<![CDATA[Evaluasi metode dalam data sains menghadapi hambatan mendasar: data riil jarang menyediakan ground truth yang lengkap, sehingga akurasi estimator sulit diukur secara objektif. Penelitian ini menyusun kerangka evaluasi berbasis data sintetis dan menerapkannya pada studi kasus estimasi matriks kovarians data Gaussian multivariat. Eksperimen Monte Carlo dengan 100 iterasi membandingkan tiga estimator — kovarians sampel, shrinkage Ledoit-Wolf, dan Minimum Covariance Determinant (MCD) — pada tiga skenario: baseline tanpa kontaminasi, kontaminasi 10% outlier dari N(5,I), dan noise Gaussian 20% dengan simpangan baku 2. Kesalahan Frobenius relatif terhadap matriks populasi diukur sebagai metrik utama. Hasil menunjukkan estimator shrinkage unggul pada dua dari tiga skenario dengan rata-rata kesalahan 0,09 (baseline), 0,21 (outlier), dan 0,18 (noise), sementara kovarians sampel melonjak hingga empat kali lipat pada skenario outlier. MCD menunjukkan ketahanan superior terhadap outlier namun kurang optimal pada noise Gaussian. Temuan ini memperkuat posisi data sintetis sebagai instrumen evaluasi yang reprodusibel, terkontrol, dan mampu memetakan profil ketahanan metode secara sistematis.]]>
Copyrights © 2025
