Principal Component Analysis Indikator Keandalan Distribusi untuk Menyusun Indeks Kinerja Jaringan

Info proyek

• Bidang studiTeknik Elektro dan Energi
• JenjangSkripsi (S1)
• Jenis metodeReduksi Dimensi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn PCA, StandardScaler; matplotlib
• HargaRp 300.000 - Rp 1.850.000

Tujuan analisis

Menyederhanakan dimensi indeks durasi gangguan dan indeks frekuensi gangguan terkait indeks kinerja jaringan menggunakan Principal Component Analysis (PCA) untuk meringkas pola utama.

Variabel

Contoh hasil

• 48.931PC1 variance %
• 24.376PC2 variance %
• 73.307PC1+PC2 %
• 3Components for 90%
• 3.438Largest eigenvalue
• 0.507Max |PC1 loading|

PCA meringkas 7 indikator (termasuk Indeks kinerja jaringan, Indeks durasi gangguan, Indeks frekuensi gangguan) menjadi 3 komponen untuk 90% varians; PC1 memuat 48.9% varians.

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

Tentang Principal Component Analysis (PCA)

PCA mengubah variabel yang saling berkorelasi menjadi komponen utama tak berkorelasi yang berurutan menurut varians. Dipakai untuk mereduksi dimensi, mengurangi multikolinearitas, dan memvisualisasikan data multivariat.

Langkah pengerjaan

1. 1Standarisasi variabel numerik
2. 2Fit PCA dengan semua komponen
3. 3Lihat proporsi varians dan scree plot
4. 4Pilih jumlah komponen (misalnya 90 persen varians kumulatif)
5. 5Periksa loading untuk menamai komponen
6. 6Plot skor pada dua komponen pertama

Asumsi yang perlu diperiksa

• Variabel berskala sebanding (distandarisasi)
• Hubungan antar variabel kira-kira linear
• Varians besar diasumsikan membawa informasi penting

Membaca dan melaporkan hasil

Laporkan varians yang dijelaskan tiap komponen dan jumlah komponen yang dipertahankan beserta alasannya. Tafsirkan komponen lewat loading variabel dominan.

Contoh kode Python

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

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

rng = np.random.default_rng(20)
n = 300
f1 = rng.normal(size=n)
f2 = rng.normal(size=n)
interruption_duration_index = f1 + rng.normal(0, 0.3, n)
interruption_frequency_index = f1 + rng.normal(0, 0.3, n)
x3 = f2 + rng.normal(0, 0.3, n)
x4 = f2 + rng.normal(0, 0.3, n)
x5 = rng.normal(size=n)
network_performance_index = np.column_stack([interruption_duration_index, interruption_frequency_index, x3, x4, x5])

Z = StandardScaler().fit_transform(network_performance_index)
pca = PCA().fit(Z)
cum = np.cumsum(pca.explained_variance_ratio_)
print("Variance ratio:", pca.explained_variance_ratio_.round(3))
print("Cumulative:", cum.round(3))
k = int(np.searchsorted(cum, 0.90) + 1)
print("Components for 90%:", k)
print("Loadings (PC1, PC2):\n", pca.components_[:2].round(2))

scores = pca.transform(Z)
fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].plot(range(1, 6), pca.explained_variance_ratio_, marker="o")
ax[0].set_title("Scree plot"); ax[0].set_xlabel("Component")
ax[1].scatter(scores[:, 0], scores[:, 1], s=10)
ax[1].set_xlabel("PC1"); ax[1].set_ylabel("PC2")
plt.tight_layout()
plt.show()

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