CBR Praktikum Statistika M Tamimi [PDF]

Citation preview

DESAIN & ANALISIS ALGORITMA



CRITICAL BOOK REPORT Dosen Pengampu: Arnah Ritonga, S.Si, M.Si



OLEH:



NAMA Nim Kelas Mata Kuliah



: Muhammad Tamimi : 4183111090 : PSPM C 2018 : Praktikum Aplikasi Statistika



JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MEDAN 2020



KATA PENGANTAR Puji dan syukur penyusun ucapkan kepada ALLAH Swt, karena atas berkat dan rahmat-Nya sehingga penyusun dapat menyelesaikan tugas Critical Book Report yang berjudul “Komputasi Statistik” dengan tepat waktu. Adapun tugas ini dibuat untuk memenuhi tugas Critical Book Reportmata kuliah Desain dan Analisis Algoritma. Penyusun menyadari bahwa tugas Critical Book ini masih jauh dari sempurna. Oleh karena itu penyusun mohon kritik dan saran yang membangun dari para pembaca. Semua kritik, saran, dan petunjuk yang diberikan akan diterima dengan senang hati. Akhir kata penyusun mengucapkan terimakasih semoga dapat bermanfaat dan bisa menambah pengetahuan bagi pembaca. Medan, 08 Oktober 2020 Penyusun



Muhammad Tamimi 4183111090



2



DAFTAR ISI KATA PENGANTAR.......................................................................................2 DAFTAR ISI......................................................................................................3 BAB I. PENDAHULUAN.................................................................................4 1.1 Latar Belakang.........................................................................................4 1.2 Rumusan Masalah...................................................................................4 1.3 Tujuan Penulisan.....................................................................................4 1.4 Manfaat Penulisan...................................................................................4 BAB II. ISI.........................................................................................................5 2.1 Identitas Buku..........................................................................................5 2.2 Ringkasan Isi Buku..................................................................................6 BAB III. PENUTUP........................................................................................11 4.1 Kesimpulan............................................................................................11 4.2 Saran......................................................................................................11 DAFTAR PUSTAKA......................................................................................12



3



BAB I PENDAHULUAN 1.1 Latar Belakang Critical book report adalah salah satu dari 6 tugas yang harus dipenuhi pada mata Desain dan Analisis Algoritma. Dimana pada tugas ini penyusun akan membandingkan dua atau lebih buku yang membahas topik yang sama dengan melihat kelebihan dan kekurangan buku tersebut baik dari segi defenisi/pengertian,contoh soal dan sebagainya. Maka dari situ penyusun membuat critical book report untuk melihat kekurangan dan kelebihan materi yang ada di dalam buku tersebut. Critical book juga sangat berfungsi bagi mata kuliah kalkulus integral. Oleh karena itu pada tugas kali ini penyusun ingin mengkritisi dua buah buku dengan materi yang sama guna untuk menambah pengeahuan dan memenuhi tugas yang diberikan. 1.2 Rumusan Masalah 1. Apakah isi buku cukup bermanfaat bagi mahasiswa sebagai salah satu sumber belajar ? 2. Apakah metode yang digunakan pengarang sesuai dengan kondisi dan lingkungan yang sedang kita hadapi? 3. Apakah isi buku sama dengan isi buku yang sejenis? 4. Buku manakah yang mudah dipahami? 5. Apakah kelebihan dan kekurangan kedua buku? 1.3 Tujuan 1. Mengulas satu bab materi dengan cara membandingkan dua buah buku 2. Mencari dan mengetahui informasi mengenai topik tersebut yang terkandung dalam kedua buku 3. Melatih diri untuk berpikir kritis dalam mencari informasi yang diberikan pada buku. 1.4 Manfaat Penulisan 1. Mahasiswa semakin berfikiran kritis 2. Dapat mengetahui berbagai informasi dari kedua buku



