DESAIN & ANALISIS ALGORITMA

CRITICAL BOOK REPORT

Dosen Pengampu:

OLEH:
AUDRI WIRLINA (4182250004)
REINHARD HUTAGAOL (4183550004)

ILMU KOMPUTER B 2018

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MEDAN
2019
 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, 24. September 2019

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

1.1 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 : Computational Statistics in Climatology

Pengarang : Ilya Polyak
Tebal Buku : 439

Buku Pembanding

Judul Buku Elements of Computational Statistics

Pengarang :James E Gentle
Tebal Buku : 440

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

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.

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

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

12
 DAFTAR PUSTAKA

-Ilya.Polyak. Computational Statistics in Climatology.England

- Gentle.E.James1967. Elements of Computational Statistics.London

13