OLEH:
AUDRI WIRLINA (4182250004)
REINHARD HUTAGAOL (4183550004)
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.
Penyusun
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 IV. PENUTUP.........................................................................................14
4.1 Kesimpulan............................................................................................14
4.2 Saran......................................................................................................14
DAFTAR PUSTAKA......................................................................................15
3
BAB I
PENDAHULUAN
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.
4
BAB II
ISI
2.1 Identitas Buku
Buku Utama
Buku Pembanding
5
2.2 Ringkasan Isi Buku
Buku Utama
BAB I
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
6
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 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.
7
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 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
8
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.
Buku Pembanding
BAB 1
Struktur Data
9
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
10
Gambar 10.3, misalnya, misalkan setiap pengamatan terdiri dari nilai untuk
tiga variabel, x1 dan x2 sebagai
BAB IV
PENUTUP
4.1 Kesimpulan
A. Kelebihan Dan Kekurangan Buku
1. Kelebihan
11
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
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
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
12
DAFTAR PUSTAKA
13