Analisis Komponen Utama

M0721027-Fattah Pradipta Kumara

2023-07-08

Analisis Komponen Utama

Analisis Komponen Utama (AKU) merupakan salah satu analisis multivariat yang bertujuan untuk melihat/mengidentifikasi pola data dengan cara mereduksi dimensi (atau variabel) data menjadi dimensi yang lebih kecil dengan tetap mempertahankan informasi yang terdapat dalam data. Pada AKU, kita ingin mencari sebuah persamaan yang terdiri atas kombinasi linear dari berbagai variabel yang dapat menangkap varians atau keragaman data dengan maksimal. Persamaan linear inilah yang kemudian disebut dengan Komponen Utama (KU). Sifat dari KU ini adalah saling bebas antara satu KU dengan KU lainnya sehingga analisis komponen utama dapat mengatasi masalah multikolinearitas yang ada pada data.

Sebagai tambahan, AKU merupakan analisis yang dapat diterapkan pada data yang berskala numerik dan tidak membutuhkan variabel respons (Y) dalam penghitungannya.

Langkah-langkah Analisis Komponen Utama

Langkah -langkah ketika melakukan Analisis Komponen Utama adalah sebagai berikut :

  • Memilih variabel yang berskala numerik dan tidak memasukkan variabel respons (Y) jika ada.

  • Menstandardisasikan data ke dalam normal baku.

Hal ini dilakukan jika variabel yang digunakan memiliki satuan dan rentang yang berbeda. Misalkan tinggi badan yang diukur dengan satuan cm dengan upah yang diukur dengan satuan ribu. Jika kedua variabel tidak distandarisasi dan tetap mempertahankan satuannya, maka variabel upah akan lebih ‘mendominasi’ komponen utama yang terbentuk mengingat keragaman data pada variabel upah akan lebih besar dibanding dengan tinggi badan. Maka dari itu, perlu dilakukan standarisasi agar kedua variabel tersebut mempunyai bobot yang sama dalam pembentukan komponen utama.

Namun, bisa juga digunakan matriks korelasi (tanpa melakukan standardisasi data), karena matriks korelasi sudah mengatasi perbedaan satuan pada variabel.

  • Menghitung matriks ragam-peragam dari data yang sudah distandarisasi. Jika menggunakan matriks korelasi maka lanjut ke langkah selanjutnya.

  • Menghitung vektor eigen dan nilai eigen dari matriks ragam-peragam atau matriks korelasi.

Vektor eigen merupakan koeffisien dari masing-masing variabel yang digunakan untuk membentuk komponen utama atau loadings sedangkan nilai eigen menggambarkan seberapa besar varians yang dapat ditangkap oleh komponen utama.

Persiapan Data

library(factoextra)
## Loading required package: ggplot2
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
library(ggplot2)
library(readxl)
library(PerformanceAnalytics)
## Loading required package: xts
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## 
## Attaching package: 'PerformanceAnalytics'
## The following object is masked from 'package:graphics':
## 
##     legend
library(DT)
dataset <- read_excel("D:/Libraries/Document/Statistika S1/SIM RMarkdown/dataset.xlsx")
View(dataset)

Penjelasan dan informasi data secara singkat:

