MAKALAH

PEMODELAN DAN VISUALISASI DATA

Guna memenuhi tugas PEMODELAN DAN VISUALISASI DATA

Dosen Pengampu :
MUHAMMAD SHAFARI RAHMAT

Disusun Oleh :

MITHA NUR H. ( 13119728 )

MUHAMAD RAFLI HIDAYATULLOH ( 13119917 )
NAILAN FADHLY H. ( 14119656 )
SUCI MAY ISWANDHARI ( 16119170 )

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS GUNADARMA
TAHUN AJARAN 2021/2022
 KATA PENGANTAR

Assalamualaikum wr.wb

Puji syukur penulis panjatkan kehadirat Allah SWT, Tuhan semesta alam. Atas izin dan karunia-Nya,
kami dapat menyelesaikan makalah tepat waktu tanpa kurang suatu apa pun. Tak lupa pula kita sebagai
penulis haturkan shalawat serta salam kepada junjungan Rasulullah Muhammad SAW. Semoga
syafaatnya mengalir pada kita di hari akhir kelak.

Tugas ini dapat kami selesaikan. Kami sangat berharap makalah ini dapat berguna dalam rangka
menambah wawasan serta pengetahuan pembaca dengan baik dan lancar. Adapun penulisan makalah ini
dibuat untuk memenuhi tugas mata kuliah Pemodelan & Visualisasi Data.

Dengan kerendahan hati, penulis mohon maaf apabila ada ketidak sesuaian kalimat dan kesalahan.
Meskipun demikian, penulis terbuka pada kritik dan saran dari pembaca demi kesempurnaan makalah.

Wassalamualaikum wr.wb

Bekasi, 02 Juli 2022

Hormat kami,
Kelompok 2
1. Probability Review
Probabilitas atau peluang adalah cara untuk mengungkapkan pengetahuan atau kepercayaan
bahwa suatu kejadian akan berlaku atau telah terjadi. Konsep ini telah dirumuskan dengan lebih
ketat dalam matematika, dan kemudian digunakan secara lebih luas tidak hanya dalam
matematika atau statistika, tetapi juga keuangan, sains dan filsafat.
Arti probabilitas
• Situasi tidak dapat secara eksak direplikasi
• Tetapi tidak chaotic (mempunyai suatu pola)

Probabilitas

Definisi

• Logika probabilitas

Aksioma

• Fakta tanpa bukti/proof

Teorema

• Diturunkan dari Definisi, Aksioma, atau Teorema lainnya

Definisi dalam Probabilitas

Outcome

• Sembarang observasi yg mungkin

Sample Space

• Finest-grain: masing-masing outcome berbeda

• Mutually exclusive: jika satu outcome muncul, lainnya tdk akan
• Collectively exhaustive: tiap outcome harus dlm sample space

Event

• Set dari outcomes (harus tahu semua outcomes)

• Event ⊂ Sample Space
 2. Probability Distribution

Probability Distribution adalah suatu fungsi matematika yang memberikan kemungkinan

(likelihood) dari variabel acak untuk memiliki suatu nilai. Dengan kata lain, kemungkinan suatu
variabel acak untuk memiliki suatu nilai akan tergantung dari Probability Distribution.

Probability Distribution berguna untuk mengetahui kejadian apa yang paling mungkin terjadi,
kemungkinan setiap kejadian yang akan terjadi, dan persebaran terjadinya suatu kejadian. Sebagai
contoh, perusahaan X memilki 1000 pegawai dan saya mengambil gaji setiap pegawai yang ada.
Jika saya membuat plot distribusi dari gaji pegawai perusahaan X maka dapat digambarkan
sebagai berikut.

Distribusi data diatas memberikan kita suatu Probability Distribution yang memberikan gambaran

persebaran kemungkinan gaji di perusahaan X. Kita dapat mengetahui bahwa jika kita mengambil nilai
gaji secara acak dari pegawai perusahaan X maka kemungkinan besar kita akan mendapatkan nilai yang

mendekati garis merah atau mean dari gaji. Kebalikannya, kemungkinan kita secara acak mendapatkan

pegawai dengan gaji kurang dari 900000 atau lebih dari 1100000 adalah kecil.

Sifat

Di dalam statistik, probability biasa dituliskan sebagai berikut.

p(x) = kemungkinan suatu variabel acak memiliki nilai x

Jika dijumlahkan, seluruh kemungkinan yang mungkin terjadi di dalam probabilty distribution akan

berjumlah sama dengan 1. Terlebih lagi kemungkinan ini hanya boleh diantara nilai 0 hingga 1 saja.

