Tugas Personal ke-1

Week 2

Najmi

2802513035

 LO1: Jelaskan metode Komputasi Statistik seperti random number generation, simulasi
Monte Carlo, dan optimasi numerik yang sangat penting dalam menyelesaikan
permasalahan statistik yang kompleks.

Mata Kuliah: Computational Statistics

Sumber Materi:
 📄 1. How Computational Statistics Became the Backbone of Modern Data Science
 📄 2. Numerical Foundations for Modern Statistical Analysis

💼 Soal Tugas:
Soal 1. [Bobot: 30 poin]
Jelaskan dengan contoh nyata bagaimana perkembangan komputer pribadi (PC) mempengaruhi
peran dan cakupan statistik dalam dunia industri dan penelitian modern!

💡 Hint: Terkait materi “1.2 Lahirnya Bidang Statistik Komputasional” (LN hal. 4–5). Sertakan
minimal satu metode statistik komputasional (misalnya Monte Carlo atau Bootstrap) dalam
penjelasan Anda.

Jawaban 1:

Perkembangan teknologi tentunya menjadi pengaruh utama untuk mendukung

perkembangan statistik dalam dunia industri dan penelitian modern. Kita bisa menggunakan
contoh perhitungan statistika yang memiliki jumlah data yang besar dapat disokong dengan
kemampuan komputasional yang makin berkembang, seorang yang dahulu hanya memiliki buku
catatan dan kalkulator, sekarang dapat melakukan analisis dan simulasi terhadap data yang
dimiliki dan dengan waktu yang sangat cepat melalui bantuan dari komputer.

Pendekatan statistik yang dahulu hanya didasarkan dengan model yang sudah ada, kini
dapat membangun model data sendiri dengan bantuan komputer. Komputer tak hanya membuat
perhitungan menjadi lebih mudah, namun kita bisa menjalankan ribuan simulasi, mencoba

Computational Statistics
berbagai model, and bahkan menggunakan metode seprti monte carlo simulation untuk melihat
bagaimana sebuah teori bis abekerja dalam berbagai skenario.

Dengam perkembangan komputer dan kemudahan akses untuk memiliki hal tersebut,
analisa statistik yang kompleks bukan menjadi halangan. Seperti contohnya komputasi statistik
dahulu hanya dapat dilakukan di laboratorium khusus oleh ahli matematika, sekarang kita dapat
melakukannya dengan laptop pribadi. Sesuatu hal yang dulunya eksklusif untuk kalangan
tertentu, sekarang dapat digunakan oleh khalayak umum baik dengan komputer pribadi atau
milik bersama seperti yang ada pada perpustakaan umum. Komputasi statistik juga merupakan
bagian dari hal yang dapat diakses semua orang dan menjadi bagian penting dari hampir semua
bidang sains dan bisnis.

Dengan perhitungan kompleks yang dapat dijalankan melalui komputer, banyak gerbang
kemungkinan yang terbuka untuk mengakses dan melakukan komputasional statistik. Hal itu
memungkinkan kita untuk
 Menggunakan simualasi seperti Bootstrap untuk memperkirakan parameter tanpa
harus membuat asumsi kuat
 Melakukan optimasi numerik dalam berbagai model statistik, seperti gradient
descent dalam machine learning
 Menghasilkan angka acak yang berkualitas tinggi untuk simulasi atau enkripsi

Melalui banyaknya posibilitas yang dapat dilakukan dengan kemampuan komputasi pada
komputer, seperti kita dapat melakukan estimasi dengan menggunakan metode Monte Carlo.
Jika kita ingin menghitung nilai pi, kita bisa melakukan simulasi titik acak dalam lingkarang
dalam persegi, lalu melihat seberapa banyak titik yang jatuh dalam lingkarang. Dengan
kemampuan komputer yang dapat melakukan iterasi sebanyak ribuan bahkan jutaan, komputer
dapat menghasilkan estipasi yang akurat. Tak hanya itu, disamping dapat melakukan komputasi
kompleks, keuntungan lain dari komputer adalah dapat membuat visualisasi dari komputasi
tersebut untuk menyajikan informasi melalui data. Dengan visualisasi ini kita bsia menemukan
pola yang mungkin sulit apabila hanya dilihat menggunakan angka.

Dengan demikian, perkembangan dan kemudahan akses komputer pada zaman ini,
mendukung dan memfasilitasi khalayak umum dalam memecahkan perhitungan permasalahan
modern dan menemukan serta memvisualisasikan hal tersebut ke dalam bentuk data yang dapat
dicerna dengan mudah.

Source:
1. LN 1, Numerical Foundations for Modern Statistical Analysis

Computational Statistics
Soal 2. [Bobot: 40 poin]
Berikan penjelasan tentang proses dan tantangan dalam penggunaan metode Metropolis-Hastings
pada MCMC (Markov Chain Monte Carlo). Mengapa metode ini cocok digunakan dalam
Bayesian Statistics?

