Guru Besar IPB: Dekomposisi Nilai Singular Kurangi Kompleksitas Struktur Data
Dalam menelusuri sebuah fenomena, informasi diperoleh bersumber dari ribuan data. Analisis secara serempak dari faktor-faktor atau peubah yang diamati diharapkan bisa memberikan hasil yang layak dan informatif.
Untuk menghasilkan hipotesis terbaik, biasanya informasi atau data yang dikumpulkan sangat banyak. Namun, semakin banyak data yang dikumpulkan cenderung mengakibatkan terjadinya redundansi informasi.
Ada kemungkinan tidak semua data atau faktor yang ada memberikan kontribusi yang bermakna dalam memberikan informasi terhadap fenomena yang tengah ditelusuri. Untuk itu perlu upaya mengurangi dimensi data yakni dengan seleksi peubah atau pencarian peubah baru dimensi rendah.
“Kita punya masalah yang komplek yang ingin kita sederhanakan. Jarang kita mengamati sebuah objek dengan satu peubah saja. Misal kita amati orang, jarang kita mengamati hanya bobot badannya, kita pasti melihat wajahnya, rambutnya dan lain-lain. Kita banyak gugus data, banyak objek dan banyak gugus variabel. Maka upaya kita adalah bagaimana mereduksi atau menyederhanakan data yang akan dianalisis,” ujar Guru Besar Fakultas Matematika dan IPA Institut Pertanian Bogor (FMIPA-IPB), Prof.Dr. Siswadi dalam jumpa pers pra orasi di Kampus IPB Baranangsiang Bogor, Kamis (4/8).
Namun untuk mengetahui baik tidaknya hasil reduksi yang diperoleh, diperlukan suatu ukuran kuantitatif untuk menilainya. Apabila data asal dan hasil reduksinya dipresentasikan dalam bentuk matriks, salah satu ukuran yang dapat digunakan ialah ukuran kesesuaian yang didasarkan pada ukuran procrustes.
“Untuk mendapatkan reduksi dimensi dan ukuran procrutes, salah satu alat dalam aljabar matriks yang digunakan adalah Dekomposisi Nilai Singular (DNS). Dekomposisi ini merupakan faktorisasi suatu matriks menjadi tiga buah matriks yang diperkenalkan pertama kali pada tahun 1870-an. Teknik ini kemudian mulai banyak digunakan pada 1970-an dan semakin intensif penerapannya pada abad 21,” ujarnya.
Menurutnya, seleksi peubah merupakan upaya untuk mengurangi peubah-peubah yang tidak memiliki kaitan dengan masalah yang tengah ditelusuri atau mengurangi peubah-peubah yang memberikan kontribusi informasi yang relatif sedikit. Apapun metode yang digunakan dalam reduksi dimensi, bila konfigurasi objek awal dan konfigurasi pendekatan hasil reduksinya dalam bentuk matriks, maka ukuran procrustes dapat digunakan sebagai ukuran kesesuaiannya.
“Banyak metode yang dapat digunakan dalam reduksi dimensi, semuanya terkait pada upaya untuk mengurangi kompleksitas struktur data dan memberikan representasi informasinya dalam dimensi rendah. Masih terbuka luas untuk penggunaan dan pengembangan metode reduksi dimensi,” tandasnya.(zul)