Selain itu, tergantung dari tipe variabel yang kita miliki, tipe dari Probability Distribution ini sendiri akan

berbeda, yaitu:

• Discrete Probability Distribution atau Probability Mass Function untuk variabel discrete
atau categorical

• Continuous Probability Distribution atau Probability Density Function untuk variabel

continuous atau kuantitatif

• Kemudian algoritma random variate generation adalah program apapun yang menghentikan
hampir pasti dan keluar dengan X. bilangan real X ini disebut variate acak.
 3. Discreate Random Varietas

Pengertian Discreate Random Varietas

Sebuah Random Varietas adalah hasil tertentu dari suatu variabel random . Random Varietas merupakan
hasil lain dari variabel random yang sama, yang mungkin memiliki nilai yang berbeda. Variates acak
digunakan pada saat mensimulasikan proses, yang didorong oleh pengaruh acak (proses stokastik). Dalam
aplikasi modern, simulasi tersebut akan menghasilkan Random Varietas sesuai dengan distribusi
probabilitas yang diberikan dari prosedur komputer yang dirancang untuk menciptakan variates acak
sesuai dengan distribusi seragam, di mana prosedur ini benar-benar akan memberikan nilai-nilai yang
dipilih dari nomor Pseudorandom dengan Uniform Distribution.

Sebagai contoh ada sebuah dadu yang memiliki nilai satu sampai enam, ketika dilempar maka pasti akan
menghasilkan nilai antara satu sampai enam dengan probabilitas kemunculan ⅙. Nilai satu sampai enam
adalah variable random, sementara nilai yang muncul dari hasil pelemparan dadu adalah varietas random,
atau nilai tertentu dari suatu variable random.

Pengertian Algoritma Random Variate Generation

Devroye [1] mendefinisikan algoritma random variate generation (untuk bilangan real) sebagai berikut:

• Asumsikan bahwa Komputer dapat memanipulasi bilangan real.

• Komputer memiliki akses ke sumber variates acak yang merata yang pada interval tertutup [0; 1].

• Pembangkit Random Variate

1. Pembangkit Random Variate Diskrit

Suatu random variate diartikan sebagai nilai suatu random variabel yang mempunyai
distribusi tertentu. Pendekatan yang umumnya digunakan adalah:

1. Inverse Transformation

2. Composition

3. Convulotion

4. Acceptance-Rejection
 Uniform Distribution
Varabel random X dikatakan discrete uniform distribution jika setiap n nilai mempunyai
probabilitas ang sama sehingga f(xi) = dimana f(x) menunjukkan probability mass function
(PMF).

Contoh jika terdapat data sebanyak n = 10. Maka f(x) nya

Parameter : Minimum(a) dan Maksimum(b) adalah angka real.

Dimana a < b

Range : [a, b]

Mean : (a + b)/2

• Mean dan Varian dari discrete uniform distribution.

Misalkan X adalah sebuah variable discrete uniform random dalam bilangan integer berurut

a, a+1, a+2, …, b. untuk a≤b. maka Mean dari X adalah

sedangkan variannya adalah

 Contoh Soal

4. Bernouli Distribution
Untuk sebuah discrete distribution yang hanya mempunyai dua kemungkinan, maka
digunakan Bernoulli distribution. Contoh kasus ini adalah hasil dari pelemparan koin yaitu kepala
dan belakang.
Terdapat p merupakan probabilitas sukses dan q = 1-p merupakan probabilitas gagal.

• Mean dan Varian dari bernoulli distribution.

Contoh Soal :

Terdapat sebuah koin dilempar 3x, berapa Mean dan Variannya? Tunjukkan juga P(2)! p = 0.9

Jawab :

Mean = p = 0,9

Varian = pq = 0,9*0,1 = 0,09

ada 2*2*2 = 8 kemungkinan yaitu FFF, FFS, FSS, SSS, FSF, SFS SFF, SSF.

P(x = 2) = {FSS, SFS, SSF}

P(x = 2) = (3 2) * 0,1*0,9*0,9 = 0,027

 4. Exponential Distribution

Parameter : Mean() adalah nilai real

Range : [0, +∞)

Mean :

5. Webul Distribution

Parameter : Parameter bentuk() dan parameter skala() adalah angka real positif.

Range : [0, +∞)

6. Tringular Distribution
Parameter : Minimum(a), mode(m), dan Maksimum(b) adalah angka real. Dimana a < m < b

Range : (-∞, +∞)

Mean :

7. Normal Distribution

Parameter : Mean() dan Standar Deviasi() berupa angka real

Range : [a,b]

Mean : (a+m+b)/3

8. Gamma Distribution
Parameter : dan melambangkan angka real positif

Range : [0, +∞)

Mean :

4. Input Modeling
Input modelling adalah cara formal untuk menggambarkan bagaimana bisnis beroperasi.
Mengilustrasikan aktivitasaktivitas yang dilakukan dan bagaimana data berpindah diantara
aktifitas-aktifitas itu. Ada banyak cara untuk merepresentasikan proses model, cara yang populer
adalah dengan menggunakan data flow diagram (DFD). Ada 2 jenis DFD, Logical DFD yang
menggambarkan proses tanpa menyarankan bagaimana mereka akan dilakukan. Kedua adalah
Fisikal DFD yang menggambarkan proses model berikut implementasi pemrosesan
informasinya.