datatable(dataset)
summary(dataset)
##        No           Country             Region               Year     
##  Min.   :   1.0   Length:2864        Length:2864        Min.   :2000  
##  1st Qu.: 716.8   Class :character   Class :character   1st Qu.:2004  
##  Median :1432.5   Mode  :character   Mode  :character   Median :2008  
##  Mean   :1432.5                                         Mean   :2008  
##  3rd Qu.:2148.2                                         3rd Qu.:2011  
##  Max.   :2864.0                                         Max.   :2015  
##  Infant_deaths    Under_five_deaths Adult_mortality  Alcohol_consumption
##  Min.   :  1.80   Min.   :  2.300   Min.   : 49.38   Min.   : 0.000     
##  1st Qu.:  8.10   1st Qu.:  9.675   1st Qu.:106.91   1st Qu.: 1.200     
##  Median : 19.60   Median : 23.100   Median :163.84   Median : 4.020     
##  Mean   : 30.36   Mean   : 42.938   Mean   :192.25   Mean   : 4.821     
##  3rd Qu.: 47.35   3rd Qu.: 66.000   3rd Qu.:246.79   3rd Qu.: 7.777     
##  Max.   :138.10   Max.   :224.900   Max.   :719.36   Max.   :17.870     
##   Hepatitis_B       Measles           BMI            Polio        Diphtheria   
##  Min.   :12.00   Min.   :10.00   Min.   :19.80   Min.   : 8.0   Min.   :16.00  
##  1st Qu.:78.00   1st Qu.:64.00   1st Qu.:23.20   1st Qu.:81.0   1st Qu.:81.00  
##  Median :89.00   Median :83.00   Median :25.50   Median :93.0   Median :93.00  
##  Mean   :84.29   Mean   :77.34   Mean   :25.03   Mean   :86.5   Mean   :86.27  
##  3rd Qu.:96.00   3rd Qu.:93.00   3rd Qu.:26.40   3rd Qu.:97.0   3rd Qu.:97.00  
##  Max.   :99.00   Max.   :99.00   Max.   :32.10   Max.   :99.0   Max.   :99.00  
##  Incidents_HIV     GDP_per_capita   Population_mln    
##  Min.   : 0.0100   Min.   :   148   Min.   :   0.080  
##  1st Qu.: 0.0800   1st Qu.:  1416   1st Qu.:   2.098  
##  Median : 0.1500   Median :  4217   Median :   7.850  
##  Mean   : 0.8943   Mean   : 11541   Mean   :  36.676  
##  3rd Qu.: 0.4600   3rd Qu.: 12557   3rd Qu.:  23.688  
##  Max.   :21.6800   Max.   :112418   Max.   :1379.860  
##  Thinness_ten_nineteen_years Thinness_five_nine_years   Schooling     
##  Min.   : 0.100              Min.   : 0.1             Min.   : 1.100  
##  1st Qu.: 1.600              1st Qu.: 1.6             1st Qu.: 5.100  
##  Median : 3.300              Median : 3.4             Median : 7.800  
##  Mean   : 4.866              Mean   : 4.9             Mean   : 7.632  
##  3rd Qu.: 7.200              3rd Qu.: 7.3             3rd Qu.:10.300  
##  Max.   :27.700              Max.   :28.6             Max.   :14.100  
##  Economy_status_Developed Economy_status_Developing Life_expectancy
##  Min.   :0.0000           Min.   :0.0000            Min.   :39.40  
##  1st Qu.:0.0000           1st Qu.:1.0000            1st Qu.:62.70  
##  Median :0.0000           Median :1.0000            Median :71.40  
##  Mean   :0.2067           Mean   :0.7933            Mean   :68.86  
##  3rd Qu.:0.0000           3rd Qu.:1.0000            3rd Qu.:75.40  
##  Max.   :1.0000           Max.   :1.0000            Max.   :83.80
head(dataset)
## # A tibble: 6 × 22
##      No Country    Region   Year Infant_deaths Under_five_deaths Adult_mortality
##   <dbl> <chr>      <chr>   <dbl>         <dbl>             <dbl>           <dbl>
## 1     1 Turkiye    Middle…  2015          11.1              13             106. 
## 2     2 Spain      Europe…  2015           2.7               3.3            57.9
## 3     3 India      Asia     2007          51.5              67.9           201. 
## 4     4 Guyana     South …  2006          32.8              40.5           222. 
## 5     5 Israel     Middle…  2012           3.4               4.3            58.0
## 6     6 Costa Rica Centra…  2006           9.8              11.2            95.2
## # ℹ 15 more variables: Alcohol_consumption <dbl>, Hepatitis_B <dbl>,
## #   Measles <dbl>, BMI <dbl>, Polio <dbl>, Diphtheria <dbl>,
## #   Incidents_HIV <dbl>, GDP_per_capita <dbl>, Population_mln <dbl>,
## #   Thinness_ten_nineteen_years <dbl>, Thinness_five_nine_years <dbl>,
## #   Schooling <dbl>, Economy_status_Developed <dbl>,
## #   Economy_status_Developing <dbl>, Life_expectancy <dbl>
sort(colnames(dataset))
##  [1] "Adult_mortality"             "Alcohol_consumption"        
##  [3] "BMI"                         "Country"                    
##  [5] "Diphtheria"                  "Economy_status_Developed"   
##  [7] "Economy_status_Developing"   "GDP_per_capita"             
##  [9] "Hepatitis_B"                 "Incidents_HIV"              
## [11] "Infant_deaths"               "Life_expectancy"            
## [13] "Measles"                     "No"                         
## [15] "Polio"                       "Population_mln"             
## [17] "Region"                      "Schooling"                  
## [19] "Thinness_five_nine_years"    "Thinness_ten_nineteen_years"
## [21] "Under_five_deaths"           "Year"

