BSINews, Solo — Ada yang menarik dari konten-konten yang berseliweran di media sosial belakangan ini. Kalimasada, teman dari Timothy Ronald, membahas mengenai CAPM (Capital Asset Pricing Model) dalam investasi. Sementara itu, Ferry Irwandi mengulik bagaimana cara memprediksi skor engagement sebuah konten.
Sekilas, kedua topik ini terlihat jauh berbeda—yang satu berbicara tentang saham, sementara yang lain membahas like dan share di media sosial. Namun, menurut Galih Setiawan Nurohim, dosen Sistem Informasi Universitas Bina Sarana Informatika (UBSI) Kampus Solo, keduanya ternyata bertumpu pada pola yang sama: regresi linear, atau lebih sederhana lagi, rumus klasik :
y=w⋅x+b
1. CAPM ala Kalimasada
Galih menjelaskan, CAPM mencoba menjawab pertanyaan sederhana:
“Berapa return yang layak saya harapkan dari sebuah saham, mengingat risikonya?”
Rumusnya:
E = (R¡) = Rf + ß. (E (Rm) – Rf)
Formulanya adalah:
-
E(Ri) → ekspektasi return saham i
-
Rf → risk-free rate (misalnya obligasi negara)
-
β → seberapa sensitif saham terhadap pasar
-
E(Rm) → return pasar secara keseluruhan
Jika disederhanakan, β hanyalah w yang memberi bobot pada risiko pasar. Ditambah dengan b (risk-free rate), terbentuklah sebuah persamaan linear.
“Jadi, melihat faktor risiko di pasar saham ternyata punya inti yang sama dengan persamaan garis lurus,” ungkap Galih.
Rumus Regresi Linear yang Menyatukan Investasi, Konten Digital, dan Kecerdasan Buatan
2. Prediksi Engagement ala Ferry Irwandi
Masih menurut Galih, di dunia media sosial, Ferry Irwandi menunjukkan bahwa engagement konten juga bisa diproyeksikan dengan model linear. Faktor-faktor seperti jumlah orang yang menonton (watch), memberi like, berkomentar, hingga membagikan (share) konten dapat dijelaskan dengan persamaan:
Engagement= W1 . Ρ watch+W2 . Ρ like + W3 . Ρ komen+ W4 . P share + b
dimana :
-
p_watch = proporsi yang menonton
-
p_like = proporsi yang memberi like
-
p_komen = proporsi yang berkomentar
-
p_share = proporsi yang membagikan
Setiap faktor memiliki bobot (w) yang berbeda sesuai pengaruhnya.
“Engagement yang tampak acak di linimasa ternyata bisa ditarik lurus ke satu rumus sederhana: w·x + b, yang merupakan rumus regresi linear,” jelas Galih.
3. Dari Linear ke Artificial Intelligence
Lebih jauh, Galih menambahkan bahwa machine learning modern pun masih bertumpu pada pola yang sama. Neural network yang terdengar rumit, pada dasarnya hanyalah tumpukan operasi linear, kemudian ditambah fungsi aktivasi.
z = w · x + b
“Artinya, kecerdasan buatan sekalipun tidak bisa lepas dari akar yang sama: regresi linear,” tegasnya.
4. Mengapa w·x + b Abadi?
Menurut Galih, rumus ini abadi karena fleksibel dan lintas disiplin:
-
Di bidang ekonomi, ia menjelaskan hubungan risiko dan return.
-
Di media sosial, ia menjelaskan pola engagement.
-
Di kecerdasan buatan, ia menjadi fondasi model prediksi modern.
Dengan kata lain, w·x + b adalah bahasa universal untuk melakukan prediksi.
Baca juga : Rumah Sama, Harga Beda? Inilah Faktor Penentu Menurut Machine Learning
Sebagai kampus yang fokus pada teknologi, bisnis, dan kreativitas digital, UBSI berada tepat di persimpangan ketiga dunia tadi:
-
Dunia keuangan (seperti yang dibahas Kalimasada),
-
Dunia media sosial dan konten digital (seperti yang dipaparkan Ferry Irwandi),
-
Dunia teknologi & AI (yang menjadi arah masa depan).
Mahasiswa UBSI tidak hanya belajar teori, tetapi juga bagaimana rumus sederhana seperti w·x + b dapat menjadi dasar berpikir lintas disiplin. Dari analisis saham, strategi konten digital, hingga implementasi machine learning.
Itulah sebabnya UBSI mendorong mahasiswanya memiliki fondasi konseptual yang kuat, karena terkadang sebuah garis lurus sederhana regresi linear sudah cukup untuk menjelaskan dunia yang tampak rumit.
