Faktorisasi Matriks Non-negatif (NMF) adalah teknik aljabar linier yang digunakan dalam ilmu data dan pembelajaran mesin. NMF menguraikan data ke dalam dimensi yang lebih rendah dengan hanya faktor non-negatif. Hal ini menjadikannya alat yang baik untuk berbagai jenis tugas penambangan data, seperti analisis sentimen, pengelompokan, dan pemodelan topik.
NMF tidak hanya berguna untuk data mining tetapi juga untuk pengolahan gambar. Ini dapat digunakan untuk mengurangi ukuran dimensi suatu gambar sambil mempertahankan fitur-fitur yang berkontribusi pada gambar asli. Hal ini dapat digunakan untuk mengurangi noise gambar dengan menghilangkan informasi yang berlebihan dan mengelompokkan objek menjadi satu.
NMF juga memiliki aplikasi dalam kompresi data. Ini dapat digunakan untuk menghilangkan redundansi dalam data, sehingga menghasilkan representasi yang ringkas. Hal ini dapat membuat data lebih mudah disimpan dan dikirim. NMF juga dapat digunakan untuk mengurangi jumlah fitur dalam kumpulan data, sehingga dapat meningkatkan performa model pembelajaran mesin.
NMF merupakan algoritma iteratif, artinya ia menemukan solusi terbaik dengan berulang kali menguji berbagai kombinasi faktor. Hal ini membuatnya mahal secara komputasi dan tidak cocok untuk aplikasi real-time. Algoritma ini juga rentan terhadap nilai minimum lokal yang dapat menghasilkan solusi sub-optimal.
Terlepas dari kekurangannya, NMF adalah alat yang ampuh untuk penambangan data, pemrosesan gambar, dan kompresi data. Ini digunakan di banyak bidang berbeda, seperti pemrosesan bahasa alami, sistem rekomendasi, dan analisis teks.