Mengkategorikan Data

Mengkategorikan data dengan variabel data berisi variabel independen dan variabel data_y berisi variabel dependen

data<-dataset[,5:21]
data_y<-dataset[,22]

Uji Homogenitas

Lalu dilakukan uji Bartlett atau dapat disebut juga sebagai uji homogenitas.

uji_bart <- function(x)
{
  method <- "Bartlett's test of sphericity"
  data.name <- deparse(substitute(x))
  x <- subset(x, complete.cases(x)) 
  n <- nrow(x)
  p <- ncol(x)
  chisq <- (1-n+(2*p+5)/6)*log(det(cor(x)))
  df <- p*(p-1)/2
  p.value <- pchisq(chisq, df, lower.tail=FALSE)
  names(chisq) <- "Khi-squared"
  names(df) <- "df"
  return(structure(list(statistic=chisq, parameter=df, p.value=p.value,
                        method=method, data.name=data.name), class="htest"))
}
uji_bart(dataset[,5:21])
## 
##  Bartlett's test of sphericity
## 
## data:  dataset[, 5:21]
## Khi-squared = Inf, df = 136, p-value < 2.2e-16

Hipotesis dan Kesimpulan

Ho : Tidak terdapat multikolinearitas

H1 : Terdapat multikolinearitas pada salah satu variabel

Dengan menggunakan tingkat kepercayaan 95%, maka data yang ada menjelaskan bahwa pada salah satu variabel terdapat multikolinearitas, karena nilai p-value < 0.05.

Setelah dicoba melakukan uji asumsi diatas dan terdapat multikolinearitas maka kita bisa mereduksinya menggunakan analisis PCA.

Analisis PCA secara manual

Standarisasi Data

Karena beberapa variabel memiliki satuan yang berbeda, maka perlu dilakukan standardisasi data. Di R untuk melakukan standardisasi ke normal baku dapat menggunakan fungsi scale.

dataset_std <- scale(x = data)

Menghitung matriks ragam-peragam

Matriks ragam-peragam dihitung dari data yang telah distandardisasi. Di R untuk menghitung matriks ragam-peragam dapat menggunakan fungsi cov.

dataset_cov <- cov(dataset_std)

Menghitung vektor eigen dan nilai eigen

Untuk menghitung vektor eigen dan nilai eigen di R dapat menggunakan fungsi eigen.

