BAB I

PENDAHALUAN
A. Latar Belakang
Statistik inferensi digunakan untuk memprediksi keadaan dari suatu
populasi berdasarkan sampel yang diambil. Dalam statistika inferensi ini,
seringkali diasumsikan bahwa distribusi populasi diketahui. Teknik yang
digunakan untuk menaksir nilai parameter bila distribusi populasi diketahui
adalah dengan Maximum Likelihood Estimation (MLE).
Pada MLE, teknik penaksiran parameternya lebih mudah, sehingga orang
banyak menggunakan teknik ini. Akan tetapi teknik ini hanya dapat
digunakan bilamana distribusi populasi diketahui. Selain itu MLE sangat
sensitif terhadap data ekstrim. Data ekstrim ini sangat berpengaruh terhadap
nilai-nilai mean ataupun variansi.
B. Rumusan Masalah
Adapun rumusan masalah kami dalam makalah ini yaitu:
1. Bagaimana Metode Maximum Likelihood?
2. Bagaimana sosulusi Metode Maximum Likelihood dalam penyelesaian
beberapa contoh soal?
C. Tujuan
Adapun tujuan dalam penulisan makalah ini yaitu untuk mengetahui:
1. Metode Maximum Likelihood.
2. Penerapan Metode Maximum Likelihood dalam beberapa contoh soal.

BAB II
METODE MAXIMUM LIKELIHOOD
(Metode Kemungkinan Maksimum)
A. Pendahuluan

Berikut ini adalah metode yang cukup sering menghasilkan penaksir yang
memiliki sifat-sifat tertentu yang diharapkan, khususnya sifat-sifat sampel besar.
Penalarannya adalah menggunakan nilai parameter yang mungkin, yang
bersesuaian dengan largest likelihood (peluang besar) bagi yang teramati, sebagai
taksiran parameter yang tidak diketahui (besarnya).
Maximum likelihood adalah teknik yang sangat luas dipakai dalam
penaksiran suatu parameter distribusi data dan tetap dominan dipakai dalam
pengembangan uji -uji yang baru (Lehmann, 1986). Berikut ini akan disinggung
sedikit tentang penaksiran parameter ini.
Andaikan variabel random X mempunyai nilai-nilai terbilang
, dengan
sebenarnya dari

. Seseorang ingin menaksir nilai yang

tersebut dari nilai-nilai observasi

untuk setiap nilai

. Sehingga

yang mungkin perlu dipertimbangkan probabiliti nilai

diketahui bahwa nilai

benar. Semakin tinggi peluangnya, maka seseorang akan

semakin ingin menjelaskan bahwa nilai

dapat dijelaskan dengan , dan

semakin sering muncul. Karena itu ekspresi

sebagai fungsi

ada

terbilang

banyaknya

akan

untuk

fixed

keputusan-keputusan

yang

disebut likelihood dari . Simbol lain untuk likehood

Misalkan

adalah

diformulasikan dengan fungsi keuntungan (lawan dari fungsi kerugian) dimana

fungsi tersebut bernilai

kalau keputusannya salah dan

keputusannya benar dengan nilai

(yang dihasilkan bilamana nilai

benar. Likelihood

bilamana
diberi bobot tertentu

benar), untuk menaksir

nilai

yang

memaksimumkan

dan memilih keputusan yang benar. Kemudian

juga akan dipilih fungsi keputusan yang benar dengan asumsi

akan sama juga untuk

benar. Penjelasan

sebagai fungsi kepadatan (data kontinu).

Pada penaksiran parameter biasanya

hal ini akan menggiring orang untuk menaksir

adalah bebas dari

Sehingga

dengan memaksimumkan nilai

yang dikenal dengan maximum likelihood estimate dari .

B. Metode Maximum Likelihood (Metode Kemungkinan Maksimum)

Pada tulisan ini distribusi populasi data diambil berbentuk normal. Hal ini
adalah untuk memenuhi syarat dalam penaksiran dengan MLE dan juga untuk
memudahkan penurunan formula-formula matematiknya. Akan tetapi pada situasi
yang sebenarnya, kalau distribusi data tidak diketahui maka bentuk distribusi ini
haruslah ditaksir.
Misalkan
dengan

adalah sampel random dari distribusi

.

Dengan demikian,

Statistik

adalah nilai

yang memaksimumkan

disebut maximum likelihood estimator untuk .

