Nilai Eigen () adalah nilai karakteristik dari suatu matriks berukuran n x n, sementara
vektor Eigen (x) adalah vektor kolom bukan nol yang bila dikalikan dengan suatu matriks
berukuran n x n akan menghasilkan vektor lain yang memiliki nilai kelipatan dari vektor
Eigen itu sendiri.[1][2] Definisi tersebut berlaku untuk matriks dengan elemen bilangan real dan
akan mengalami pergeseran ketika elemen berupa bilangan kompleks.[1][3] Untuk setiap nilai
Eigen ada pasangan vektor Eigen yang berbeda, namun tidak semua persamaan matriks
memiliki nilai Eigen dan vektor Eigen.[1] Nilai Eigen dan vektor Eigen berguna dalam proses
kalkulasi matriks, di mana keduanya dapat diterapkan dalam bidang Matematika murni dan
Matematika terapan seperti transformasi linear.[4]
Kumpulan pasangan nilai dan vektor Eigen dari suatu matriks berukuran n x n disebut sistem
Eigen dari matriks tersebut.[5] Ruang Eigen dari merupakan kumpulan vektor Eigen yang
berpasangan dengan yang digabungkan dengan vektor nol.[6] Istilah Eigen seringkali diganti
dengan istilah karakteristik, di mana kata Eigen yang berasal dari bahasa Jerman memiliki
arti asli dalam konteks menjadi ciri khas atau karakteristik dari suatu sifat.
Ket: = matriks n x n, = nilai Eigen (bernilai skalar), = matriks identitas, dan = vektor Eigen
(vektor kolom n x 1)
Syarat-syarat
Nilai dan vektor Eigen sendiri memiliki beberapa syarat yang harus dipenuhi, yaitu:[3]
Bukti
Contoh
Misalkan diketahui suatu matriks A berukuran 3 x 3 dengan nilai seperti di bawah ini.[2]
Untuk mencari nilai Eigen akan digunakan polinomial karakteristik dan persamaan
karakteristik dari matriks A.[1][2] Pertama - tama akan dihitung polinomial karakteristik dari
matriks A:
Dengan melakukan substitusi nilai Eigen ke dalam persamaan , maka akan diperoleh suatu
persamaan baru. [2]
Vektor Eigen untuk masing - masing nilai Eigen kemudian dapat ditentukan dengan
melakukan operasi baris elementer atau teknik eliminasi sistem persamaan linear lainnya.[2]
Sehingga akan diperoleh vektor Eigen untuk adalah
Sejarah
Pada awal abad ke-19, Augustin Louis Cauchy telah membuat sebuah karya tulis di mana dia
membuktikan suatu teori mengenai nilai Eigen yang dikaitkan dengan transformasi linear.[10]
Karya tulis Cauchy juga berpengaruh terhadap perkembangan teori spektral pada awal tahun
1870.[10] Terlebih dari itu, Cauchy merupakan penemu dari istilah persamaan karakteristik.[10]
Pada masa yang sama, Charles Strum mengembangkan ide Joseph Fourier dan pada akhirnya
melengkapi teorema Cauchy di mana dia menemukan bahwa matriks simetris dengan elemen
bernilai real memiliki nilai Eigen yang bernilai real juga.[10] Pada tahun 1858, seorang ahli
matematika Prancis bernama Charles Hermite menunjukkan bahwa nilai Eigen dari matriks
Hermitian adalah nyata dan dia juga menciptakan istilah ortogonal.[11]
Di awal abad ke-20, David Hilbert memulai penelitiannya pada persamaan integral non-
homogen dengan menggunakan parameter dan kemudian menemukan istilah eigen untuk
mengacu kepada nilai Eigen dan vektor Eigen.[12]
!@#$%^&
DEFINISI LAMDA
E1 = N - frekuensi Modal
Lambda didefinisikan sebagai tindakan asimetris asosiasi yang cocok untuk
digunakan dengan variabel nominal. Hal ini bisa berkisar 0,0-1,0. Lambda memberikan kita
indikasi kekuatan hubungan antara variabel independen dan dependen. Sebagai ukuran
asimetris asosiasi, nilai lambda dapat bervariasi tergantung pada variabel yang dianggap
variabel dependen dan variabel yang dianggap sebagai variabel independen.Untuk
menghitung lambda, Anda memerlukan dua angka: E1 dan E2. E1 adalah kesalahan dari
prediksi yang dibuat ketika variabel independen diabaikan. Untuk menemukan E1, Anda
harus terlebih dahulu menemukan modus dari variabel dependen dan mengurangi frekuensi
dari N.
E2 adalah kesalahan yang dibuat ketika prediksi didasarkan pada variabel independen. Untuk
menemukan E2, Anda harus terlebih dahulu mencari frekuensi modal untuk setiap kategori
variabel independen, kurangi dari kategori total menemukan sejumlah kesalahan, kemudian
menjumlahkan semua kesalahan.