dataset_eigen <- eigen(dataset_cov)
dataset_eigen
## eigen() decomposition
## $values
##  [1] 7.934817e+00 2.251283e+00 1.566277e+00 1.389290e+00 8.472015e-01
##  [6] 6.382989e-01 6.133869e-01 5.113858e-01 3.234100e-01 3.177717e-01
## [11] 2.157779e-01 1.933025e-01 8.333218e-02 5.938836e-02 4.348219e-02
## [16] 1.159439e-02 2.775557e-17
## 
## $vectors
##              [,1]        [,2]          [,3]        [,4]        [,5]        [,6]
##  [1,] -0.32432608 -0.13690466 -0.0817022131  0.07314720  0.09227974  0.19867215
##  [2,] -0.31714894 -0.17035130 -0.0853077710  0.10307479  0.10349303  0.20961923
##  [3,] -0.27259904 -0.09554603 -0.2349050625  0.39852664 -0.12782460  0.07048539
##  [4,]  0.21587664 -0.30163048  0.0330660006  0.27296073 -0.13366870  0.21094915
##  [5,]  0.19297082  0.38155416 -0.0542386039  0.27403793  0.16519527  0.27734541
##  [6,]  0.21963475  0.11947773 -0.0751839661  0.10753252  0.07522709  0.02722574
##  [7,]  0.24750099  0.07347081 -0.2964183084 -0.17744020 -0.27542134 -0.39053948
##  [8,]  0.26551657  0.33637887  0.0344232599  0.23227848  0.05965591  0.10825407
##  [9,]  0.26204521  0.33846828  0.0456322277  0.25109027  0.08358004  0.15816024
## [10,] -0.12489621 -0.04756175 -0.2556027227  0.62892459 -0.31510665 -0.34874944
## [11,]  0.22983027 -0.25056144  0.1763195698  0.04639400  0.12877673 -0.36316320
## [12,] -0.03462737  0.06420592  0.5053379157 -0.03916064 -0.75668455  0.29390911
## [13,] -0.23726054  0.18605594  0.4334430941  0.16718986  0.15231308 -0.31125535
## [14,] -0.23546369  0.18561268  0.4377360348  0.17004432  0.13537021 -0.32130685
## [15,]  0.30607403 -0.08472170  0.0004022149  0.03777143 -0.21221329 -0.21679865
## [16,]  0.23704265 -0.39607282  0.2222322984  0.17032770  0.16157232  0.08120694
## [17,] -0.23704265  0.39607282 -0.2222322984 -0.17032770 -0.16157232 -0.08120694
##              [,7]        [,8]         [,9]        [,10]       [,11]
##  [1,] -0.07699298  0.16572281 -0.020256335 -0.158343673  0.25250050
##  [2,] -0.08312949  0.18942410 -0.044169642 -0.176488843  0.24467963
##  [3,] -0.01051128 -0.03096659 -0.018194234  0.021999446  0.01773776
##  [4,] -0.04791247 -0.56384090 -0.492653412 -0.125916553  0.28968678
##  [5,]  0.10930874  0.16932825 -0.131859731 -0.663460886 -0.35005254
##  [6,] -0.94470683  0.09147080  0.059909235  0.068180348  0.01043454
##  [7,]  0.02177733 -0.03205854  0.267976421 -0.498379075  0.50291481
##  [8,]  0.14426788  0.03105577  0.063546994  0.319955972  0.34212450
##  [9,]  0.17748564  0.06260164  0.041887828  0.245054335  0.26978476
## [10,]  0.05463976  0.14890824  0.142363223  0.122819077 -0.16216740
## [11,]  0.04584124  0.60803286 -0.536013272  0.009301033  0.14386802
## [12,] -0.07221148  0.25576972  0.038183778 -0.066236326  0.03512691
## [13,] -0.09838406 -0.16964249  0.021593187 -0.157112935  0.10643925
## [14,] -0.04831360 -0.21712982  0.004916768 -0.116198202  0.04997718
## [15,] -0.03315413 -0.19908755 -0.143370795 -0.002954468 -0.40467408
## [16,]  0.04545994  0.03141076  0.403694742 -0.083822559 -0.02147151
## [17,] -0.04545994 -0.03141076 -0.403694742  0.083822559  0.02147151
##              [,12]       [,13]        [,14]        [,15]        [,16]
##  [1,]  0.314784654 -0.31813928 -0.010442451  0.021762239  0.701813108
##  [2,]  0.272108091 -0.29000008  0.016331379 -0.045328417 -0.708251716
##  [3,]  0.274920528  0.77530224 -0.045305252  0.010311805  0.014721325
##  [4,] -0.231257976 -0.08849186  0.008312864  0.004664727  0.018805778
##  [5,] -0.084368180  0.02185830 -0.004062035 -0.077856779  0.023056395
##  [6,] -0.043037794  0.02635478 -0.042066790  0.018416126  0.005419143
##  [7,]  0.061224723  0.07155065 -0.036985042  0.024623529 -0.012566586
##  [8,]  0.169351015 -0.03292150  0.082910142 -0.680910069  0.020520283
##  [9,]  0.158226890 -0.05837784 -0.075096342  0.716533450 -0.046142190
## [10,] -0.294839975 -0.35452953  0.028137140  0.001817401  0.010747274
## [11,] -0.013804947  0.14543653 -0.026216524 -0.004638254  0.027087960
## [12,] -0.006862412  0.03080205 -0.008055107 -0.006943905 -0.001934967
## [13,]  0.034144542  0.06014659  0.697192647  0.085873208  0.003575108
## [14,]  0.069818337 -0.03453600 -0.700295282 -0.075198162 -0.019355470
## [15,]  0.733519704 -0.19599180  0.060357160  0.001722467 -0.022538319
## [16,]  0.007488360  0.04452225 -0.008861868 -0.009295625  0.011180988
## [17,] -0.007488360 -0.04452225  0.008861868  0.009295625 -0.011180988
##               [,17]
##  [1,] -3.300171e-15
##  [2,]  3.519124e-15
##  [3,] -3.078448e-16
##  [4,] -2.233579e-16
##  [5,] -2.528100e-16
##  [6,]  8.564912e-17
##  [7,]  2.353264e-16
##  [8,] -3.276166e-16
##  [9,]  4.964400e-16
## [10,]  1.732039e-17
## [11,] -2.073044e-16
## [12,]  9.581649e-17
## [13,] -1.969056e-16
## [14,]  2.113815e-16
## [15,]  1.361543e-17
## [16,]  7.071068e-01
## [17,]  7.071068e-01

