Koefisien Korelasi
Koefisien korelasi merupakan sebuah nilai yang digunakan untuk mengukur dan menggambarkan kekuatan hubungan antara dua variabel serta memberikan informasi mengenai arah hubungan tersebut. Nilai koefisien korelasi (r) berada dalam rentang $-1$ hingga 1, ditulis sebagai $-1 \leq r \leq 1$. Kekuatan hubungan ditunjukkan oleh besarnya nilai koefisien korelasi, sementara arah hubungan ditentukan oleh tanda positif (+) atau negatif (−).
Nilai koefisien korelasi $r = \pm 1$ menunjukkan bahwa terdapat hubungan sempurna antara dua variabel. Tanda positif (+) menggambarkan korelasi positif fan tanda negatif (−) menggambarkan korelasi negatif. Nilai $r = 0$ menunjukkan tidak terdapat hubungan antara dua variabel, artinya tidak ada korelasi. Perhatikan diagram pencar berikut.
Nilai koefisien korelasi yang berada pada rentang $-1 \leq r < 0$ dan $0 < r \leq 1$ menunjukkan adanya berbagai tingkat kekuatan hubungan antara dua variabel. Perhatikan diagram pencar berikut.
Korelasi dianggap semakin kuat apabila nilai r mendekati $+1$ atau $-1$, sedangkan korelasi dianggap semakin lemah apabila nilai r mendekati 0.
Koefisien Korelasi Pearson
Koefisien Korelasi Pearson adalah metode paling umum yang digunakan untuk mengukur kekuatan dan arah hubungan linear antara dua variabel kuantitatif. Konsep ini pertama kali diperkenalkan oleh Karl Pearson pada tahun 1900 dan sering disebut sebagai korelasi Product Moment. Koefisien korelasi Pearson (r) untuk menggambarkan tingkat hubungan antara variabel independen X dan variabel dependen Y adalah sebagai berikut.
$$\begin{aligned} &r = \dfrac{S_{xy}}{S_{x}S_{y}} \\[4pt] &\text{atau}\quad r = \dfrac{SS_{xy}}{\sqrt{SS_{xx}SS_{yy}}} \end{aligned}$$
Berdasarkan konsep koefisien korelasi Pearson tersebut, dapat diturunkan rumus sebagai berikut.
$$\begin{aligned} &r = \dfrac{\sum (x - \bar{x})(y - \bar{y})}{\sqrt{\sum (x - \bar{x})^{2}}\sqrt{\sum (y - \bar{y})^{2}}} \\[4pt] &\text{atau}\quad r = \dfrac{\sum xy - n\bar{x}\bar{y}}{\sqrt{\sum x^{2} - n\bar{x}^{2}}\sqrt{\sum y^{2} - n\bar{y}^{2}}} \end{aligned}$$
Koefisien Determinasi
Koefisien determinasi digunakan untuk memprediksi serta mengukur seberapa besar pengaruh variabel independen terhadap variabel dependen. Koefisien determinasi $(r^{2})$ merupakan hasil kuadrat dari koefisien korelasi (r). Tingkat korelasi berdasarkan nilai koefisien determinasi adalah sebagai berikut.
Tabel Tingkat korelasi berdasarkan nilai koefisien determinasi
| Nilai Koefisien Determinasi | Tingkat Korelasi |
|---|---|
| $r^{2} = 0$ | tidak ada korelasi |
| $0 < r^{2} < 0,25$ | sangat lemah |
| $0,25 \leq r^{2} < 0,50$ | lemah |
| $0,50 \leq r^{2} < 0,75$ | sedang |
| $0,75 \leq r^{2} < 0,90$ | kuat |
| $0,90 \leq r^{2} < 1$ | sangat kuat |
| $r^{2} = 1$ | sempurna |
Nilai koefisien determinasi memiliki rentang antara $0 \leq r \leq 1$ dan umumnya dinyatakan dalam bentuk persentase (%) untuk menunjukkan besarnya pengaruh variabel independen terhadap variabel dependen. Koefisien determinasi dapat dihitung dengan rumus sebagai berikut:
$$\text{Koefisien determinasi} = r^{2} \times 100\%$$
Netflix memanfaatkan teknik regresi sebagai bagian dari algoritma rekomendasinya untuk memprediksi film atau serial apa yang akan disukai oleh pengguna. Dengan jumlah pengguna yang mencapai jutaan dan katalog yang sangat luas, Netflix membutuhkan metode yang efisien untuk menganalisis data perilaku pengguna. Data-data ini mencakup film yang ditonton sebelumnya, rating yang diberikan, genre yang sering dipilih, hingga waktu menonton. Teknik regresi linear digunakan untuk mencari hubungan antara variabel-variabel tersebut dan preferensi pengguna. Dengan mempelajari pola-pola dalam data historis ini, Netflix dapat menghasilkan rekomendasi yang lebih akurat dan relevan.
Algoritma rekomendasi Netflix tidak hanya bergantung pada satu metode, tetapi regresi memainkan peran penting dalam memperkirakan rating yang mungkin diberikan pengguna pada suatu film. Misalnya, regresi linear sederhana dapat digunakan untuk menghitung hubungan antara genre film dengan rating yang diberikan. Jika seorang pengguna sering memberikan rating tinggi pada film bergenre drama dan kriminal, model regresi akan memprediksi bahwa film baru dengan genre serupa juga akan disukai. Hasil prediksi ini kemudian digunakan sebagai dasar dalam menampilkan rekomendasi pada halaman beranda pengguna.
Selain memperkirakan rating, regresi juga membantu dalam memahami faktor-faktor apa saja yang paling memengaruhi pilihan tontonan. Misalnya, hasil regresi dapat menunjukkan bahwa durasi film kurang memengaruhi pengguna dibandingkan dengan genre atau aktor yang membintangi film tersebut. Dengan pemahaman ini, algoritma rekomendasi dapat lebih terfokus pada variabel yang signifikan dalam memprediksi kesukaan pengguna. Selain regresi linear, Netflix juga menggabungkan teknik matrix factorization dan collaborative filtering untuk membuat prediksi yang lebih kompleks dan personal. Melalui kombinasi berbagai teknik ini, Netflix berhasil memberikan pengalaman menonton yang semakin disesuaikan dengan preferensi pribadi pengguna.
Gratis — tolong sebarkan
Materi dan latihan di sini bisa dipakai siapa saja tanpa membayar dan tanpa mendaftar. Aplikasi Fitri Learning membawa semuanya ke HP, lengkap dengan nilai dan pembahasan, dan jalan tanpa internet setelah diunduh sekali.
Gratis, tanpa akunUnduh aplikasinya → Ilmu yang bermanfaatBagikan ke WhatsApp