ALJABAR LINIER SEBAGAI LANDASAN MATEMATIKA DALAM METODE ANALISIS MULTIVARIAT
DOI:
https://doi.org/10.31004/jrpp.v8i2.46426Keywords:
Aljabar Linier, Analisis Multivariat, Dekomposisi Matriks, Nilai Eigen, Principal Component Analysis, Tinjauan Sistematis.Abstract
Analisis multivariat merupakan bidang fundamental dalam statistika yang berkaitan dengan pengolahan dan interpretasi data berdimensi tinggi yang melibatkan banyak variabel yang saling berhubungan. Meskipun metode-metode multivariat banyak diterapkan di berbagai disiplin ilmu seperti ekonomi, psikologi, biologi, dan teknik, dasar matematisnya—yaitu aljabar linier—sering kali kurang mendapat perhatian dalam penerapan praktis. Studi ini menyajikan tinjauan pustaka sistematis untuk menelaah peran penting aljabar linier dalam perumusan, perhitungan, dan interpretasi teknik-teknik multivariat utama. Konsep-konsep inti aljabar linier seperti ruang vektor, operasi matriks, transformasi linier, nilai eigen dan vektor eigen, serta dekomposisi matriks ditemukan sangat melekat dalam metode-metode seperti Principal Component Analysis (PCA), Regresi Linier Berganda, dan Linear Discriminant Analysis (LDA). Tinjauan ini menunjukkan bahwa aljabar linier tidak hanya menyediakan dasar teoritis bagi analisis multivariat, tetapi juga meningkatkan efisiensi komputasi dan kejelasan analitis. Oleh karena itu, pemahaman yang kuat terhadap aljabar linier menjadi hal yang tak terpisahkan bagi peneliti dan praktisi yang ingin menerapkan metode multivariat secara cermat dan efektif.References
Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433–459. https://doi.org/10.1002/wics.101
Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433–459.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: With Applications in R. Springer.
Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). Springer.
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202.
Lay, D. C. (2012). Linear Algebra and Its Applications (4th ed.). Pearson.
Rencher, A. C., & Christensen, W. F. (2012). Methods of Multivariate Analysis (3rd ed.). Wiley.
Strang, G. (2016). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.
Strang, G. (2016). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.
Trefethen, L. N., & Bau, D. (1997). Numerical Linear Algebra. SIAM.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Indah Dwi Murdianingsih, Hadi Tanuji

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.