Output yang dihasilkan dari fungsi eigen terdiri atas :

  • values yaitu nilai eigen yang sudah diurutkan dari yang tertinggi ke yang terendah. Nilai ini bisa digunakan untuk melihat seberapa besar varians yang dapat dijelaskan oleh komponen utama.

  • vectors yaitu vektor eigen. Nilai ini merupakan nilai loadings yang digunakan untuk membuat persamaan komponen utama.

Analisis PCA dengan fungsi prcomp

Selain penghitungan manual diatas, R telah menyediakan fungsi prcomp yang bisa digunakan untuk melakukan Analisis Komponen Utama. Fungsi ini hanya digunakan untuk raw data, dimana standarisasi data sudah bisa dilakukan dengan memasukkan argument TRUE pada parameter scale. dan center.

dataset_pca <- prcomp(x = data, scale. = TRUE, center = TRUE)

Menentukan Jumlah Komponen Utama

Terdapat beberapa pendekatan ketika ingin menentukan jumlah komponen utama. Salah satu pendekatan melalui nilai eigen

round(dataset_pca$sdev^2,2)
##  [1] 7.93 2.25 1.57 1.39 0.85 0.64 0.61 0.51 0.32 0.32 0.22 0.19 0.08 0.06 0.04
## [16] 0.01 0.00

Didapatkan hasil dari eigen value yang bernilai lebih dari 1 ada empat faktor. Maka jumlah faktor utama yang digunakan adalah empat PCA

Persamaan Komponen Utama

Persamaan komponen utama dibentuk berdasarkan komponen loadings atau vektor eigen .

dataset_pca$rotation[,1:4]
##                                     PC1         PC2           PC3         PC4
## Infant_deaths                0.32432608  0.13690466  0.0817022131  0.07314720
## Under_five_deaths            0.31714894  0.17035130  0.0853077710  0.10307479
## Adult_mortality              0.27259904  0.09554603  0.2349050625  0.39852664
## Alcohol_consumption         -0.21587664  0.30163048 -0.0330660006  0.27296073
## Hepatitis_B                 -0.19297082 -0.38155416  0.0542386039  0.27403793
## Measles                     -0.21963475 -0.11947773  0.0751839661  0.10753252
## BMI                         -0.24750099 -0.07347081  0.2964183084 -0.17744020
## Polio                       -0.26551657 -0.33637887 -0.0344232599  0.23227848
## Diphtheria                  -0.26204521 -0.33846828 -0.0456322277  0.25109027
## Incidents_HIV                0.12489621  0.04756175  0.2556027227  0.62892459
## GDP_per_capita              -0.22983027  0.25056144 -0.1763195698  0.04639400
## Population_mln               0.03462737 -0.06420592 -0.5053379157 -0.03916064
## Thinness_ten_nineteen_years  0.23726054 -0.18605594 -0.4334430941  0.16718986
## Thinness_five_nine_years     0.23546369 -0.18561268 -0.4377360348  0.17004432
## Schooling                   -0.30607403  0.08472170 -0.0004022149  0.03777143
## Economy_status_Developed    -0.23704265  0.39607282 -0.2222322984  0.17032770
## Economy_status_Developing    0.23704265 -0.39607282  0.2222322984 -0.17032770

