Apakah Singular Value Decomposition?

Berikut ini adalah catatan saya mengenai SVD (Singular Value Decomposition). Dimulai dari review saya mengenai eigenvalue dan eigenvector. *Bila ada yang belum memahami apa itu eigen value dan eigen vector, dapat melihat ke halaman Kategori: Eigenvalue dan Eigenvector ->karena SVD tidak terlepas dari kedua hal tersebut.

Sesuai namanya, Singular Value Decomposition adalah seuatu teknik untuk mendekomposisi matriks berukuran apa saja (biasanya diaplikasikan untuk matriks dengan ukuran sangat besar), untuk mempermudah pengolahan data. Hasil dari SVD ini adalah singular value yang disimpan dalam sebuah matriks diagonal, D,  dalam urutan yang sesuai dengan koresponding singular vector-ya. Dimana..nilai singular value menyimpan informasi yang sangat penting tentang data, yaitu..data yang berkontribusi paling besar terhadap variasi data secara keseluruhan, yang disimpan pada singular value yang pertama.

Mau tau lebih lanjut? Silahkan cek catatan saya.

—————That’s it! SVD Simple dan Mudah————

(Penjelasan detail tentang langkah di atas, saya jelaskan di catatan ini sebagai intuisi.

Nah dari diagram tersebut, mari kita lanjut ke penjelasan diagram beserta contoh soal penyelesaian dengan SVD.

Berikut adalah contoh soal penyelesaian dengan SVD:

NB:

Contoh di atas menggunakan matriks dengan ukuran 2×3. Berikutnya..silahkan coba sendiri menyelesaikan matriks bujur sangkar dengan ukuran nxn, dan bandingkan hasilnya dengan hasil EVD! 🙂

Selamat belajar!