Rumus untuk menghitung lambda adalah:
Lambda dapat berkisar nilai 0,0-1,0. Nol menunjukkan bahwa tidak ada yang bisa diperoleh
dengan menggunakan variabel independen untuk memprediksi variabel dependen. Dengan
kata lain, variabel independen tidak dengan cara apapun memprediksi variabel dependen.
Sebuah lambda dari 1,0 menunjukkan bahwa variabel independen adalah prediktor sempurna
dari variabel dependen. Artinya, dengan menggunakan variabel bebas sebagai prediktor, kita
dapat memprediksi variabel dependen tanpa kesalahan.
B. MENGHITUNG LAMDA ()
Statistik lain yang bisa digunakan untuk mengukur
hubungan antara dua variabel yang keduanya berskala nominal adalah lambda. Rumus yang
digunakan untuk menghitungnya adalah:
dimana fi adalah modus frekuensi dalam setiap kategori variabel bebas, Fd adalah modus
frekuensi diantara total variabel tak bebas, dan n adalah banyaknya satuan pengamatan.
Nilai lambda berkisar antara 0 dan 1 yaitu dari tidak ada hubungan sama sekali sampai
hubungan kuat.
Misalkan kita akan mengukur hubungan antara jenis perusahaan dan sikap terhadap investor
dari luar pada soal diatas. Langkah pertama adalah menyajikan kembali hasil survei dalam
bentuk tabel silang berikut:
Misalkan berdasarkan teori sebelumnya, Anda menduga bahwa sikap terhadap kehadiran
investor dipengaruhi oleh jenis perusahaan. Jadi jenis perusahaan disini merupakan variabel
bebas sedangkan sikap terhadap investor merupakan variabel tak bebas.
Langkah selanjutnya adalah menentukan nilai fi untuk setiap kolom, yaitu f1 = 8 (karena
untuk jenis perusahaan dagang frekuensi yang sering muncul atau modusnya adalah tidak
setuju sebesar 8), f2 = 12, dan f3 = 13. Sedangkan untuk Fd adalah sebesar 26, yaitu dilihat
frekuensi terbesar pada kolom jumlah variabel tak bebas. Jadi nilai lambdanya bisa dihitung
sebagai berikut:
!@#$%^
Yang dimaksud dengan eigenvalue adalah sebuah bilangan skalar dan eigenvector adalah
sebuah matriks yang keduanya dapat mendifinisikan matriks A.
Dimana matriks A adalah matriks bujur sangkar dengan ukuran nxn. Namun, tidak semua
matriks bujur sangkar memiliki eigenvalue dan eigenvector.
!@#$%^
E2 adalah kesalahan yang dibuat ketika prediksi didasarkan pada variabel independen. Untuk
menemukan E2, Anda harus terlebih dahulu mencari frekuensi modal untuk setiap kategori
variabel independen, kurangi dari kategori total menemukan sejumlah kesalahan, kemudian
menjumlahkan semua kesalahan.
Rumus untuk menghitung lambda adalah:
Lambda dapat berkisar nilai 0,0-1,0. Nol menunjukkan bahwa tidak ada yang bisa diperoleh
dengan menggunakan variabel independen untuk memprediksi variabel dependen. Dengan
kata lain, variabel independen tidak dengan cara apapun memprediksi variabel dependen.
Sebuah lambda dari 1,0 menunjukkan bahwa variabel independen adalah prediktor sempurna
dari variabel dependen. Artinya, dengan menggunakan variabel bebas sebagai prediktor, kita
dapat memprediksi variabel dependen tanpa kesalahan.
MENGHITUNG LAMDA ()
Statistik lain yang bisa digunakan untuk mengukur hubungan antara dua variabel
yang keduanya berskala nominal adalah lambda. Rumus yang digunakan untuk
menghitungnya adalah: dimana fi adalah modus frekuensi dalam setiap kategori variabel
bebas, Fd adalah modus frekuensi diantara total variabel tak bebas, dan n adalah banyaknya
satuan pengamatan.
Nilai lambda berkisar antara 0 dan 1 yaitu dari tidak ada hubungan sama sekali sampai
hubungan kuat.
Misalkan kita akan mengukur hubungan antara jenis perusahaan dan sikap terhadap investor
dari luar pada soal diatas. Langkah pertama adalah menyajikan kembali hasil survei dalam
bentuk tabel silang berikut: Misalkan berdasarkan teori sebelumnya, Anda menduga bahwa
sikap terhadap kehadiran investor dipengaruhi oleh jenis perusahaan. Jadi jenis perusahaan
disini merupakan variabel bebas sedangkan sikap terhadap investor merupakan variabel tak
bebas.
