BAB 4.

METODE ESTIMASI PARAMETER DARI DISTRIBUSI

WAKTU KERUSAKAN

Estimasi reliabilitas membutuhkan pengetahuan distribusi waktu kerusakan yang

mendasari dari komponen atau sistem yang dimodelkan. Untuk memprediksi reliabilitas
atau mengestimasi MTTF komponen atau sistem yang dikenai uji hidup dipercepat,
diperlukan estimasi parameter dari distribusi probabilitas yang menggambarkan waktu
kerusakan populasi yang dilakukan uji.
Keakuratan estimasi parameter tergantung pada ukuran sampel dan metode yang
digunakan untuk estimasi parameter. Statistik yang dihitung dari sampel yang digunakan
untuk estimasi parameter populasi disebut estimator. Suatu estimator yang baik mempunyai
sifat-sifat: tak bias, konsisten, efisien dan sufiisien. Statistik yang digunakan untuk estimasi
parameter populasi, , disebut suatu estimator titik untuk , dinotasikan ^ . Ada 3
metode yang banyak digunakan untuk estimasi parameter dari populasi yaitu metode momen,
metode maximum likelihood dan metode kuadrat terkecil.

Metode Momen
Ide utama dari metode momen adalah menyamakan karakteristik sampel tertentu
seperti mean dan varians untuk nilai-nilai yang diharapkan populasi yang bersesuaian
dan kemudian menyelesaikan persamaan yang dihasilkan untuk mendapatkan nilai
perkiraan parameter tidak diketahui.
Jika

x 1 , x 2 , , x n mewakili himpunan data, maka momen ke k sampel adalah

n

M k=

1
xk
n i=1 i

Jika 1 , 2 , , m adalah parameter yang tidak diketahui dari populasi, maka estimator
momen ^ 1 , ^ 2 , , ^ m diperoleh dengan menyamakan momen sampel m yang pertama
dengan momen populasi m yang pertama yang bersesuaian dan menyelesaikan untuk
1 , 2 , , m .

Contoh 4.1:
Misal bahwa

x 1 , x 2 , , x n mewakili suatu sampel random dari suatu distribusi

. Bagaimana estimasi

Eksponensial dengan parameter

Jawab:
x
Pdf dari distribusi Eksponensial adalah f ( x )= e
dan

E [ X ]=

. Menggunakan

momen pertama sampel

xi

1
M 1= i=1 =E [ X ]=
n

Jadi estimasi dari adalah

^= n
n

xi

i=1

Contoh 4.2:
Sebuah produsen sistem data wireless menggunakan sinar inframerah yang ditransmisikan
antara perangkat yang dipasang pada bagian luar gedung untuk menyediakan link data
kecepatan tinggi. Ukuran sinar inframerah memiliki efek langsung pada reliabilitas sistem
dan kemampuannya untuk mengurangi efek dari kondisi cuaca seperti salju dan kabut yang
menghalangi jalur sinar tsb. Data ditransmisikan secara kontinyu menggunakan sinar
inframerah dan waktu sampai terjadi kerusakan dalam jam (tidak menerima data yang
ditransmisikan) dicatat sebagai berikut:
47, 81, 127, 183, 188, 221, 253, 311, 323, 360, 489, 496, 511, 725, 772, 880,
1,509, 1,675, 1,806, 2,008, 2,026, 2,040, 2,869, 3,104, 3,205.
Dengan asumsi bahwa waktu kerusakan mengikuti distribusi eksponensial, tentukan
parameter distribusi menggunakan metode momen. Perkirakan reliabilitas sistem saat =
1000 jam. (Perhatikan bahwa data di atas dihasilkan dari sebuah distribusi eksponensial
dengan parameter 1/ = 1000).

Jawab:
Parameter dari distribusi Eksponensial adalah
^= n = 25 =0,00095387.
n
26209
xi
i=1

atau

1
=1048,36 .
^

Ini sangat dekat dengan nilai parameter yang sama yang digunakan dalam menghasilkan
data. Jelas, selama meningkatnya jumlah observasi, parameter yang diestimasi ( ^ )
dengan cepat mendekati parameter dari distribusi waktu kerusakan yang sebenarnya.
Contoh 4.3
Misal

x 1 , x 2 , , x n adalah suatu sampel random dari suatu distribusi gamma yang

mempunyai pdf :
f ( x )=

1
1 x /
x e
x>0, 0, > 0

( )

Gunakan metode momen untuk mendapatkan estimasi parameter dan .

