Eigen Value (λ)

Pada kuliah statistika, kita sering mendengar istilah “EIGEN VALUE”. Apa sebenarnya yang dimaksud dengan eigen value? Eigen value sering diartikan dengan akar ciri. dalam bahasa yang lebih mudah eigen value merupakan suatu nilai yang menunjukkan seberapa besar pengaruh suatu variabel terhadap pembentukan karakteristik sebuah vektor atau matriks. eigen value dinotasikan dengan λ.

Jika hanya sekedar mengerti bagaimana rumus dan cara penghitungan eigen value, tentu kita tidak akan pernah paham bagaimana interpretasi dari sebuah angka eigen value. Saya akan mengambil contoh satu mangkuk masakan “soto madura”…hmmm…enaknya… Jika ada 10 orang ditanya mengenai rasa soto tersebut, dan diminta menyebutkan bumbu apa kira-kira yang paling terasa dari soto itu, maka semua orang pasti menyebutkan “garam”. karena garam memberikan rasa asin yang tentu saja dimiliki oleh soto tersebut. Tapi mungkin hanya 1 atau dua orang yang menyebutkan “serai” karena serai adalah bumbu khas yang dimiliki soto yang mungkin tidak dimiliki masakan lain. Atau kunyit…

Nah, sekarang kalau diminta menebak, kira-kira garam memiliki nilai λ yang paling besar atau paling kecil? ya..garam memiliki λ paling kecil. dan yang memiliki λ paling besar adalah yang memberikan karakteristik atau ciri paling kuat pada soto. dan orang akan memberikan jawaban berbeda-beda sesuai dengan indra perasanya masing-masing. sederhana bukan?? sekarang kita tau makna dari sebuah ukuran statistik “eigen value”

inspirasi ini diberikan oleh dosen saya di ITS, yang membuat saya banyak mengerti filosofi dari sebuah ukuran statistik. thanx to Drs. Kresnayana Yahya, M.Sc..

sumber : http://nuvie81.wordpress.com/

English version:

In college, we often hear the term "Eigen VALUE". What exactly is meant by eigen value? Eigen value is often defined by the root traits. As a term eigen value is a value that indicates how much influence on the formation of a variable characteristic of a vector or matrix. eigen value denoted by λ.

If we just only understand how the formula and calculation of eigen values​​, of course we will never understand how the interpretation of a number eigen value. I'll take the example of one bowl dish "soto madura" (or chicken soup) ... hmmm ... delicious ... If there 10 people were asked about the soup flavors, seasonings and asked to name what about the most intriquing things from the soup, then everyone would say "salt". because salt gives a salty taste which of course is owned by the soup. But maybe only one or two people mention "lemon grass" because lemongrass is owned by a typical spice soup that may not have other dishes. Or turmeric ...

Now, if we have to guess, about a salt having the largest value of λ or the smallest? yes .. salt has the smallest λ. and which has the greatest λ is the characteristic or trait that gives the most powerful sense on the soup. and people will give different answers according to the sense of feeling on each. isn't simple? Now we know the meaning of a statistical measure of "eigen value"

inspiration was given by my lecturer at ITS, which makes me a lot to understand the philosophy of a statistical measure. thanx to Drs. Kresnayana Yahya, M.Sc..

source : http://nuvie81.wordpress.com/

Read More

Memperkirakan kesuksesan Film Box Office: Menggunakan Neural Networks

"Apa? Membuat film harus menggunakan regresi logistik? Pusing amat?"

Tenang dulu, bukan berarti membuat film harus ngejelimet dengan angka, tetapi ternyata jika industri dimanapun baik budaya, hiburan bahkan manufaktur, peran metoda statistik bisa menjadi alat bantu yang menyenangkan ^_^.