4



BAB II ISI 2.1 Identitas Buku Buku Utama



Judul Buku Pengarang Tebal Buku



: Computational Statistics in Climatology : Ilya Polyak : 439



Buku Pembanding



Judul Buku Pengarang Tebal Buku



Elements of Computational Statistics :James E Gentle : 440



2.2 Ringkasan Isi Buku Buku Utama BAB I 5



Structure in Data Tujuan utama dalam analisis data adalah untuk mengidentifikasi fitur atau struktur yang menarik dalam data. Dalam bab ini kami mempertimbangkan penggunaan beberapa alat dan tindakan dibahas dalam Bab 5 dan 6 untuk mengidentifikasi struktur yang menarik. Grafis metode yang dibahas dalam Bab 7 juga sangat berguna dalam menemukan struktur, tetapi kami tidak mempertimbangkan metode-metode itu lebih lanjut dalam bab ini. Pada dasarnya ada dua cara berpikir tentang "struktur". Yang harus dilakukan dengan jumlah pengamatan. Dalam pendekatan ini, pola dalam kepadatan adalah fitur yang menarik. Kami mungkin tertarik pada apakah kepadatannya multimodal, apakah itu miring, apakah ada lubang di kepadatan, dan sebagainya. Itu pendekatan lain berusaha mengidentifikasi hubungan antar variabel. Keduanya pendekatan terkait dalam arti bahwa jika ada hubungan di antara variabel, kepadatan pengamatan lebih tinggi di daerah di mana hubungan memegang. Hubungan antar variabel umumnya tidak tepat, dan hubungan diidentifikasi oleh kepadatan yang lebih tinggi dari pengamatan yang menunjukkan perkiraan hubungan



kelompok dalam data, tetapi pengamatan tidak mengandung elemen atau indeks variabel yang mewakili keanggotaan grup, mengidentifikasi elemen terdekat atau cluster dalam data memerlukan beberapa ukuran kesamaan (atau, ekuivalen, dari perbedaan). Gambar 10.3 menunjukkan empat dataset bivariat yang berbeda, yang masing-masing terdiri dari dua kelompok. Kriteria yang membedakan cluster berbeda dalam dataset. Pada Gambar 10.3 (a), kluster ditentukan oleh kedekatan; poin dalam masing - masing cluster lebih dekat ke masing - masing centroid cluster daripada ke centroid dari cluster lain. Dalam Gambar 10.3 (b), 10.3 (c), dan 10.3 (d) definisi dari kluster adalah agak lebih sulit. Cluster didefinisikan oleh karakteristik cluster sendiri, yaitu dengan struktur yang ditunjukkan oleh gugus secara 6



individual. Cluster ini kadang-kadang disebut "cluster konseptual"; poinnya adalah anggota cluster karena beberapa konsep atau karakteristik holistik dari himpunan poin, seperti berbaring dekat dengan garis lurus. Plot pada Gambar 10.3 juga menggambarkan salah satu masalah dalam identifikasi cluster: dalam beberapa kasus, sementara cluster jelas, ada beberapa pengamatan individu yang ternyata bisa menjadi milik salah satu cluster. Gambar 10.4 menunjukkan dua dataset berbeda yang anggotanya termasuk hampir di dalamnya manifold satu dimensi.



Kami mungkin sesekali ingin mengidentifikasi salah satu jenis kelompok atau struktur ditunjukkan pada Gambar 10.2, 10.3, dan 10.4, tetapi kami akan berkonsentrasi dalam bab ini tentang mengidentifikasi jenis-jenis cluster yang ditunjukkan pada grafik pertama pada Gambar 10.3; bahwa adalah, cluster yang centroidnya berbeda. Meskipun kita sering menganggap ruang data adalah subruang dari IRm, ruang data mungkin lebih umum. Data, misalnya, dapat berupa string karakter seperti nama. Jenis data yang lebih umum dapat dipetakan dari data asli ruang ke "ruang fitur", yang merupakan subruang dari IRm. Variabelnya mungkin diukur pada skala yang berbeda; mereka tentu saja mewakili sangat berbeda fenonema, dan skala pengukuran tidak dapat dibuat sama. Satu arah dari mendamaikan pengukuran, bagaimanapun, adalah untuk membakukan data, menggunakan transformasi (5.20): XS = (X − ￣X) diag( √ sii),



di mana ¯X adalah matriks yang kolom konstannya mengandung sarana yang sesuai kolom X, dan √ sii adalah standar deviasi sampel dari ith kolom X. Kami mungkin tertarik untuk menemukan tetangga terdekat dari pengamatan yang diberikan berdasarkan kesamaan mereka; atau, sebagai alternatif, kami mungkin tertarik untuk mengidentifikasi semua pengamatan dalam tingkat kedekatan tertentu dengan pengamatan yang diberikan. Ini 7



masalah ini disebut "pencarian kedekatan". Di bagian berikut, kami mempertimbangkan masalah umum dalam data multivarian analisis. Penekanan kami akan pada analisis eksplorasi, dan tujuan utama akan adalah untuk mengidentifikasi cluster dalam data dan untuk menentukan struktur dimensi yang lebih rendah dalam data multidimensi. Kami akan menggunakan metode dan pengukuran yang kita bahas di Bagian 5.4. Struktur yang menarik mungkin melibatkan kumpulan data atau mungkin hasil dari data terletak di atau dekat ruang dimensi yang diperkecil. Struktur yang menarik juga dapat didefinisikan secara umum sebagai properti data yang berbeda dari.



