Metode PCA (Principal Component Analysis)

Principal Component Analysis atau yang lebih mudah dalam pengucapannya, yaitu PCA merupakan salah satu metode reduksi fitur. Metode ini dapat digunakan sebelum melakukan proses klasifikasi (Classsification). Kali ini,  saya akan membahas mengenai metode PCA sebagai metode image processing. Hal ini, mengingat yang sebelumnya saya sendiri juga mengalami kesusahan dalam mencari referensi terkait metode PCA.

PCA berfungsi untuk mempercepat proses komputasi , itu mengapa PCA melakukan reduksi fitur. Dengan reduksi fitur pada setiap citra maka akan diperoleh ciri/karakteristik dari citra tersebut. Sebuah citra memiliki warna dasar yang terdiri dari RGB (Red, Green, Blue) sehingga akan diperoleh 3 eigenvalue dari setiap citra.

Matrik tersebut dapat dijelaskan bahwa pada citra₁ memiliki ukuran matrik n x m, yang mana n merupakan baris dan m adalah kolom yang terdiri dari x,y,z.

Secara garis besar, sebuah citra memiliki n baris dan tugas dari PCA adalah melakukan reduksi baris dari citra tersebut. Sehingga akan diperoleh dengan ukuran matrik 1x3, dengan ukuran matrik tersebut akan lebih mudah dalam proses komputasi ke tahap selanjutnya, yaitu proses klasifikasi. Proses klasifikasi seperti yang termasuk dalam jaringan syaraf tiruan (JST), yaitu Backpropagation.

Perlu diingat terkait perolehan hasil akhir nilai eigenvalue yang telah diperoleh, yaitu :

a)     Jika terdapat nilai eigenvalue yang sama maka ambil salah satu saja.

Contoh : nilai e2 dan e3 sama maka nilai eigenvalue yang dapat digunakan untuk proses selanjutnya bisa mengggunakan e1 dan e2 atau e1 dan e3.

Mengapa hal tersebut dilakukan?

Dikarenakan untuk mempercepat proses komputasi dengan iterasi yang lebih sedikit dalam proses klasifikasi.

Apabila tetap ingin menggunakan ketiga nilai eigenvalue tersebut bisa, hanya saja membutuhkan proses komputasi yang lebih lama dan iterasi yang lebih banyak.

b)     Jika ketiga nilai eigenvalue bernilai berbeda maka gunakan semua nilai tersebut untuk proses klasifikasi.

Untuk pengalaman sebelumnya, saya dalam melakukan proses reduksi fitur menggunakan metode PCA terhadap citra tulisan tangan huruf Hangul, diperoleh nilai eigenvalue yang sama pada e2 dan e3 sehingga ketika proses klasifikasi hanya menggunakan nilai eigenvalue e1 dan e2.

Semoga bermanfaat J