Di negara maju, setiap aspek industrinya tidak lepas dari peran riset dan pengembangan. Data dan analisis merupakan alat penting sebagai salah satu feedback selain dari hasil keuangan (laba-rugi). Salah satunya industri hiburan, dalam hal ini adalah industri film. Kepentingan analisis digunakan sebagai mengetahui atau memetakan sebuah industri. Contohnya bisa terlihat pada jurnal yang akan saya bahas kali ini,


Judul: "Predicting box-office success of motion pictures with neural networks"
Karya: Ramesh Sharda and Dursun Delen
Tahun: 2006
Penerbit: Elsevier.com


Bagian pemetaan indsutri Amerika dan latar belakang mengapa penelitian ini dilakukan sepertinya tidak perlu saya ceritakan panjang lebar, silahkan baca sendiri jurnalnya (mau jurnalnya? hub kami ^_^). Intinya penelitian ini dilakukan untuk bisa memberikan masukkan pada producer film untuk bisa mengambil keputusan terhadap bagaimana mereka bisa membuat film yang akan menghasilkan kesuksesan.

Okeh, kita masuk kebagian serunya ya ^_^, bagian tools! Dari judulnya jurnal ini menggunakan neural networks, namun sebenarnya neural networks tersebut merupakan pengembangan dari model-model statistik seperti regresi logistik atau diskriminan analysis.

Apa sih Neural Networks? Neural networks adalah analisis jaringan antara variabel-variabel. Secara sederhana model hubungan antar variabel dalam statistik adalah Regresi. Namun dalam penelitian ini data yang digunakan adalah data diskrit dan qualitative dimana setiap variable saling berhubungan satu sama lain, maka neural network digunakan untuk mengukur variabel yang mempengaruhi kesuksesan sebuah film.

Pertama-tama yang harus dilakukan adalah membuat hipotesa awal. Dalam hal ini kita membuat model neural networknya. Dengan melakukan penelitian awal dan diskusi terhadap para ahli maka diperoleh model berikut
Dari model tersebut terdapat 7 variabel yang akan mempengaruhi sebuah kesuksesan film. Kesuksesan tersebut dibagi menjadi 9 kelas (output).

Berikut variabel yang akan diukur:

Kemudian dilakukan observasi terhadap data-data setiap tahunnya selama 5 tahun untuk mengetahui bagimana nilai persentase dari variabel-variabel tersebut dalam mempengaruhi performance film. Kemudian dikelompokkan film mana masuk kelas mana. Kelompok tersebut dibentuk dalam sebuah matriks. Jika film tersebut diprediksikan akan masuk kelas "tidak laku" dan dari data menyatakan memang film tersebut "tidak laku" maka hal tersebut diistilahkan sebagai tepat (bingo). Jika tidak maka disebut setidaknya hampir mendekati tepat (1-away).

Dari data matriks selama 5 tahun (dapat dilihat di jurnal), kemudian dengan neural networks dan atau alat statistik yang lainnya diperoleh sebuah prediksi bingo dan 1-away, sebagai berikut:

Dari hasil di atas terlihat bahwa standar deviasi terhadap data 1-away yang paling kecil adalah dengan menggunakan Neural Networks. Artinya Neural Network merupakan alat yang paling tepat untuk memprediksikan kesuksesan suatu produk dalam bidang yang memiliki banyak faktor qualitative seperti sosial dan hiburan.

Setelah didapatkan model menggunakan neural networks selanjutnya dilakukan sensitivitas analisis. Gunanya untuk menilai apakah variable-variable tersebut secara mampu mempengaruhi kesuksesan sebuah film. Hasilnya ternyata hal yang paling mempengaruhi kesuksesan film adalah jumlah layar, efek visual teknologi, dan artis terkenal. Dimana model neural network tersebut dapat memprediksi sebesar 75% akan sukses masuk kelas tertentu sesuai perkiraan producer.

Sekian penjelasan mengenai penggunan analisis pada sebuah industri hiburan yang katanya tabu jika disandingkan dengan science ^_^..

Gimana seru kan? model tersebut juga bisa digunakan untuk industri musik, televisi dan lainnya. Tapi di Indonesia gimana? Variable apakah yang mempengaruhi kesuksesan film? Nah, itu belum pernah ada yang melakukannya. ^_^

Semoga tulisan ini mengispirasi para pembaca yang sedang melakukan penelitian skripsi atau thesis. Silahkan ditanyakan pada kami kalau ada yang kurang jelas dan ingin bantuan untuk mengejarkan analisis ini pada kasus Indonesia atau dimanapun, dengan senang hati kami akan membantu ^_^...

Read More