Import Data

titanic <- read.csv("Titanic-Dataset.csv")
data_selected <- titanic[, c("Age", "SibSp", "Parch", "Fare")]
data_clean <- na.omit(data_selected)

Correlation Matrix

cor_matrix <- cor(data_clean)
cor_matrix
##               Age      SibSp      Parch       Fare
## Age    1.00000000 -0.3082468 -0.1891193 0.09606669
## SibSp -0.30824676  1.0000000  0.3838199 0.13832879
## Parch -0.18911926  0.3838199  1.0000000 0.20511888
## Fare   0.09606669  0.1383288  0.2051189 1.00000000

Variance-Covariance Matrix

cov_matrix <- cov(data_clean)
cov_matrix
##              Age      SibSp      Parch        Fare
## Age   211.019125 -4.1633339 -2.3441911   73.849030
## SibSp  -4.163334  0.8644973  0.3045128    6.806212
## Parch  -2.344191  0.3045128  0.7281027    9.262176
## Fare   73.849030  6.8062117  9.2621760 2800.413100

Eigen Value dan Eigen Vector

eigen_res <- eigen(cov_matrix)
eigen_res
## eigen() decomposition
## $values
## [1] 2802.5636587  209.0385659    0.9438783    0.4787214
## 
## $vectors
##             [,1]        [,2]         [,3]          [,4]
## [1,] 0.028477552  0.99929943 -0.024018111  0.0035788596
## [2,] 0.002386349 -0.02093144 -0.773693322  0.6332099362
## [3,] 0.003280818 -0.01253786 -0.633088089 -0.7739712590
## [4,] 0.999586200 -0.02837826  0.004609234  0.0009266652

Interpretasi Hasil

Berdasarkan correlation matrix, terlihat hubungan antar variabel Age, SibSp, Parch, dan Fare dengan tingkat korelasi yang berbeda.
Matriks variance-covariance menunjukkan besar variasi dan hubungan linier antar variabel dalam satuan aslinya.
Nilai eigen terbesar menunjukkan komponen utama yang menjelaskan variasi data paling besar, sedangkan eigen vector menunjukkan kontribusi masing-masing variabel terhadap komponen utama tersebut.