DAFTAR ISI
Matematika
1 Statistika Di Era Super Data Set
Adi Setia wan 1 – 8
2 Penerapan Riset Operasi untuk Menentukan Lot Sizing Sebagai St rategi Penge mbangan Industri
Diana Suzana Mandar 9 – 16
3 Fungsi Prediksi Nilai Ujian Nasional d i Provinsi Papua dengan Pendekatan Distribusi Weibull
Halo moan Edy Manurung, Eko Sed iyono
17 – 26
4 Analisa Perbandingan Metode Holt-Winters, Single Exponential Smoothing dan Polinomia l Newton dala m Me ra ma lkan Data Produksi Ubi Kayu
Brian L. Djuwaty,
Andeka Rocky Tanaa mah, Alz Danny Wowor
27 – 31
5 Masalah Tali dan Tongkat
Mans Mananohas, Iwan Pranoto
32 – 37
6 Pengaruh Strategi Va ksinasi Kontinu Pada Model Ep idemik SVIR Terhadap Penyebaran Penyakit Ca mpak
Tonaas Marentek 38 – 47
7 Dina mika HIV/AIDS di SULUT Berdasarkan Model Nonlinear SIR (Susceptible, Infectious, a nd Recovered)
Amir Tjo lleng, Hanny Ko malig, Jantje Prang
48 – 55
8 Formulasi Model Fuzzy Goa l Progra mming yang diselesaikan dengan Linea r Progra mming pada Perencanaan Produksi
Altien Jonathan Rindengan 56 – 64
9 Penggunaan Rantai Markov Untuk Menduga Pergeseran Pangsa Pasar Kartu Se luler Pra-Bayar GSM (Studi Kasus: Faku ltas Pertanian UNSRAT Manado)
Dennis Girik Allo, Djohny Hatid ja, Marline Paendong
Teknologi Informasi
1 Aplikasi Sistem Paka r On-line Psikologi Klinis dengan Probabilitas Bayes Menggunakan Representasi Pengentahuan
Wawan Nurmansyah 75 – 82
2 Deteksi Perubahan Tata Guna Lahan Berdasarkan Citra Multispektra l dengan Menggunakan Metode Change Vector Analysis
Eko Sed iyono, Firdaus Wijanto, Sani M.Isa
83 – 91
3 Penggunaan Algoritma Fuzzy Simple AdditiveWeighting untuk Menentukan Kesesuaian Lahan Tana man Pangan : Studi Kasus Wilayah Kabupaten Minahasa Tenggara
Danie l Diano Kaparang, Winsy Weku,
Eko Sed iono
92 – 98
4 Perancangan Kriptografi Kunci Simetris Menggunakan Fungsi Bessel dan Fungsi Legendre
Fhelesie E. Go mies, Als Danny Wowor
99 - 106
5 Analisa dan Perancangan Sistem Informasi dengan Pendekatan Agile Menurut Panduan PAUS
Stanley Karouw 107 – 118
6 Prediksi Curah Hujan Menggunakan Jaringan Syaraf Tiruan Ba ckpropaga tion,
Anifuddin Azis, Maria Pujiastuti
119 - 124
7 Designing Portal Ama zing North Sula wesi a s Pa rt of Indonesia n e -cultura l Herita ge a nd Na tura l History
Stanley Karouw 125 – 134
8 Decision Support System Penila ian Tingkat Produktiv itas Cabang
Rita Wiryasaputra 135 – 141
9 Perbandingan Model Filtering untuk Penghilangan Noise pada Cit ra 2D
Kalfin D. Muchtar, Ame lia E. Pontoh, Winsy Weku
142 - 148
9 Pengukuran Kinerja Model-Model Filtering Pada Ga mbar Digita l
Arista Mandagi, Cherry V. Telap, Winsy Weku
Sains
1 Simu lator Pabrik Kimia (SimPe Ka) Be rbasis Model Dina mis
Ardhi Wicaksono S, Arief Budiman
158 – 163
2 Optimasi Re rata dala m Proses Korelasi Silang untuk Menentukan Lokasi Radio Transmitter