Contoh 1:
Andaikan tersedia

mata uang logam yang tidak seimbang, yaitu mata

uang pertama, kalau dilambungkan, peluang munculnya sisi M adalah

mata uang kedua,kalau dilambungkan, peluang munculnya sisi M adalah

; dan mata uang ketiga, kalau dilambungkan, peluang munculnya sisi M
adalah

. Ketiga mata uang itu, tidak dapat dibedakan berdasarkan wujud

maupun beratnya. Misalkan satu mata uang dipilih secra acak dari tiga mata uang
tersebut, lalu dilambungkan dua kali. Jika
muncul pada lambungan pertama, dan

menyatakan banyaknya sisi M yang

menyatakan banyaknya sisi M yang

muncul pada lambungan kedua.

Dalam hal ini ada sampel random
dengan ruang parameter
ketahui bahwa
tetapi, MME untuk

, dari distribusi Bernoulli,

. Pada distribusi

, maka MME untuk

yaitu

adalah

,
, kita
. Akan

, tidak menghasilkan taksiran yang pantas untuk .

Ada tiga nilai saja, yaitu

, yang merupakan anggota dari ruang parameter

.
Untuk memperoleh taksiran dengan metode peluang terbesar, kita
perhatikan

fungsi

densitas

peluang

bersama

untuk

dari

,
, dan

nilai fungsi densitas bersama itu sebagai berikut:

(

P
0,20

(0,0)
0,64

(0,1)
0,16

(1,0)
0,16

(1,1)
0,04

0,30

0,49

0,21

0,21

0,09

0,80

0,04

0,16

0,16

0,64

Taksiran yang akan memaksimalkan peluang adalah sebagai berikut:

jika

jika

jika
Definisi 1:

yaitu
. Nilai-

Fungsi densitas peluang bersama dari

variabel random

yang tergantung pada satu parameter , yaitu fungsi , yang di

nilainya

disebut likelihood function (fungsi kemungkinan)

Untuk

konstan,

hanya tergantung

pada , dan lazim dinyatakan dengan symbol

merupakan sampel random berukuran

. Apabila

dari distribusi dengan fungsi densitas

itu, maka

Definisi 2:
Misalkan

adalah fungsi densitas peluang bersama dari

), yang tergantung pada parameter

dari

, yaitu

yang menghasilakn nilai maksimum untuk

. Nilai
disebut maximum

Likelihood Estimate untuk , dan dengan dinyatakan dengan symbol

Jadi,

Perhatikan:
1) Jika setiap himpunan hasil pengamatan atau hasil pengukuran
bersesuaian dengan tepat satu nilai dari

, maka cara

memperoleh

taksiran

di

atas

menentukan

suatu

fungsi

, yang domainnya adalah himpunan semua

himpunan hasil pengamatan atau pengukuran sampel. Fungsi itu disebut
Maksimum Likelihood Estimator (MLE) utnuk
2) Jika

merupakan suatu interval, dan jika

mencapai maksimum di suatu nilai dalam

.
diferensiabel dan
, maka MLE merupakan

selesaian dari persamaan

Atau persamaan

Karena fungsi logaritma merupakan fungsi naik.

Dari selesaian (3) atau (4) itu harus dipilih yang menghasilkan nilai negative dari
derivative kedua. Persamaan (3) dan (4) diesebut persamaan maximum likelihood
(persamaan kemungkinan maksimum).
Contoh 2:
Misalkan
Poisson, dengan parameter

adalah sampel random berukuran

. Jadi,

kemungkinannya adalah

Dan fungsi log-kemungkinannya adalah

dari distribusi

. Dalam hal ini, fungsi

Dengan mencari akar persamaan

menghasilkan

, dan memilih akar yang

, akan memperoleh MLE (Penaksir Kemungkinan

Maksimum).

Teorema 1 (Sifat Invarians I):

Jika

adalah Maximum Likelihood Estimator (MLE) untuk

fungsi dari
untuk

, yaitu

adalah

dan

adalah

, maka Maximum Likelihood Estimator (MLE)

.

Contoh 3:
Misalkan

adalah sampel random berukuran

Eksponensial, dengan parameter . Jadi,

, untuk

Dalam hal ini, fungsi kemungkinannya adalah

Terdapat

dari distribusi

Pada nilai ekstrem dari

, dipenuhi persamaan:

Berarti

Untuk

, terdapat

Jadi, MLE untuk

adalah

Untuk menaksir
peroles MLE daari

, kita gunakan Teorema (1) dan kita

adalah

Contoh 4:
Misalkan

adalah sampel random berukuran

Eksponensial Dua-parameter, dengan parameter

.