Langkah selanjutnya adalah menentukan nilai fi untuk setiap kolom, yaitu f1 = 8 (karena
untuk jenis perusahaan dagang frekuensi yang sering muncul atau modusnya adalah tidak
setuju sebesar 8), f2 = 12, dan f3 = 13. Sedangkan untuk Fd adalah sebesar 26, yaitu dilihat
frekuensi terbesar pada kolom jumlah variabel tak bebas. Jadi nilai lambdanya bisa dihitung
sebagai berikut:
Posted by hendry
CONTOH 1
Akan diuji mengenai pengaruh masa kerja bekerja (dalam bulan) terhadap jumlah pulpen
terjual (ceritanya ini adalah sales pulpen). Rata-rata masa kerja dari 30 sampel adalah 6.4
bulan dan rata-rata penjualan bulanan adalah 34. Melalui analisis selanjutkan diperoleh
persamaan berikut :
Intepretasi :
Slope : setiap kenaikan 1 bulan kerja, maka jumlah pulpen yang terjual
adalah sebanyak 5.5 unit
Intercept : Jika masa kerja adalah nol, maka jumlah pulpen yang terjual
adalah 0.7
Perhatikan interpretasi dari intercept yang tidak masuk akal tersebut. Pertama, mengapa harus
memprediksi jumlah pulpen terjual jika karyawannya belum bekerja (masa kerja = 0).
Kedua, nilai slope nya positif, maka persamaan regresinya cukup dibalik menjadi : Y = 5.5
(X) 0.7 Jadi, jika masa kerja = 5 bulan, maka diperoleh persamaan Y = (5.5 * (5)) 0.7 =
26.6 unit
CONTOH 2
Seorang peneliti ingin menguji pengaruh tinggi badan (dalam centimeter) terhadap berat
badan 30 orang siswa. Persamaan regresi diperoleh adalah :
Interpretasi
Intercept : Jika tinggi badang bernilai konstan (nol), maka berat badan
siswa adalah 2.75
Komentar pada konstanta, sangat aneh jika dilakukan interpretasi karena mana ada manusia
yang tingginya NOL ??. Jadi ada baiknya, konstanta negatif seperti ini diabaikan saja karena
dalam banyak kasus tidak masuk akal untuk diinterpretasikan.
Dengan demikian,..Jika Tinggi siswa 90 cm, maka berat badan siswa adalah Y = 0.38 (90)
2.75 = 31.45 Kg !!
CONTOH 3
Seorang peneliti ingin mengetahui berapa jarak lari (dalam meter) berdasarkan lamanya
waktu berlari (dalam detik) pada 100 siswa SMA ABC.
Interpretasi
Kesimpulan
Konstanta negatif umumnya terjadi jika ada rentang yang cukup jauh
antara X (variabel independen) dan Y (variabel respon. misal X memiliki
rentang nilai 1 8, sedangkan Y memiliki rentang nilai 100 200.
Dalam berbagai kasus, intercept juga sering tdk masuk akan untuk
diinterpreasi sehingga harus diabaikan seperti kasus2 yang saya uraikan
di atas.
Jika menggunakan SPSS, coba cek garis regresi menggunakan scatter plot
untuk mengetahui posisi intercept
Dougherty, C. 2002. Introduction to econometrics. 2nd ed. New York: Oxford University
Press.
Bab 2 hal 13-14 memberikan contoh penjelasan mengenai konstanta negatif Persamaan
Regresi yang diperoleh adalah EARNING = 1.39 + 1.07S
!@#$%^&*()
Jika signifikansi > 0,05 maka tidak ada perbedaan dalam kelompok
Semua variabel di atas nilai sig < 0,05, maka ketiga variabel memberikan perbedaan pada
pengambilan keputusan (Y).
Analisis Diskriminan SPSS Covariance Matrix
Tabel di atas adalah tabel analisis Covariances dan Correlation. Lihat nilai Korelasi, apabila
ada korelasi antar variabel independen dengan nilai > 0,5 maka dicurigai ada gejala
multikolinearitas. Di atas tidak terdapat korelasi > 0,5, maka tidak ada multikolinearitas.
Dari nilai p-value statistik uji Box M diketahui nilai p-value 0,364 (> 0,05) maka terima H0.
Dengan demikian varians kelompok data adalah identik/homogen.
NB: jika tidak terpenuhinya asumsi ini dapat dilakukan eksplorasi data untuk melihat
kemungkinan ada tidaknya outlier data.
Analisis Diskriminan SPSS Stepwise Method
Di atas menunjukkan variabel yang dimasukkan dalam tiap tahap. Ada 3 tahapan, maka ada 3
variabel yang masuk model. Variabel yang masuk model adalah variabel yang mempunyai
pengaruh bermakna pada Y dan tidak menyebabkan nilai F tidak signifikan.
Tahapan pemasukan variabel ditentukan oleh besar kecilnya angka sig of F to Remove
dimana angka terkecil akan di dahulukan.