Isnan Nur Rifa i, Wahyu Widada
164 – 170
3 Uji A ktivitas Sediaan Krim Getah Tana man Patah Tulang (Euphorbia tirucalli L) Sebagai Anti Infla masi
Omega Agral, Paulina Ya mlean, Ha midah Sri Supriati
171 – 174
4 Pengujian Akt ifitas Antibakteri Gel Ekstrak Etanol Daun Sasaladahan (Peperomia Pellucid (L) H.B.K) Terhadap Sta phylococcus Aureus
Hosea Jaya Edy 175 – 178
5 Efek Krim Ekstrak Daun Tapak Kuda (Ipomoea pes-ca pra e) terhadap Penyembuhan Luka pada Ke linc i yang Diinfeksi Sta phylococcus a ureus
Falles Ra intung The, Hosea Jaya Edy, Ha midah Sri Supriati
179 – 182
6 Formulasi KrimTabir Surya (Sunscreen) Ekstrak Etanol Ku lit A lpukat Persea a merica na Mill)
183 – 188
Ade Novia Mokodompit, Hosea Jaya Edy,
WenyWiyono 7 Kualitas Air Sungai Ranyapo, Kabupaten Minahasa Selatan
Rifgah Marmita,
Uji a ktifitas Anti Ba kteri Van ishing Crea m Ekstrak Etanol Kulit Buah Alpukat (Persea a merica na Mill) terhadap Sta phylococcus a ureus secara in-vitro
Weny Indayany Wiyono 195 – 201
9
Pengaruh Mikoriza Vesikula Arbuskula terhadap Boiaku mulasi Me rkuri [Hg] pada Padi Ladang
Johanis J. Pelea lu 202 – 209
10 Kandungan α-Tokofero l dala m Minyak Ke lapa dan VCO Hasil Ekstraksi dengan
11 Bakte ri Resiste m Merkuri pada Feses Pasien dengan Tumpatan Amalgan Gig i di Puskesmas Bahu Manado
Fatima wali Billy Kepel Widdhi Bodhi Be ivy Kolonda m
217 - 222
12 Perubahan DNA Kalus Agregat dan Sel Ca tha ra nthus roseus pada Subkultur yang Berkepanjangan selama Produksi Katarantin dala m Biorea ktor
Dingse Pandiangan, Parluhutan Siahaan, Be ivy Kolonda m1
223 - 229
13 Analisis Kestabilan Model Interaksi Dua Pe mangsa- Satu Mangsa dengan daya dukung lingkungan pada Sistem pemangsa
Artmo La weangi Yohanes A. R. Langi
230-240
14 TingkatKepuasan Dosen dan Tenaga Kependidikan terhadap Pelayanan Universitas Sam Ratulangi menggunakan Analisis Faktor
Suluh Ma mahit, Marline Paendong, Yohanes Langi
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013 ... 1
STATISTIKA DI ERA SUPER DATA SET
Adi Setiawan
Progra m Studi Mate matika, Fa kultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52 -60 Salat iga 50711
Abstrak
Statistika di era abad 20 telah berke mbang pesat. Namun ketersedian data dalam ju mlah besar di berbagai bidang pada abad 21 ini, seperti data bioteknologi, data satelit, data dala m bidang bisnis dan industri, menuntut kita me milih dan mengembangkan metode statistika yang tepat dan efisien. Data yang dimiliki tidak selalu berupa angka tetapi dapat berupa gambar atau hal la in yang bisa dikuantisasi sehingga mudah dilakukan analisis. Ilmu ko mputer a kan dapat digunakan untuk mendukung pengembangan statistika yang sesuai untuk data super set. Data tersebut nantinya akan bisa ditamb ang untuk mendapatkan informasi yang berguna untuk ke ma juan peradaban umat manusia.