Bulatkan sehingga terdapat dua angka dibelakang koma agar lebih mudah dianalisis

round(dataset_pca$rotation[,1:4],2)
##                               PC1   PC2   PC3   PC4
## Infant_deaths                0.32  0.14  0.08  0.07
## Under_five_deaths            0.32  0.17  0.09  0.10
## Adult_mortality              0.27  0.10  0.23  0.40
## Alcohol_consumption         -0.22  0.30 -0.03  0.27
## Hepatitis_B                 -0.19 -0.38  0.05  0.27
## Measles                     -0.22 -0.12  0.08  0.11
## BMI                         -0.25 -0.07  0.30 -0.18
## Polio                       -0.27 -0.34 -0.03  0.23
## Diphtheria                  -0.26 -0.34 -0.05  0.25
## Incidents_HIV                0.12  0.05  0.26  0.63
## GDP_per_capita              -0.23  0.25 -0.18  0.05
## Population_mln               0.03 -0.06 -0.51 -0.04
## Thinness_ten_nineteen_years  0.24 -0.19 -0.43  0.17
## Thinness_five_nine_years     0.24 -0.19 -0.44  0.17
## Schooling                   -0.31  0.08  0.00  0.04
## Economy_status_Developed    -0.24  0.40 -0.22  0.17
## Economy_status_Developing    0.24 -0.40  0.22 -0.17

Interpretasi dari persamaan diatas adalah semakin besar koefisien suatu variabel pada komponen utama, semakin besar pula hubungan pengaruh variabel tersebut dengan komponen utama yang bersesuaian.

Kita dapat menentukan variabel yang mewakili setiap komponen utama (PCA) dengan melihat bobot variabel pada setiap komponen tersebut. Berikut adalah variabel yang mewakili setiap PCA:

  • PCA 1: Variabel yang paling kuat mempengaruhi PCA 1 adalah “Infant_deaths” dan “Under_five_deaths”. Kedua variabel ini memiliki bobot yang signifikan pada komponen utama ini (0.32 dan 0.32). Variabel ini mewakili PCA 1 yang mungkin berhubungan dengan kematian bayi dan anak di bawah lima tahun.

  • PCA 2: Variabel yang paling kuat mempengaruhi PCA 2 adalah “Hepatitis_B” dan “Polio”. Kedua variabel ini memiliki bobot yang signifikan pada komponen utama ini (-0.38 dan -0.34). Variabel ini mewakili PCA 2 yang mungkin berhubungan dengan cakupan imunisasi Hepatitis B dan Polio.

  • PCA 3: Variabel yang paling kuat mempengaruhi PCA 3 adalah “Adult_mortality” dan “Thinness_ten_nineteen_years”. Kedua variabel ini memiliki bobot yang signifikan pada komponen utama ini (0.23 dan -0.43). Variabel ini mewakili PCA 3 yang mungkin berhubungan dengan tingkat kematian dewasa dan prevalensi kekurusan pada remaja usia 10-19 tahun.

  • PCA 4: Variabel yang paling kuat mempengaruhi PCA 4 adalah “Incidents_HIV”. Variabel ini memiliki bobot yang signifikan pada komponen utama ini (0.63). Variabel ini mewakili PCA 4 yang mungkin berhubungan dengan kejadian HIV.

Variabel-variabel ini dipilih berdasarkan bobot (koefisien) terbesar pada setiap komponen utama. Variabel-variabel ini dianggap mewakili komponen utama tersebut karena memiliki kontribusi paling signifikan terhadap variasi dalam data yang dijelaskan oleh komponen utama tersebut.

Perlu dicatat bahwa setiap variabel juga dapat memberikan kontribusi kecil pada komponen utama lainnya, namun variabel dengan bobot terbesar dianggap sebagai representasi utama atau mewakili PCA tersebut.

Rekonstruksi Data

Setelah didapatkan persamaan komponen utamanya, maka kita dapat ‘merekonstruksi’ data dengan memasukkan nilai variabel pada komponen utama yang dibuat. Di R cukup dengan mengakses atribut x pada objek dataset_pca. Dapat dilihat bahwasanya kita dapat mereduksi data yang berawal dari 17 variabel independen menjadi 4 variabel namun tetap menggambarkan keragaman data. Nilai ini juga dapat digunakan untuk keperluan analisis selanjutnya

pca_fix=dataset_pca$x[,1:4]
head(pca_fix)
##             PC1       PC2        PC3         PC4
## [1,] -0.9435965 -1.772967  0.0460039 -0.80507616
## [2,] -3.8681952  1.263536 -0.5920816  0.50806786
## [3,]  5.8460292 -1.202885 -8.9022912 -0.14800268
## [4,]  0.1073581 -0.923062  0.3625539  0.31116600
## [5,] -3.7569970  1.009678 -0.4567929 -0.09027207
## [6,] -1.1617961 -0.846231  0.7666029 -1.00501140

Visualisasi data hasil rekontruksi

fviz_pca(dataset_pca)