Pada penelitian ini Principal Component Analysis PCA digunakan untuk melihat hubungan antar parameter akustik dengan beberapa parameter fisika
sedimen yang diduga dapat memberikan gambaran mengenai karakter dari dasar perairan. PCA menghitung suatu set variabel baru yang lebih kecil, variabel
linear independen, yang disebut komponen utama Principal Component yang memberikan laporan dari sebagian besar perbedaan yang ada dalam data yang
sebenarnya Gambar 17.
Gambar 17. Proses klasifikasi nilai echo Preston, 2004
3.6.5. Clustering analysis
Clustering adalah operasi analisis multidimensional yang terdiri dari pembagian parameter-parameter deskriptor dalam suatu penelitian
Legendre dan Legendre, 1998
. Clustering dapat diartikan sebagai proses pengelompokkan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar
objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelascluster.
Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi
K-Means dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi atau sering disebut dengan partition-based clustering
Principal Component Analysis PCA
mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau sering
disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada
hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan. Metode clustering yang akan digunakan pada penelitian ini untuk melihat
hubungan antara nilai akustik dan sedimen properties yang ada adalah clustering dengan pendekatan hirarki. Metode clustering dengan pendekatan hirarki
mengelompokkan data yang mirip dalam hirarki yang sama dan yang tidak mirip di hirarki yang agak jauh. Ada dua metode yang sering diterapkan yaitu
agglomerative hieararchical clustering dan divisive hierarchical clustering. Agglomerative melakukan proses clustering dari N cluster menjadi satu kesatuan
cluster, dimana N adalah jumlah data, sedangkan divisive melakukan proses clustering yang sebaliknya yaitu dari satu cluster menjadi N cluster.
Salah satu cara untuk mempermudah pengembangan dendogram untuk hierarchical clustering ini adalah dengan membuat similarity matrix yang
memuat tingkat kemiripan antar data yang dikelompokkan. Tingkat kemiripan bisa dihitung dengan berbagai macam cara seperti dengan Euclidean Distance
Space. Berangkat dari similarity matrix ini, kita bisa memilih lingkage jenis mana yang akan digunakan untuk mengelompokkan data yang dianalisa, dimana pada
penelitian ini digunakan average lingkage.