Pendahuluan
Statistika pada awalnya dipandang sebagai ilmu untuk mengumpulkan angka (Sunaryo et a l., 2003), namun dalam perkembangannya statistika dapat digunakan dalam banyak bidang yang tidak dibayangkan sebelumnya. Abad ini dipandang sebagai abad data seperti yang ditulis oleh Donoho (β000) dalam makalahnya berjudul “High-Dimensiona l Da ta Ana lysis : The Curse a nd Blessing of Dimensiona lity”. Data-data tersebut diantaranya adalah fina ncia l tick-by-tick da ta , biotech da ta (microa rra y da ta , SNP da ta ), sa tellite ima gery, hyperspectra l ima gery, consumer fina ncia l da ta . Era membanjirnya data perlu disikapi dengan bagaimana memanfaatkan data menjadi informasi. Jangan sampai terjadi dengan banyaknya data namun miskin informasi karena semakin sulitnya menambang informasi dari data yang mempunyai dimensi besar. Dalam makalah ini membahas tentang perkembangan penggunaan statistika di era super data set.
TERAPAN STATISTIKA DI BERBAGAI BIDANG
Terapan Statistika di bidang Ekonomi
Sudah banyak diketahui orang bahwa statistika banyak diterapkan dalam bidang ekonomi misalnya bagaimana mengukur inflasi bulanan (month to month), inflasi tahunan (yea r of yea r ) yang sangat diperlukan dalam menentukan harga komoditas maupun upah. Secara sederhana inflasi diartikan sebagai meningkatnya harga-harga secara umum dan terus menerus. Kenaikan harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila kenaikan itu meluas (atau mengakibatkan kenaikan harga) pada barang lainnya. Kebalikan dari inflasi disebut deflasi (Web 1).
Kestabilan inflasi merupakan prasyarat bagi pertumbuhan ekonomi yang berkesinambungan yang pada akhirnya memberikan manfaat bagi peningkatan kesejahteraan masyarakat. Pentingnya pengendalian inflasi didasarkan pada pertimbangan bahwa inflasi yang tinggi dan tidak stabil memberikan dampak negatif kepada kondisi sosial ekonomi masyarakat. Data inflasi bulanan nasional dihitung berdasarkan inflasi bulanan 33 ibu kota propinsi dan 33 kota di seluruh Indonesia dengan tiap-tiap kota memiliki bobot sendiri dengan menentukan inflasi.
2
...
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013minuman, rokok dan tembakau; perumahan, air, listrik, gas dan bahan bakar; sandang; kesehatan; pendidikan, rekreasi dan olah raga; dan transportasi, komunikasi dan jasa keuangan. untuk tiap-tiap kota yang digunakan untuk perhitungan inflasi. Kestabilan inflasi merupakan prasyarat bagi pertumbuhan ekonomi yang berkesinambungan yang pada akhirnya memberikan manfaat bagi peningkatan kesejahteraan masyarakat. Pentingnya pengendalian inflasi didasarkan pada pertimbangan bahwa inflasi yang tinggi dan tidak stabil memberikan dampak negatif kepada kondisi sosial ekonomi masyarakat (Web 2).
Data-data inflasi bulanan di 66 kota tersebut dapat diperoleh secara online mulai tahun 2008, bahkan untuk kota-kota yang sudah dipergunakan untuk perhitungan inflasi nasional sebelumnya dapat diperoleh secara lengkap mulai tahun 1979 sampai sekarang. Karakteristik inflasi tiap-tiap kota atau kabupaten dapat dilakukan analisis berdasarkan data tersebut dengan mengingat apakah ada kenaikan harga BBM yang sangat berpengaruh terhadap inflasi sampai suatu saat pengaruhnya hilang. Karakteristik inflasi bulanan yang berbeda dengan kota atau kabupaten yang lain. Sebagai contoh inflasi bulan Desember tahun 2008 sampai dengan 2012 rata-rata 0,68 % lebih tinggi dibandingkan nasional yaitu sebesar 0,46 % (Gambar 1). Namun rata-rata inflasi bulan Januari justru mengalami deflasi -0,09 % dibandingkan dengan nasional yang mengalami inflasi sebesar 0,87 %. Pada sisi lain inflasi bulanan di kota Manado lebih berfluktuasi dibandingkan dengan inflasi bulanan nasional mengingat koefisien variasi inflasi bulanan kota Manado sebesar 2,4 dibandingkan dengan nasional sebesar 1,1. Perbandingan rata-rata inflasi bulanan periode 2008-2013 untuk kota Manado, kota Ambon dan kota Gorontalo dengan nasional secara lengkap dapat dilihat pada Gambar 1. Berdasarkan Gambar 1 terlihat bahwa rata-rata inflasi bulanan kota Ambon dan kota Manado pada bulan Desember periode 2008-2013 ternyata lebih tinggi dibandingkan dengan rata-rata inflasi bulanan nasional, tetapi di kota Gorontalo lebih rendah pada bulan Desember. Sedangkan pada bulan Agustus, rata-rata inflasi bulanan di kota Gorontalo relatif lebih tinggi dibandingkan nasional maupun kota Manado dan kota Ambon.
