Pengurangan Dimensi adalah teknik yang digunakan dalam bidang Pembelajaran Mesin yang berupaya mengurangi jumlah fitur yang digunakan dalam kumpulan data tertentu. Teknik ini sering digunakan ketika data terlalu kompleks untuk dipahami dalam bentuk aslinya, atau ketika jumlah fitur terlalu banyak untuk aplikasi yang digunakan. Pengurangan Dimensi dapat digunakan untuk menghilangkan fitur yang tidak relevan atau berlebihan dari kumpulan data, atau untuk mengurangi efek gangguan (nilai tidak penting atau acak) dalam kumpulan data.
Tujuan utama penggunaan Pengurangan Dimensi adalah untuk meminimalkan jumlah keputusan yang perlu dibuat oleh suatu sistem sambil tetap sedekat mungkin dengan kumpulan data asli. Ini bisa menjadi teknik yang berguna ketika bekerja dengan kumpulan data besar yang pemrosesan komputasinya mahal.
Salah satu alternatif umum untuk Pengurangan Dimensi adalah Seleksi Fitur, yang berupaya mengidentifikasi hanya fitur-fitur yang penting bagi masalah yang dihadapi. Seleksi Fitur menghilangkan fitur-fitur yang tampaknya tidak signifikan dalam hasil proses; Pendekatan ini dapat mereduksi kumpulan data yang memiliki banyak fitur menjadi kumpulan data yang jauh lebih kecil tanpa mengurangi keakuratan atau efektivitas kumpulan data asli.
Pengurangan Dimensi juga berguna ketika data berdimensi tinggi. Dimensi tinggi mengacu pada kumpulan data dengan lebih dari tiga dimensi. Dengan mengurangi dimensi kumpulan data, data yang tidak diperlukan dapat dihilangkan tanpa mengorbankan terlalu banyak akurasi, sehingga kumpulan data dan model yang dibangun di atasnya dapat menggunakan lebih sedikit waktu komputasi dan memori.
Pengurangan Dimensi juga dapat digunakan untuk mengidentifikasi hubungan yang berpotensi bermakna antar fitur dalam kumpulan data. Teknik ini dapat bekerja dengan menggabungkan fitur-fitur yang berkorelasi ke dalam satu fitur, atau dengan mengkode ulang fitur-fitur ke dalam kategori yang lebih sedikit. Dengan menggunakan Pengurangan Dimensi dengan cara ini, model yang dibangun berdasarkan kumpulan data baru yang lebih kecil dapat mengidentifikasi pola dan perilaku dengan lebih baik yang mungkin tidak terlihat dengan lebih banyak fitur.
Secara keseluruhan, Pengurangan Dimensi adalah alat yang ampuh dalam Pembelajaran Mesin, membantu meningkatkan akurasi, mengurangi waktu komputasi dan konsumsi memori, serta mengidentifikasi hubungan yang bermakna dalam data.
