Kernel principal component analysis atau Analisis komponen utama kernel (KPCA) berdasarkan regresi dapat digunakan secara efektif untuk sistem nonlinier dengan memetakan ruang input asli ke dalam ruang fitur berdimensi lebih tinggi. Kami mencatat beberapa peneliti mengembangkan regresi komponen utama kernel (KPCR) untuk menangani masalah linearitas dan multikolinearitas di linear regresi. Namun, ini bisa menjadi tidak tepat karena adanya outlier karena menggunakan kuadrat terkecil biasa (OLS) untuk memperkirakan koefisien regresinya. Peneliti sebelumnya telah mengusulkan algoritma cepat untuk estimator S-regresi untuk menangani keberadaan outlier. Namun, metode mereka menghasilkan prediksi yang robust tetapi masih merupakan model linier. Dalam makalah ini, kami menggabungkan KPCA dan algoritme penduga S cepat untuk mendapatkan nonlinier robust regresi. Kami membandingkan metode kami dengan regresi linier berbasis OLS, regresi linier berbasis S-estimator dan regresi berbasis KPCA yang ada, dan menerapkannya di digital marketing.

Kernel principal component analysis, kernel principal component regression, robustness, nonlinear robust regression, S-estimators

• Dr. Ir. Z. Hidayat, M.M., M.Si.

• Dr. Eng. Antoni Wibowo, S.Si., M.Kom., M.Eng