Gambar 1. Perbandingan rata-rata inflasi bulanan tahun 2008-2013 antara kota M anado, kota Gorontalo, kota Ambon dengan nasional.
Analisis lain yang berkaitan dengan data inflasi bulanan dapat dilakukan seperti : Apakah inflasi bulanan antara satu kota di suatu kawasan mempunyai kaitan dengan kota-kota yang lain yang
-1.00 -0.50 0.00 0.50 1.00 1.50 2.00
Nasional
Manado
Gorontalo
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013 ... 3
secara geografis berdekatan ? Jika terdapat keterkaitan, kemungkinan hal itu disebabkan oleh distribusi barang dan jasa antara kotak-kota tersebut lancar sehingga jika di suatu kota kekurangan dapat didatangkan dari tempat lain. Namun jika tidak, ada kemungkinan kota-kota yang secara geografis tersebut berdekatan, inflasi bulanannya tidak saling berpengaruh satu sama lain. Ternyata inflasi bulanan di kota Manado dan kota Ambon untuk periode 2008-2013 tidak saling bergantung. Menarik juga jika kita dapat membuat cluster untuk besaran inflasi bulanan untuk kota-kota di seluruh Indonesia untuk mendapatkan informasi kota mana saja yang mempunyai inflasi bulanan yang lebih tinggi dibandingkan dengan yang lain.
Data tentang IHK komoditas bulanan yang digunakan untuk perhitungan inflasi bulanan (284-441 komoditas) untuk masing-masing komoditas dari 66 kota untuk setiap bulannya merupakan data yang telah dimiliki BPS atau super da ta set. Namun demikian data tersebut tidak dengan mudah diperoleh secara online. Jika data tersebut dengan mudah dapat diperoleh secara oline maka dapat digunakan untuk membuat sistem peringatan dini inflasi untuk seluruh kota di Indonesia agar inflasi yang cenderung tinggi dapat direm dengan perbaikan distribusi barang dan jasa, perencanaan masa tanam dan lain-lain.
Penelitian yang sudah dilakukan adalah menentukan besarnya inflasi inti (inflasi yang bersifat menetap) di provinsi Jawa Tengah yang ditentukan berdasarkan inflasi di kota Surakarta, Tegal, Purwokerto dan Semarang berdasarkan data IHK komoditas yang terdiri dari 300-an barang dan jasa tahun 2002-2007. Di samping itu juga ditentukan komoditas-komoditas utama yang menyumbang inflasi atau menyumbang deflasi dalam periode tersebut (Wijayanto et a l, 2008). Terapan statistika dalam bidang ekonomi yang telah kami teliti, diantaranya dapat dilihat pada Restuningtyas et a l. (2012), Kota et a l. (2012).
Terapan Statistika di bidang Biologi
Data dalam bidang bioteknologi (seperti microa rray data, SNP data) tersedia sangat banyak dan makin lama makin murah diperoleh bila dibandingkan sebelumnya. SNP (dibaca snip) merupakan kependekan dari single nucleotide polymorphism yaitu variasi genetik yang hanya berbeda pada basa tunggal saja dan dapat dilihat dengan jelas pada Gambar 2. Kode DNA, C, G, A, T berturut-turut adalah cytosine, guanine, a denine dan thymine. Dalam genetic a ssocia tion studies, SNP digunakan sebagai alat atau penanda (ma rker) untuk menemukan ca ndida te genes atau genome regions yang berkontribusi terhadap penyakit tertentu (yang menjadi perhatian) dengan menguji korelasi antara status sakit (ca se) atau tidak sakit (control) dan variasi genetik dalam individu-individu.