8



Buku Pembanding



BAB 1 Struktur Data



sifat yang diharapkan jika data adalah sampel acak dari normal multivariat distribusi, atau dari beberapa distribusi standar lainnya. Normal (atau Distribusi Gaussian terletak di jantung banyak metode analisis data. Itu definisi heuristik dari struktur sebagai penyimpangan dari normalitas dapat dimotivasi oleh fakta bahwa proyeksi rendah dimensi yang dipilih secara acak dari setiap dimensi tinggi dataset akan tampak mirip dengan sampel acak dari multivarian distribusi normal (lihat Diaconis dan Freedman, 1984). Tujuan umum dalam analisis kelompok adalah untuk membagi pengamatan menjadi kelompok yang dekat satu sama lain atau lebih homogen daripada set lengkap pengamatan. Pengamatan dapat terdiri dari variabel kategori yang mungkin (atau mungkin tidak) menentukan kelas tempat observasi itu berada. Secara umum, seperti kita bahas di halaman 109, jika observasi ke-10 dapat direpresentasikan sebagai xi = (xri , xci ), (10.1) di mana subvektor xci mewakili nilai dari variabel kategori, kita dapat ingin menangani xci komponen secara terpisah. Dalam Gambar 10.3, misalnya, misalkan setiap pengamatan terdiri dari nilai untuk tiga variabel, x1 dan x2 sebagai



9



Gambar 10.4: Struktur Relasional dalam Kumpulan Data Bivariat ditampilkan, dan variabel ketiga yang mewakili keanggotaan grup yang sesuai ke simbol dalam penggambaran grafis. Dalam hal itu, kelas mungkin sudah didefinisikan, atau kita mungkin ingin memungkinkan kemungkinan pengamatan dengan berbeda nilai-nilai variabel kategorikal tetap milik kelas yang sama. Di sebagian besar dari berikut ini, kami akan menganggap bahwa tidak ada



variabel yang kategorikal.



10



BAB IV PENUTUP 4.1 Kesimpulan A. Kelebihan Dan Kekurangan Buku 1. Kelebihan BUKU Computational Statistics in Climatology  mempunyai banyak teori yang Dapat dimiliki dalam buku ini sehingga kita diajak untuk memiliki tingkat penasaran yang tinggi dan dengan soal-soal yang cukup sulit sehingga kita dibuat berpikir buku ini lebih baik digunakan dan bisa membantu untuk mengerti dan memahami isi buku yang diberikan  Pada setiap contoh soal dijelaskan dengan lengkap sehingga bagi pembaca buku ini mudah memahami BUKU Elements of Computational Statistics  Buku ini memberikan bahasa yang mudah dipahami dan tidak membuat pembaca bingung tetapi tingkat penasaran rendah 2. KEKURANGAN BUKU The Computational Statistics in Climatology  tidak memberikan bahasa yang efisien atau terlalu sulit untuk dibaca sehingga pada saat dibaca buku tersebut akan mudah dihiraukan padahal agar memudahkan pembaca bahasa yang harus dibuat menggunakan bahasa ilmiah dasar(tingkat kesulitannya mudah )  Muatan soal yang diberikan pada buku sudah memiliki kriteria yang diinginkan atau tidak mengeluarkan soal-soal yang rendah atau berkelas bawah BUKU Elements of Computational Statistics  Tidak memiliki langkah –langkah dalam mengerjakan soal  Contoh soal dalam buku ini tidak ada  Pembahasan Materi terlalu sediki 4.2 Saran Menurut penyusun, buku yang lebih baik digunakan sebagai referensi adalah buku pertama (Computational Statistics in Climatology), karena didalam buku ini setiap judul diberi penjelasan yang lebih rinci dan pedalaman materi lebih jelas . Jadi menurut penyusun, kedua buku pantas dijadikan sebagai referensi, hanya saja buku pertama lebih unggul dari buku kedua. Seharusnya juga kedua buku memiliki bahasa yang mudah dimengerti



11



DAFTAR PUSTAKA -Ilya.Polyak. Computational Statistics in Climatology.England - Gentle.E.James1967. Elements of Computational Statistics.London



12