. Jadi,

dari distribusi
, untuk

Fungsi kemungkinannya adalah

Fungsi itu dapat dinyatakan dalam bentuk lain, yaitu

. Jadi penaksir kemungkinan Maksimum
untuk

adalah statistic urutan pertama. Contoh ini menunjukkan bahwa MLE

tidak selalu sama besar dengan MME.

Contoh 5:
Tahap hidup suatu jenis komponen elektronik
. Misalkan

komponen

hidupnya. Jika tahan hidup

berdistribusi eksponensial,

diambil secara acak, kemudian dicoba tahan

komponen pertama yang mati lebih dulu adalah

. Maka dapat diketahui bahwa fungsi densitas peluang bersama

variabel yang bersangkutan adalah

dengan aturan

10

Perhatikan bahwa
tahan hidup

menyatakan jumlah keseluruhan

komponen yang dicoba, sapai akhir percobaan.

MLE untuk , dapat dihitung dari data tersebut, dengan jalan sebagai berikut

, untuk suatu konstan .

Dari persamaan

, didapat

. Jadi

Kalau seluruh anggota sampel dicoba, maka

. Jadi,

Persamaan

Untuk

disebut persamaan kemungkinan maksimum.

Teorema 2 (Sifat Invarians II):

Jika

adalah Maximim Likelihood Estimate

(MLE) untuk
untuk

, sedangkan
maka

untuk

adalah

Contoh 6:

11

,
.

Misalkan
normal,

MLE untuk

adalah sampel random berukuran

. Misalkan

dari

, maka

dari

dari distribusi

adalah

dapat dicari sebagai berikut:

, untuk suatu konstan , sehingga

Dari pasangan persamaan

dan

, diperoleh

Jadi,

Contoh 7:
Misalkan
berdistribusi

adalah sampel random dari populasi yang

ekspoonensial

dua-parameter,

12

yaitu

utnuk

, dengan parameter

dan

yang tidak diketahui besarnya. Fungsi

densitas peluang populasi adalah

, utnuk

Fungsi lemungkinannya adalah

Untuk

Sehingga

, jika

Seperti pada contoh 4,

mencapai nilai maksimum jika

. Jadi,

. Untuk memperoleh taksiran untuk , kitaa selesaikan persamaan

Haislnya

Sehingga,

Jadi,

Contoh 8:

13

Kita akan mencari MME (Penaksir Kemungkinan Maksimum, PKM) untuk

parameter distribusi gamma,
Misalkan sampel acak itu

, berdasarkan sampel acak berukuran .

. Kita ketahui

Persamaan Kemungkinan Maksimumnya adalah

Misalkan

Yaitu rata-rata aritetik sampel,

Dan

Yaitu rata-rata geometric sampel, maka terdapatlah

pernyataan implicit sebagai berikut:

14

dan

dalam

dan

Contoh 9:
Misalkan
Weibull,

adalah sampel random dari populasi yang berdistribusi

, dengan

dan

yang tidak diketahui besarnya. Fungsi

densitas peluang populasi adalah , dengan aturan

untuk

Fungsi log-likelihood ybs adalah

Persamaan-persamaan Kemungkinan Maksimumnya adalah:

Dan

BAB III
PENUTUP

15

A. Kesimpulan
1. Untuk populasi yang distribusinya diketahui, penaksiran parameter akan
lebih mudah bila menggunakan MLE.
2.

Fungsi likelihood adalah ukuran yang menyatakan sebarapa sering nilai

, diberikan bahwa

telah terobservasi. Fungsi likelihood BUKAN suatu

peluang.
3.

Jika dua percobaan, yang melibatkan model dengan parameter

memberikan likelihood yang sama, maka inferensi terhadap

haruslah

sama.
4.

Misalkan

adalah fungsi likelihood (fungsi dari parameter ). Kita

dapat menentukan nilai

, yaitu

yang memaksimumkan

. Penaksir untuk

disebut Penaksir Likelihood Maksimum (maximum likelihood

estimator, MLE). Penaksir suatu parameter adalah fungsi dari peubah

acak.
B. Saran
Penulis mengharapkan agar makalah ini dapat digunakan untuk menunjang
pembelajaran Mata Kuliah Statistika Matematika pada khususnya dan
pembelajaran matematika pada umumnya.

DAFTAR PUSTAKA

16

Hogg, Robert V. & Allen T. Craig. 1995. Introduction to Mathematical Statistics

(Fifth Edition). Hong Kong & Macau: Pearson Education Asia Limited &
Higher Education Press.
http://www.scribd.com/doc/52880907/Teori-Peluang-Bab-9 diakses pada 28 Mei 2011.

17