4
...
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013Data SNP berasal dari individu-individu yang terkena penyakit atau yang tidak terkena penyakit pada etnis tertentu dan dengan menggunakan statistik seperti LOD score (loga rithm (base 10) of odd score) digunakan untuk mengidentifikasi apakah SNP tertentu yang terkait dengan lokasi gen tertentu bertanggung-jawab atas terjadinya penyakit yang menjadi perhatian. Data-data tersebut sangatlah besar sehingga merupakan super data set yang memerlukan memori yang cukup besar untuk menyimpannya (Web 3).
Analisis data lain adalah data 10 K SNP yang diperoleh dari Medical Genetic di VUMC (Vrije Universiteit Medical Center) Amsterdam. Sampel diambil dari 27 case dan 31 control dan dilakukan identifikasi 11229 SNP untuk masing-masing individu dalam sampel. Individu yang merupakan ca se berarti individu tersebut mengidap penyakit yang menjadi perhatian sedangkan individu control adalah individu yang tidak mengidap penyakit tersebut. Kode genetik masing-masing individu dalam setiap lokasi SNP dapat diringkas hanya dalam 3 kode yaitu AA, AB dan BB serta beberapa lokasi terdapat mising genotype (“no ca ll”). Analisis yang biasa digunakan adalah metode penanda tunggal berbasis alela (single ma rker a llele-ba sed method), metode penanda tunggal berbasis genotipe (single marker genotype-based method), metode penanda ganda berbasis haplotype (double ma rker genotype-ba sed method). Diusulkan analisis Bayesian subyektif maupun obyektif untuk menganalisis data SNP (Setiawan, 2007).
Apabila analisis dilakukan untuk seluruh SNP yang terdapat dalam genome maka akan diperoleh SNP yang signifikan artinya SNP yang terkait dengan penyakit tertentu yang menjadi perhatian tersebut. Namun untuk hal tersebut, harus dilakukan koreks i atas pengujian hipotesis ganda karena kita menguji hipotesis untuk sejumlah SNP sekaligus. Salah satu koreksi yang mungkin adalah koreksi Bonferoni, yaitu jika digunakan statistik LR (likelihood ra tio) maka SNP akan signifikan jika mempunyai nilai-p koreksi (nilai-p dikalikan dengan banyaknya SNP yang digunakan yaitu 11.229
SNP) lebih kecil dari tingkat signifikansi (level of significance) yang biasa digunakan yaitu α = 0,05.
Lokasi yang dignifikan yang ditemukan yaitu pada kromosom 9 dengan kode identitas SNP 1510558 yang terkait/berasosiasi dengan gen yang menyebabkan penyakit. Namun hanya satu lokasi SNP yang berhasil ditemukan sedangkan penyakitnya kompleks ada kemungkinan hal itu disebabkan oleh pemilihan sampel belum mewakili. Studi simulasi terkait hal ini telah dilakukan diantaranya pada makalah Setiawan (2009).
Analisis data yang diusulkan adalah dengan pendekatan Bayesian obyektif dengan menggunakan statistik intrinsik. Lokasi dianggap terkait dengan penyakit jika mempunyai statistik intrinsik lebih dari 5 dan dalam hal ini tidak diperlukan koreksi untuk multiple testing. Dengan metode ini diperoleh sekitar 60 lokasi (termasuk yang telah terpilih dengan metode sebelumnya) yang terkait dengan penyakit. Lebih lanjut, perlu dilakukan penelitian untuk mencari lokasi yang lebih detail dengan menggunakan kandidat gen dan lebih banyak SNP pada lokasi di sekitar SNP yang signifikan. Namun demikian, pendekatan Bayesian tidak dengan mudah diterima oleh ahli statistik, sehingga perlu dipilih strategi yang beralasan untuk memilih banyak SNP optimal yang digunakan dalam analisis sehingga koreksi atas multiple testing tetap dipenuhi.
Analisis data terkait dengan SNP telah terintegrasi dalam CRAN-R atau dalam paket program R diantaranya adalah SNPa ssoc dan GenABEL yang juga menyediakan data SNP dalam paketnya. Makalah-makalah lain yang terkait dan menggunakan banyak SNP yang lebih besar diantaranya adalah Meaburn et a l. (2006) dan Tian et a l. (2008).
Seringkali juga diinginkan untuk meneliti hal-hal yang semula dipandang tidak ada kaitannya dengan faktor genetik/sifat menurun seperti apakah ada kaitan antara pandangan politik dengan gen?
Namun dalam makalah Hatemi et a l. (β011) yang berjudul “A Genome-Wide Ana lysis of Libera l a nd
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013 ... 5
yang bertanggungjawab terhadap pandangan politik. Bahkan di CNN.com tahun 2008 pernah ditulis artikel terkait tentang hal itu (Web 4).
Terapan Statistika di bidang Farmasi
Ternyata analisis data SNP dan microarray juga bisa ditemui dalam pharma cogenomic yaitu bagian dari ilmu farmasi yang mendasarkan diri pada bagaimana menggunakan kode genetik manusia dalam membuat obat yang sesuai dengan kode genetik individu sehingga tidak terjadi apa yang dinamakan drug-rela ted problem, yaitu masalah terkait dengan penggunaan obat (Ikawati, 2010). Lebih lanjut hal itu dapat dilihat dalam makalah Whirl-Carrillo et a l. (2012), Gurwitz & McLeod (2013).
Terapan Statistika di bidang Kimia
Kimia komputasi adalah cabang kimia yang menggunakan hasil kimia teori yang diterjemahkan ke dalam program komputer untuk menghitung sifat-sifat molekul dan perubahannya maupun melakukan simulasi terhadap sistem-sistem besar (makromolekul seperti protein atau sistem banyak molekul seperti gas, cairan, padatan, dan kristal cair), dan menerapkan program tersebut pada sistem kimia nyata (Wikipedia). Statistika digunakan dalam membuat simulasi Monte Carlo. Dengan metoda Monte Carlo, kita dapat mendapatkan gambaran tentang struktur dan energi dalam keseimbangan, tetapi tidak dapat memberikan gambaran dinamika atau sifat yang bergantung pada waktu.
Di samping itu, Computa tiona l Medicina l Chemistry juga banyak menggunakan statistika dalam desain pembuatan obat dengan bantuan simulasi komputer. Tulisan yang terkait dengan hal ini dapat dilihat pada de Graf et a l. (2011) dan Indiyastono (2012).
Terapan Statistika di bidang Fisika
Fisika komputasi adalah studi dan implementasi algoritma numerik untuk memecahkan masalah dalam fisika yang teori kuantitatif sudah ada (Wikipedia). Secara historis, fisika komputasi adalah aplikasi pertama dari komputer modern dalam ilmu pengetahuan, dan sekarang menjadi bagian dari ilmu komputer. Fisika statistik adalah cabang fisika yang menggunakan metode teori probabilitas dan statistik, dan khususnya alat-alat matematika untuk menangani populasi yang besar dan perkiraan, dalam memecahkan masalah fisik. Pendekatan umum untuk masalah statistik adalah dengan menggunakan simulasi Monte Carlo untuk menghasilkan wawasan ke dalam dinamika sistem yang kompleks.
Data-data dalam fisika medik seperti data MRI (Ma gnetic Resonance Imaging) dan data PET (Positron Emission Tomography) sangat memerlukan statistika dalam analisisnya. Statistik digunakan untuk melakukan analisis data MRI sehingga bisa membedakan antara data MRI yang terkena kanker otak dan yang tidak. Tentu saja data MRI tersebut juga tergantung pada waktu karena mahkluk hidup yang dikenai scan hidup dan berkembang. Hal tersebut banyak dikupas dalam neuroimaging data analysis (Web 5). Makalah terkait PET diantaranya adalah Leahy & Qi (2000) dan Patterson (2013).
Terapan Statistika dalam bidang Pendidikan
ch-6
...
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013Alpha. Skala yang telah teruji validitas dan reliabilitasnya selanjutnya digunakan untuk mengukur
tingkat kepuasan pelanggan (dalam hal ini mahasiswa) layanan pendidikan. Apabila data diambil untuk setiap mata kuliah dan setiap mahasiswa yang mengambil mata kuliah untuk setiap semester di suatu perguruan tinggi maka akan diperoleh data yang sangat besar, apalagi data untuk seluruh perguruan tinggi di Indonesia. Masalah yang harus diselesaikan adalah bagaimana menentukan tingkat kepuasan layanan rata-rata untuk semua mata kuliah yang disediakan? Berbagai metode dapat digunakan untuk hal tersebut. Makalah yang terkait dengan hal ini dapat dilihat pada Setiawan & Parhusip (2011), Parhusip dan Setiawan (2011), Setiawan (2013). Penelitian lebih lanjut juga dapat ditentukan penjadualan pengajar agar mahasiswa mendapatkan tingkat layanan yang optimal dengan mengingat kualifikasi dan ketersediaan pengajar.
Tantangan Mendatang & Kesimpulan
Di samping hal-hal yang telah dijelaskan di atas, tentu saja masih banyak data-data dalam bidang bisnis dan industri yang sangat besar tersedia secara online. Data-data harga saham di seluruh dunia, yang dapat dilakukan analisis sehingga memungkinkan kita untuk dapat memilih salah yang menguntungkan untuk dibeli atau mempunyai prospek yang cerah untuk dibeli. Data-data perusahaan seperti minimarket yang tersebar di seluruh Indonesia untuk menentukan ketersedian barang dan jasa dalam minimarket tersebut pada saat diperlukan supaya konsumen tidak dikecewakan karena kehabisan stok. Demikian juga dengan menganalisis data kebutuhan nasabah suatu bank akan uang melalui ATM atau kartu kredit, akan dapat ditentukan karakteristik nasabah bank sehingga dapat ditentukan kelayakan dalam menerima kredit, dan masih banyak lagi.
Mengingat besarnya data yang dimiliki atau yang nanti akan dimiliki dan diinginkan untuk bisa menggali informasi yang tersimpan di dalamnya dalam waktu singkat, biaya murah dan tenaga yang sedikit maka diperlukan upaya untuk mendapatkan algoritma yang efisien. Untuk itu diperlukan kerjasama antara ilmu komputer/informatika, statistika dan sains yang menjadi asal dari permasalahan tersebut supaya kita bisa menginterpretasikan ulang hasil analisis berdasarkan permasalahan realnya. Demikian juga mengingat banyaknya parameter dalam model matematika/statistika, salah satu cara yang bisa digunakan dalam penyelesaian adalah dengan menggunakan MCMC (Markov Chain Monte Carlo). Seringkali metode analitis tidak bisa digunakan untuk mendapatkan distribusi statistik, mungkin metode bootstrap dapat digunakan. Namun mengingat data yang dimiliki dalam dimensi besar, perlu algoritma yang efisien.
Daftar Pustaka
Donoho, David L., (2000) High-Dimensional Data Analysis : The Curse and Blessing of Dimensionality, The American Ma th. Society Conference : Ma th Cha llenge of the 21st Century, Los Angeles, August 6-11, 2000.
de Graaf, C, Kooistra, AJ, Vischer HF, Katritch V, Kuijer M, Shiroishi M, Shimamura T, Iwata S, Stevens RC, de Esch IJP, Leurs R. (2011) Crystal structure-based virtual screening for novel fragment-like ligands of the human histamine H1 receptor. J . Med. Chem. 2011; 54: 8195-8206
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013 ... 7
Hatemi, P. et a l. (2011) A Genome-Wide Analysis of Liberal and Conservative Political Attitudes, The J ourna l of Politics, Vol 73, No. 1, January 2011, Page 1-15.
Ikawati, ZuLlies (2010) Pelayanan Farmasi Klinik pada Era genomik : Sebuah Tantang dan Peluang,
Pida to Pengukuhan J aba tan Guru besa r 15 Februa ri 2010.
Indiyastono, Enade P. (2012) Computa tiona l Studies of the Hista mine H4 Receptor-Liga nd Interca tion, Ph.D Thesis Vrije Universiteit Amsterdam
Kota, Albert R. Adi Setiawan, Lilik Linawati (2012) Uji Independensi Statistik Bartlett Terhadap Nilai Saham Untuk Mengetahui Kebergantungan Saham-Saham Pada Beberapa Sektor Saham di BEJ, Semina r Nasiona l Pendidikan Ma tema tika Universita s Ahmad Dahlan 27 Desember 2012
Leahy, R. M. & Jinyi Qi (2000) Statistical approaches in quantitative positron emission tomography, Sta tistics and Computing 10, 147-165.
Meaburn, E., Butcher, L.M., Schalkwyk, L.C., P lomin, R. (2006). Genotyping pooled DNA using 100K SNP microarrays: a step towards genomewide association scans, Nucleic Acids Research Volume: 34. Issue: 4. Pages: e27
Parhusip, Hanna Arini & Adi Setiawan (2011) Modelling on Lecturer‟s Performance with Hotteling
-Harmonic-Fuzzy, The 6th SEAMS GMU 2011 July 12-15, 2011 Yogyakarta
Patterson, Cam et a l. (2013) Development of a New Positron Emission Tomography Tracer for Targeting Tumor Angiogenesis ; Synthesis, Small Animal Imaging and Radiation Dosimetry, Molecules 18, 5594-5610
Restuningtyas, Purbosiwi, Adi Setiawan, Hanna Arini Parhusip (2012) Analisis Pergerakan Harga
Saham sebagai Peringatan Dini dengan Diagram Hotelling T2 dan Studi Simulasinya, Semina r
Na siona l Pendidikan Ma tema tika Universita s Ahma d Da hla n 27 Desember 2012
Setiawan, Adi (2007) Sta tistica l Ana lysis of Genetic Da ta in Twin Studies and Associa tion Studies , PhD Thesis, Vrije Universiteit Amsterdam
Setiawan, Adi (2009) Objective Bayesian Approach for SNP Data : Method, Simulation and Application, Proceeding the first Interna tiona l Semina r on Science and Technology UII Yogyakarta
8
...
Prosiding Seminar Matematika, Sains dan TI, FMIPA UNSRAT, 14 Juni 2013Setiawan, Adi (2013) Determining Teaching Quality Based on Questioner using Multinomial Distribution and Objective Bayesian, Proceedings of the 3rd Annua l Ba sic Science Interna tiona l Conference 2013 FMIPA Universita s Bra wijaya Ma la ng
Sunaryo, Sony, Setiawan, Anik Djuraidah, Asep Saefuddin (2003) Sejarah Perkembangan Statistika dan Aplikasinya, Forum Sta tistika dan Komputa si Vol 8 No 1
Tian, C et al. (2008) Analysis and Application of European Genetic Substructure Using 300 K SNP Information, PLOS Genetics 4(1) : e4.
Whirl-Carrilo, M. et a l .( 2012) Pharmacogenomics Knowledge for Personalize Medicine, Clinica l Pharma cology & Thera petics 92 4, 414-417.
Wijayanto, Bayu et a l. (2008) Penelitia n Sumber Teka nan Infla si Sisi Pena wa ran di J awa Tengah , Kerjasama CEMSED UKSW dengan Bank Indonesia.
Web 1 Bank Indonesia http://www.bi.go.id/web/id/Moneter/Inflasi/Pengenalan+Inflasi/
Web 2 Bank Indonesia
http://www.bi.go.id/web/id/Moneter/Inflasi/Pengenalan+Inflasi/pentingnya.htm
Web 3 www.dartmouth.edu/~cbbc/courses/.../Genes%20and%20Politics.pdf
Web 4 http://edition.cnn.com/2008/HEALTH/02/11/politics.genes/
Web 5