Jawab:
Sebagaimana yang telah ditunjukkan dalam Bab 1, mean dan varians dari distribusi gamma,
berturut-turut adalah:

E [ X ] =

E[ X ] diganti dengan estimator

2
2
dan V ( X )= =E [ X ]( E [X ])

M 1=^ ^

dan

2
2
M 2M 1=^ ^ .

Penyelesaian dua persamaan di atas secara simultan menghasilkan

Contoh 4.4:

M 1 dan E [ X 2 ] diganti dengan estimator

diperoleh

2
M 21
^= (M 2M 1) dan ^ =
.
M1
( M 2M 21)

M2 ,

Sebuah produsen komputer pribadi melakukan suatu uji burn-in pada 20 monitor komputer
dan mendapatkan (dalam jam) sebagai berikut: 130, 150, 180, 40, 90, 125, 44, 128,
55, 102, 126, 77, 95, 43, 170, 130, 112, 106, 93, 71.
Asumsikan bahwa populasi dari waktu kerusakan yang utama mengikuti distribusi gamma
dengan parameter dan . Tentukan estimasi parameter- parameter ini!
Jawab:
M 1 dan

Mula-mula, tentukan

M 2 sebagai berikut:

xi

2067
1
1
M 1= i=1 =
=103,35 dan M 2= x 2i = 244823=12241,15 .
n
20
20
20
Selanjutnya, tentukan estimasi parameter-parameternya:
2

(103,35)
^= 12241,15( 103,35 ) =15,09 dan ^ =
=6,847.
103,35
12241,15(103,35)2
Jadi rata-rata suatu monitor hidup yang diharapkan adalah ^ ^=103,3 jam.
Contoh 4.5:
Gunakan metode momen untuk mengestimasi parameter

dan 2 dari distribusi

normal.

Jawab:
Pdf dari distribusi normal:
1
f ( x )=
e
2

1 x
2

Momen pertama

( )

M 1 dan momen kedua

M 2 dari distribusi di atas berturut-turut

adalah
x

x
M 1=
e
x 2

1 x
dx
2

( )

x2
dan M 2=
e
x 2

1 x
dx
2

( )

Dengan menggunakan transformasi

z=

, kemudian mengintegralkannya (lihat

kembali catatan mata kuliah Statistika Matematika II) maka diperoleh nilai-nilai

M 1 dan

M 2 sebagai berikut:
n

1
1
2
2
2
xi dan M 2= + = x i .

n i=1
n i=1

M 1==

Jadi estimasi untuk parameter

x 2i

dan 2 adalah

1
1
xi = ( x i x ) 2

n i=1
n i=1
n

^ =

1
1
x i dan ^ 2=

n i=1
n i=1
Metode momen merupakan metode sederhana untuk memperkirakan parameter

distribusi waktu kerusakan yang tersedia yaitu distribusi yang mendasari diketahui.
Kesalahan dalam memperkirakan parameter adalah minimum ketika distribusi yang mendasari simetris dengan tidak ada skewness dan ketika waktu kerusakan tidak
tersensor atau terpotong.
Selang Kepercayaan
Setelah penentuan estimasi titik parameter distribusi, selanjutnya menentukan
selang kepercayaan yang mana parameter yang diperkirakan dekat dengan nilai-nilai
sebenarnya dari populasi. Selang kepercayaan untuk parameter adalah

P[ LCL UCL]=1
di mana LCL adalah batas bawah kepercayaan dan UCL adalah batas atas kepercayaan.

Misalkan sampel random

mean

x 1 , x 2 , , x n diambil dari suatu populasi dengan

dan varians 2 . Misal

adalah estimator titik untuk

. Jika n besar

(n30),
maka

kira-kira memiliki suatu distribusi normal dengan mean dan varians

x
2
/n , atau Z =
/n
nilai

memiliki suatu distribusi normal standar. Untuk sembarang

dapat ditemukan suatu nilai Z /2 sedemikian sehingga

P [ Z /2 Z + Z / 2 ]=1 .
Atau dapat ditulis

1 =P Z /2

P x Z /2

] [
]

+ Z / 2 =P Z /2
x + Z /2
/ n
n
n

x + Z / 2
n
n

Sehingga diperoleh selang

( xZ

/ 2

, x + Z / 2
n
n

membentuk selang kepercayaan dari parameter yang diestimasi

untuk

dengan

koefisien kepercayaan 1 .
Contoh 4.6:
Pandang waktu kerusakan dari contoh 4.4. Tentukan suatu selang kepercayaan untuk mean
waktu kerusakan dengan koefisien kepercayaan 0,95.
Jawab:
Dari data diperoleh

x =103,35 dan s=40,52 , s adalah estimasi dari standar deviasi

.
Karena ukuran sampel kecil (< 30), lebih tepat menggunakan distribusi t daripada
distribusi normal dalam menentukan selang kepercayaan. Jadi selang kepercayaan adalah

x t /2

, dengan ( 1 )=0,95 . Dari tabel diperoleh t 0,025=2,093 dan substitusi s

n

untuk , didapat 103,35 2,093

40,52
atau103,35 18,96 atau
20

(84,39 , 122,31).

Dengan kata lain, dengan tingkat kepercayaan 95% bahwa mean waktu kerusakan yang
sebenarnya terletak antara 84,39 dan 122,31 jam.

Metode Maksimum Likelihood

Metode kedua dalam estimasi parameter dari suatu distribusi probabilitas
didasarkan pada fungsi likelihood. Misal dipunyai n pengamatan adalah

x1 , x2 , , xn

yang masing-masing mempunyai suatu pdf f ( x i , ) . Fungsi likelihood adalah suatu

fungsi dari yaitu
n

l ( )=f ( x 1 , ) f ( x n , ) = f ( x i , ) .
i=1

Jika adalah anggota suatu selang terbuka dan l ( ) terdiferensial dan mempunyai suatu
nilai maksimum pada selang tersebut, maka MLE adalah suatu penyelesaian dari persamaan

maksimum likelihood
d
l ( )=0 .
d
Beberapa nilai dari yang memaksimumkan l ( ) juga akan memaksimumkan log
likelihood

L ( ) , maka untuk perhitungan yang cepat, sebagai bentuk alternatif dari persamaan

maksimum likelihood adalah

d
log l ( )=0 .
d

Contoh 4.7:
Banyak cacat dalam suatu lini produksi ditemukan mengikuti distribusi Poisson dengan
suatu rata-rata yang tidak diketahui. Dua sampel random diambil dan banyaknya unit-unit
yang cacat adalah 10 dan 12. Tentukan estimasi kemungkinan maksimum (MLE) dari ?
Jawab:
Probabilitas yang mempunyai x unit dari suatu distribusi Poisson adalah
P ( x )=

e x
x=0,1,2,
x!

Probabilitas yang mempunyai 10 dan 12 cacat berturut-turut adalah:

e 10
e 12
P (10 )=
dan P ( 12 )=
10 !
12!
Fungsi likelihood

[l ( x , )]

adalah perkalian dari

P (10 ) dan P ( 12 ) , yaitu:

10
12
2 22
e
e
e
(
)
l x , =

=
.( x=10,12)
10 !
12 !
(10 ! 12!)

Evaluasi dari persamaan di atas untuk nilai-nilai yang berbeda dari dapat disederhanakan
dengan mengambil logaritma dari l ( x , ) . Misal
L ( x , )=log l (x , )

dan logaritma dari fungsi likelihood adalah

L ( )=22 log 2 log ( 10 ! 12!)

Derivatif dari

L ( ) terhadap

adalah

dL() 22
= 2=0
d

Jadi estimasi terbaik dari ^ adalah 22/2=11.

Contoh 4.8:
Anggap bahwa pabrik Integrated Circuits mengambil 3 sampel random dari sekumpulan
yang sama dari ukuran 10, 15 dan 20 unit. Pada pemeriksaan ditemukan bahwa sampel-

sampel ini berturut-turut mempunyai 2, 3 dan 5 yang cacat. Bagaimana estimasi

kemungkinan maksimum (MLE) dari ?
Jawab:
Karena 3 sampel diambil dari sekumpulan produksi yang sama, distribusi probabilitas yang
mendasari mempunyai parameter yang sama . Probabilitas 3 hasil adalah:

(102) ( 1 ) ;( 153) ( 1) ; (255) ( 1 )

8

12

20

Fungsi likelihood secara sederhana merupakan hasil kali dari 3 probabilitas:

( )

( )

( )

8
12
20
l ( )= 10 2 (1 ) 15 3( 1 ) 25 5 (1 ) =K 10 (1) 40 ,
2
3
5

di mana

adalah suatu konstan yang meliputi semua suku yang tidak melibatkan

L ( )=log K +10 log +40 log(1)

dL()
10
40
=0+
=0
d
1
Jadi estimasi terbaik dari ^ adalah 1/5.
MLE dari Distribusi Ekxponensial
Pdf dari distribusi eksponensial dengan parameter
Pdf dari n pengamatan

x 1 , x 2 , , x n adalah

f ( x , )= e x .

adalah

f ( x , )= e x i=1,2, , n .

Fungsi likelihood:
n

l ( x 1 , x 2 , , x n ; ) =f ( x 1 , ) f ( x 2 , ) f ( x n , )= f ( x 1 , )=
i =1

Logaritma dari fungsi likelihood:

n

L ( x 1 , x 2 , , x n ; ) =n log x i
i=1

Derivatif dari

L ( x 1 , x 2 , , x n ; ) terhadap

adalah

n
n

x i

i=1

xi

= e

i=1

 L ( x1, x2 , , xn; )

Jadi estimasi terbaik dari

(Hasil MLE dari

n
= x i=0
i=1

^ adalah n/

xi
i=1

sama seperti estimasi yang diperoleh menggunakan metode momen).

Contoh 4.9:
Suatu uji reliabilitas dilakukan pada sampel yang terdiri dari 6 komponen elektronik untuk
mengestimasi MTTF. Berikut adalah waktu kerusakan dari komponen-komponen tersebut:
25, 75, 150, 230, 430 dan 700 jam. Bagaimana bentuk laju kerusakan dan tentukan MLE
dari parameter distribusi waktu kerusakan yang mendasari?
Jawab:
MTTF adalah 260 jam dan standar deviasi adalah 232 jam. Karenan mean dan deviasi
standar hampir sama, maka distribusi eksponensial dapat digunakan untuk mewakili
distribusi waktu kerusakan.
Jadi estimasi terbaik dari

^ adalah

^= n = 6 =3,726 x 103 kerusakan per jam .

n
1610
xi
i=1

MLE dari Distribusi Rayleigh

Distribusi Rayleigh digunakan untuk merepresentasikan distribusi waktu kerusakan dari
komponen yang menunjukkan laju kerusakan meningkat secara linier. Pdf dari distribusi
Rayleigh adalah
f ( x )=x e
di mana

x
2

adalah parameter dari distribusi Rayleigh.

Fungsi likelihood untuk n pengamatan

x 1 , x 2 , , x n adalah

l ( x 1 , x 2 , , x n ; ) =f ( x 1 , ) f ( x 2 , ) f ( x n , )= x i e

x
2

= X e

x 2i
2 i=1

i =1

di mana

x i= X
i=1

Logaritma dari fungsi likelihood:

n

x2
2 i=1 i
L ( x 1 , x 2 , , x n ; ) =n log
+log X

Derivatif dari

L ( x 1 , x 2 , , x n ; ) terhadap

adalah

L ( x1 , x2 , , xn ; ) n 1 n 2
= x i =0

2 i=1
^= 2n .
n
x 2i
i=1

Contoh 4.10:
Waktu kerusakan berikut diamati ketika dilakukan suatu uji reliabilitas: 15, 21, 30, 39, 52
dan 68 jam. Anggap bahwa distribusi Rayleigh dipandang sebagai distribusi yang tepat
untuk merepresentasikan waktu kerusakan ini. Tentukan parameter dari distribusi ini.
Berapa mean dan deviasi standar dari waktu kerusakan?
Jawab:
Parameter dari distribusi Rayleigh adalah
^= 2n = 2 6 =0,00115 kerusakan per jam .
n
10415
x 2i
i=1

