DESAIN & ANALISIS ALGORITMA

CRITICAL BOOK REPORT

Dosen Pengampu:

Arnah Ritonga, S.Si, M.Si

OLEH:

NAMA : Muhammad Tamimi

Nim : 4183111090
Kelas : PSPM C 2018
Mata Kuliah : 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 : 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

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