Reduksi Dimensi PCA pada fitur spektral rekaman suara mesin yang berkorelasi

Info proyek

• Bidang studiAkustik dan Audio
• JenjangSkripsi (S1)
• Jenis metodeMachine Learning
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatpca, zscore, biplot (Statistics and Machine Learning Toolbox)
• HargaRp 350.000 - Rp 2.300.000

Tujuan analisis

Mereduksi dimensi fitur spektral rekaman suara mesin yang berkorelasi dengan PCA dan menilai varians yang dijelaskan tiap komponen utama.

Variabel

Contoh hasil

• 63.106PC1 variance (%)
• 31.104PC2 variance (%)
• 94.21PC1+PC2 (%)
• 2Components for 90%
• 3.155Eigenvalue PC1
• 1.555Eigenvalue PC2

Dua komponen utama menjelaskan 94.2% variasi (PC1 63.1%, PC2 31.1%) dari lima variabel termasuk Spectral principal component, Low-band energy, dan High-band energy; diperlukan 2 komponen untuk mencapai 90%.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang PCA (pca)

pca mereduksi dimensi dengan mengubah variabel berkorelasi menjadi komponen utama yang tak berkorelasi dan terurut menurut varians. Dipakai untuk meringkas banyak variabel, mengurangi multikolinearitas, dan visualisasi data multivariat.

Langkah pengerjaan

1. 1Standarisasi data dengan zscore
2. 2Jalankan pca dan ambil koefisien, skor, dan varians
3. 3Lihat persentase varians terjelaskan (explained) dan scree plot
4. 4Pilih jumlah komponen (misalnya 90 persen kumulatif)
5. 5Interpretasikan loading untuk menamai komponen
6. 6Plot skor atau biplot

Asumsi yang perlu diperiksa

• Variabel berskala sebanding setelah standarisasi
• Hubungan antar variabel kira-kira linear
• Varians besar dianggap membawa informasi

Membaca dan melaporkan hasil

Laporkan varians terjelaskan tiap komponen, jumlah yang dipertahankan, dan loading utama. Beri nama komponen berdasarkan variabel dominan, dengan hati-hati terhadap tafsir berlebihan.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(9);
n = 300;
f1 = randn(n, 1);  f2 = randn(n, 1);
low_band_energy = f1 + 0.3*randn(n, 1);
high_band_energy = f1 + 0.3*randn(n, 1);
x3 = f2 + 0.3*randn(n, 1);
x4 = f2 + 0.3*randn(n, 1);
x5 = randn(n, 1);
spectral_principal_component = [low_band_energy high_band_energy x3 x4 x5];

Z = zscore(spectral_principal_component);
[coeff, score, latent, ~, explained] = pca(Z);
cum = cumsum(explained);
fprintf('Explained (%%): %s\n', mat2str(explained', 3));
fprintf('Cumulative (%%): %s\n', mat2str(cum', 3));
k = find(cum >= 90, 1);
fprintf('Components for 90%%: %d\n', k);
disp(array2table(coeff(:, 1:2), 'VariableNames', {'PC1', 'PC2'}, ...
    'RowNames', {'x1', 'x2', 'x3', 'x4', 'x5'}));

figure;
subplot(1,2,1); plot(explained, '-o'); xlabel('Component'); ylabel('Variance explained (%)');
subplot(1,2,2); biplot(coeff(:, 1:2), 'Scores', score(:, 1:2), 'VarLabels', {'x1', 'x2', 'x3', 'x4', 'x5'});

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum