Merajut Cita dari Sulawesi Ke Korea

 Merajut Cita dari Sulawesi Ke Korea

Oleh: Amir Tjolleng

Musim panas kembali bertandang. Kali ini musim panas kedua saya di Korea Selatan. Ya, sudah lebih dari setahun saya berada di negeri ginseng ini. Negeri yang terkenal dengan arus Korean Wave-nya atau Hallyu ini memiliki empat jenis musim, yakni: musim semi, musim panas, musim gugur, dan musim dingin. Musim panas atau “yoreum” (여름) berlangsung sejak awal Juni hingga akhir September. Pada akhir Juni hingga pertengahan Juli, biasanya curah hujan disini cukup tinggi. Kondisi ini dikenal dengan sebutan “jangma” (장마). Selanjutnya, cuaca akan berubah sangat panas dan lembab pada bulan Agustus. Orang Korea biasanya akan pergi memanjat gunung, bertamasya ke pantai bersama keluarga, pulang ke kampung halaman atau pergi ke daerah lembah yang sejuk untuk menikmati liburan musim panas.

Ulsan, salah satu kota metropolitan (Gwangyeoksi) di Korea, kini menjadi tempat tinggal saya. Ulsan yang merupakan salah satu kota industri di Korea, terletak di sepanjang pantai tenggara Korea dengan populasi sekitar 1.160.000 jiwa dan luas area 1.060 km². Ulsan dibagi ke dalam empat distrik yaitu Buk-gu, Dong-gu, Jung-gu, dan Nam-gu serta satu kabupaten yakni Ulju-gun. Lokasi saya berada di wilayah Nam-gu. Lebih tepatnya, Mugeo Dong. Untuk kesini, bisa ditempuh selama 5 jam perjalanan bus atau 2 jam dengan kereta cepat atau Korea Train Express (KTX) dari Seoul, kota spesial (Teukbyeolsi) Korea. Disini, saya sedang berjuang menyelesaikan studi master di Jurusan Teknik Industri (산업경영공학부) University of Ulsan dengan beasiswa research scholarship.

Algoritma Genetika (Genetic Algorithm) dengan menggunakan Matlab

Find global minima for highly nonlinear problems

A genetic algorithm (GA) is a method for solving both constrained and unconstrained optimization problems based on a natural selection process that mimics biological evolution. The algorithm repeatedly modifies a population of individual solutions. At each step, the genetic algorithm randomly selects individuals from the current population and uses them as parents to produce the children for the next generation. Over successive generations, the population "evolves" toward an optimal solution.

You can apply the genetic algorithm to solve problems that are not well suited for standard optimization algorithms, including problems in which the objective function is discontinuous, nondifferentiable, stochastic, or highly nonlinear.

The genetic algorithm differs from a classical, derivative-based, optimization algorithm in two main ways, as summarized in the following table.

Classical Algorithm	Genetic Algorithm
Generates a single point at each iteration. The sequence of points approaches an optimal solution.	Generates a population of points at each iteration. The best point in the population approaches an optimal solution.
Selects the next point in the sequence by a deterministic computation.	Selects the next population by computation which uses random number generators.

Reference: http://kr.mathworks.com/discovery/genetic-algorithm.html

For further article, please find here: Genetic Algorithm

Analysis of Variance (ANOVA)

Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis statistika yang termasuk ke dalam cabang statistika inferensi. Dalam literatur Indonesia metode ini dikenal dengan berbagai nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Anova merupakan pengembangan dari masalah Behrens-Fisher, sehingga uji F juga dipakai dalam pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher, bapak statistika modern. Dalam praktik, analisis varians dapat merupakan uji hipotesis (lebih sering dipakai) maupun pendugaan (estimation, khususnya di bidang genetika terapan). 

Dalam analysis of variance hanya satu hipotesis yang digunakan yaitu hipotesis dua arah (two tail) yang artinya apakah ada perbedaan rata-rata atau tidak.

H0: μ1 = μ2 = μ3 = ... = μn, Tidak ada perbedaan yang nyata antara rata-rata hitung dari n kelompok
H1: μ1 ≠ μ2 ≠ μ3 ≠ ... ≠ μn, Ada perbedaan yang nyata antara rata-rata hitung dari n kelompok

Anova digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Anova mempunyai dua jenis yaitu analisis varian satu faktor (one way anova) dan analsis varian dua faktor (two ways anova).

Uji Chi Square

Uji kai kuadrat (dilambangkan dengan "χ²" dari huruf Yunani "Chi" dilafalkan "Kai") digunakan untuk menguji dua kelompok data baik variabel independen maupun dependennya berbentuk kategorik atau dapat juga dikatakan sebagai uji proporsi untuk dua peristiwa atau lebih, sehingga datanya bersifat diskrit. Misalnya ingin mengetahui hubungan antara status gizi ibu (baik atau kurang) dengan kejadian BBLR (ya atau tidak).

Dasar uji kai kuadrat itu sendiri adalah membandingkan perbedaan frekuensi hasil observasi (O) dengan frekuensi yang diharapkan (E). Perbedaan tersebut meyakinkan jika harga dari Kai Kuadrat sama atau lebih besar dari suatu harga yang ditetapkan pada taraf signifikan tertentu (dari tabel χ²).

Uji Kai Kuadrat dapat digunakan untuk menguji :

1. Uji χ² untuk ada tidaknya hubungan antara dua variabel (Independency test).

2. Uji χ² untuk homogenitas antar- sub kelompok (Homogenity test).

3. Uji χ² untuk Bentuk Distribusi (Goodness of Fit)

Dalil Limit Pusat

Dalam ilmu statistik dikenal suatu dalil yang sering digunakan dan mendasari pada hampir seluruh pengolahan data yang berkaitan dengan data sample yaitu Dalil Limit Pusat atau Teorema Limit Pusat atau Central Limit Theorem.Dalil limit pusat tersebut berbunyi jika contoh acak n diambil dari suatu populasi yang sangat besar dengan μ dan σ² maka x rata-rata akan menyebar normal dengan nilai tengah μ dan simpangan baku σ/akar n.

Dalil inilah yang mendasari nilai n=30 yang dibutuhkan agar suatu data dianggap menyebar normal.Artinya jika kita dapat mengumpulkan contoh sebanyak 30 dari sembarang data yang besar maka rata-rata nilai contoh yang kita ambil diasumsikan menyebar normal sesuai dengan dalil limit pusat di atas.

Sumber: http://www.ilmustatistik.com/2008/11/18/dalil-limit-pusat/