💡 Hint: Materi “2.3 Teknologi Markov Chain Monte Carlo (MCMC)” (LN hal. 7–9). Anda bisa
gunakan analogi dari kehidupan sehari-hari untuk menjelaskan mekanisme sampling yang
dilakukan.

Jawaban 2

MCMC atau Markov Chain Monte Carlo merupakan teknik komputasi statistik yang
digunakan untuk menghasilkan sample dari distribusi probabilitas kompleks dengan
mnggunakan rantai Markov. Teknik ini berguna dalam Bayesian Statistics, di mana kita ingin
memahami distribusi posterior dari suatu parameter berdasarkan data yang ada. MCMC dapat
dibayangkan dengan apabila kita ingin mengetahui kebiasaan makan orang di suatu kota, tetapi
hanya memiliki sedikit data, metode ini dapat digunakan untuk melakukan simulasi sosial yang
bisa memprediksi pola makan dengan terus memperbarui informasi berdasarkan hasil
sebelumnya. Rantai Markov merupakan sebuah proses dimana keadaan saat ini bergantung pada
keadaan sebelumnya, bukan seluruh sejarah masalalu. Seperti permainan ular tangga, posisi
selanjutnya hanya bergantung pada posisi sekarang dan angka dadu yang keluar.

Bayesian Statistik merupakan sebuah teori pada statistika yang didasarkan dengan
interepretasi Beyesian pada probablitas. Di mana probabilitas menyatakan tingkat kepercayaan
pada suatu peristiwa. Tingkat kepercayaan ini dapat didasarkan pada pengetahuan sebelumnya
tentang peristiwa tersebut, seperti hasil eksperimen sebelumnya, atau pada keyakinan pribadi
tentang peristiwa tersebut. Metode statistik Bayesian menggunakan teorema bayes untuk
melakukan komputasi dan pembaruan probabilitas setelah mendapatkan data baru. Teorema
Bayes mendeskripsikan probabilitas kondisional dari suatu event berdasarkan data dari
inforimasi sebelumnya atau kepercayaan terhadap evet atau kondisi yang memiliki relasi
terhadap events

Metropolis-Hastings adalah salah satu algoritma MCMC yang merupakan teknik untuk
menghasilkan sampel dari distribusi yang sulit dihitung. Sample baru ditambahkan ke dalam
sequence dengan dua cara; Pertama sample baru di diajukan berdasarkan sample sebelumnya,
kemudian sample yang diajukan akan ditambahkan ke sequence atau ditolah berdasarkan value
dari distribusi probabilitas pada point itu. Hal ini menghasilkan sequence yang bisa digunakan
untuk memperkirakan distribusi. Adapun untuk melakukan algoritma ini kita dapat
menggunakannya dengan cara
1. Pembuatan proposal nilai baru berdasarkan distribusi tertentu
2. Menghitung probablikitas yang diterima proposal menggunakan

Computational Statistics
 3. Apabila proposal diterima, kita pindah ke nilai baru, jika tidak tetap di nilai
sebelumnya

Adapun tantangan dalam melakukan implementasi metode ini antara lain adalah
1. Sensivitas terhadap distribusi proposal
a) Pemilihan dari hasil q(x’ | x) memiliki impact pada performa algoritma.
Pemilihan yang buruk dapat mengarahkan kita ke pencampuran yang lambat
dan korelasi pada sample yang dihasilkan
2. Periode Burn-in dan Konvergens
a) Menentukan kapan rantai telah konvergen terkadang tidak mudah.
Mendiagnosis konvergensi yang salah dapat menyebabkan kesimpulan yang
bias atau tidak akurat.
3. Mahalnya Komputasi
a) Untuk distribusi target yang sangat kompleks atau berdimensi tinggi, jumlah
iterasi yang diperlukan untuk konvergensi yang tepat dapat menjadi mahal
secara komputasi.
4. Local Traps
a) Algoritma dapat terjebak dalam mode lokal atau daerah dengan probabilitas
tinggi jika distribusi proposal tidak mengeksplorasi ruang keadaan secara
memadai. Hal ini dapat diatasi dengan memasukkan teknik seperti pengambilan
sampel adaptif atau tempering paralel

Melalui penjelasan di atas, Metropolis-hastings cocok untuk digunakan dalam statistika

bayesian karena metode ini mengatasi tantangan utama dalam tantangan analisis bayesian, untuk
menghitung distribusi yang kompleks. Metode ini hanya memerlukan rasio probabilitas psterior
sehingga konstanta normalisasi yang rumit bisa diabaikan. Metode ini juga memiliki fleksibilitas
yang bisa digunakan untuk model statistik paling komplkes sekaligus, termasuk model dengan
banyak parameter atau distribusi yang tidak standar. Metode ini juga relatif mudah
diimplementasikan dibandingkan teknik sampling lainnya dengan tetap mempertahankan
akurasi. Melalui MH, peneliti bisa mendapatkan sample dari distribusi posterior meskipun
bentuk matematisnya tidak diketahui secara pasti.

