datase 6-7