Source:
1. LN 2 - Numerical Foundations for Modern Statistical Analysis
2. [Link]

Computational Statistics
3. [Link]
4. [Link]

Computational Statistics
Soal 3. [Bobot: 30 poin]
Buatlah perbandingan antara algoritma iteratif dan algoritma rekursif dalam konteks
menyelesaikan masalah komputasi numerik. Berikan contoh aplikasinya dalam analisis data!

💡 Hint: Materi “2.1 Algoritma Komputasi Dasar” (LN hal. 2–3). Sebutkan kelebihan dan
kekurangannya serta kapan sebaiknya menggunakan salah satunya.
Jawaban 3

Berikut merupakan table perbandingan antara algoritma iteratif dan algoritma rekursif serta
contoh pengaplikasiannya:
Pembanding Rekursi Iterasi
Definisi Algoritma yang memanggil dirinya Instruksi yang berurutan yang
sendiri untuk menyelesaikan suatu dieksekusi secara berurutan
tugas
Penerapan Beberapa masalah bisa di solve Secara general, solusi iteratif lebih
secara mudah menggunakan rekursi, dipilih dibandingkan solusi rekursif
sebagai contoh, Towers of Hanoi apabila tidak ada pendekatan secara
rekursif dibutuhkan lebih lanjut
Pemberhentian Melalui Kasus dasar, dimana tidak Ketika kondisi pemberhentian sudah
ada fungsi lagi yang akan dipanggil ditemukan
Penggunaan Digunakan pada ranah akademis Lebih banyan digunakan secara umum
untuk mengajarkan fondasi dan
logic. Juga dapat digunakan sebagai
fondasi dari Dynamic Programming
dan Divide and Conquer Algorithms
Ukuran Kode Bisa lebih sedikit untuk masalaha Bisa lebih besar untuk code yang
rekursif inheren seharusnya recursive
Kompleksitas Secara general lebih tinggi atau Lebih cepat atau sama saja
waktu sama. Jika lebih tinggi bisa lakukan
optimasi menggunakan dynamic
programming
Kompleksitas Secara general bisa lebih besar, Lebih sedikit
Ruang namun bisa sama pada kasus dimana
kita membutuhkan stack untuk
mensimulasikan rekursi seperti
traversals, merge sort, dll
Overhead Process Overhead dari pemanggilan Tidak ada overhead dikarenakan tidak
fungsi yang berulang ada pemanggilan fungsi pada iterasi

Computational Statistics
Adapun berikut merupakan contoh kode python dalam penerapan iteratif dan rekursif

Pada kode di atas merupakan penerapan dari iteratif dan rekursif. Iteratif digunakan untuk
melakukan kalkukasi data untuk menentukan rata rata dari array yang diinput. Sementara pada
menentukan hasil penjumlahan fibonacci digunakan metode rekursif, hal ini dapat menggunakan
rekursif dikarenakan permasalahan bersifat hirarki.
Source:
1. [Link]

Computational Statistics
123 Silakan kerjakan tugas ini secara individu, dan unggah jawaban ke LMS sebelum batas
waktu yang telah ditentukan. Pastikan setiap jawaban disertai argumen dan contoh yang logis
dan relevan.

Penggunaan AI (seperti ChatGPT) dalam Pengerjaan Tugas

Jika Anda menggunakan bantuan Artificial Intelligence (AI), seperti ChatGPT atau alat serupa,
dalam menyelesaikan tugas, Anda wajib mencantumkan label “AI-Assisted” pada hasil kerja
Anda. Sertakan pula penjelasan spesifik mengenai peran AI dalam proses pengerjaan,
misalnya:
 Memperbaiki tata bahasa atau gaya penulisan
 Memberikan ide atau inspirasi awal
 Membantu merangkum artikel atau referensi
 Memberikan klarifikasi konsep atau penjelasan teknis

Contoh penulisan pengakuan:

“Tugas ini dikerjakan dengan bantuan ChatGPT untuk memperbaiki struktur kalimat dan
tata bahasa pada bagian penjelasan.”
Catatan penting:
 Mahasiswa tetap bertanggung jawab atas keaslian, ketepatan, dan integritas akademik
dari tugas yang dikumpulkan.
 Penggunaan AI tanpa transparansi atau pengakuan yang jujur dapat dianggap
sebagai pelanggaran etika akademik.
 AI sebaiknya digunakan sebagai alat bantu, bukan sebagai pengganti pemikiran kritis
dan orisinalitas Anda.

Computational Statistics