Mean dan deviasi standar dari waktu kerusakan adalah

^=

=36,92 jam dan ^ =

1 =19,3 jam.
^
^
4
2

MLE dari Distribusi Normal

x dari suatu distribusi normal dengan mean

Pdf dari pengamatan

yang tidak diketahui

1
f ( x )=
e
2

1 x
2

( )

x 1 , x 2 , , x n adalah

Fungsi likelihood untuk n pengamatan

1
l ( x 1 , x 2 , , x n ; , )=
2

) e

1 x1
2

i=1

Logaritma dari fungsi likelihood:

n

1
1
x 2

.
2 2 i=1

L ( x 1 , x 2 , , x n ; , )=n log
Derivatif dari

( )

L ( x 1 , x 2 , , x n ; , ) terhadap

L ( x1 , x2 , , xn ; , ) 1
= 2

adalah

x in =0
i=1

1
^= xi .
n i=1

Derivatif dari

L ( x 1 , x 2 , , x n ; , ) terhadap
n

1
1
x 2
n log
2 i=1
2
n log
L ( x1 , x2 , , xn ; , )
=

( )

( x i )
(x )
n
1

(2 )= n+ i 2
=0
3

2
i =1

1
( x )2 atau ^ 2= 1n ( x i ^ )2 .
n i=1 i
i=1

adalah

dan variansi

Hasil yang sama sebagaimana diperoleh dengan metode momen.

Contoh 4.11:
Anggap bahwa diterapkan penekanan pada komponen-komponen dan waktu kerusakan
yang sesuai membentuk pasangan pengamatan ( x 1 , y 1 ) , , ( x n , y n ) yang mengikuti
model
E ( Y )= + x dan Var ( Y )= 2 .
di mana Y adalah variabel random berdistribusi normal dan independen. Gunakan
pendekatan maksimum likelihood untuk mengestimasi parameter

dan

Jawab:
Karena Y berdistribusi normal dan independen, maka log likelihood adalah
L [ ( x1 , y 1 ) , , ( x n , y n) ]=

n
1
log 2 n log 2 ( y i x i )2 .
2
2

Dua suku pertama dari sisi kanan dari persamaan tersebut di atas adalah independen
terhadap

dan

. Karena itu untuk meminimumkan log likelihood, cukup untuk

meminimumkan suku
n

K= ( y i x i ) .
2

i =1

Ambil derivatif parsial dari

terhadap

nol mennghasilkan 2 persamaan linier dalam

tersebut adalah:
^= y i (x ix ) dan ^ = y ^ x .
(x ix )2
di mana
x =

1
1
x i dan y = y i .

n
n

dan
dan

dan samakan derivatif dengan

. Penyelesaian persamaan

Kadang-kadang dalam menemukan estimator maksimum likelihood (MLE), tidak

diperoleh ekspresi bentuk tertutup untuk estimasi parameter, karena itu perlu menggunakan
metode lain, antara lain seperti: metode gradien likelihood dan metode iteratif Newton.
estimator maksimum likelihood adalah konsisten, efisien dan tak bias. Bias dari estimator
menurun seiring meningkatnya banyaknya pengamatan. Metode tersebut memerlukan
perhitungan yang sederhana untuk distribusi yang mempunyai parameter tunggal tetapi
mungkin memerlukan perhitungan yang panjang untuk distribusi yang mempunyai
parameter dua atau lebih. Lebih lanjut, metode tersebut dapat diaplikasikan untuk data
tersensor maupun data tidak tersensor.
Matriks Informasi dan Matriks Varians Kovarians
Salah satu manfaat utama dari penggunaan estimator maksimum likelihood untuk
mendapatkan parameter distribusi adalah bahwa logaritma dari fungsi likelihood dapat
dimanfaatkan dalam menyususn matriks informasi Fisher (atau matriks Hessian).
Kebalikan (invers) dari hasil matriks dikenal sebagai matriks Varians Kovarians.
Berikut adalah definisi matriks varians kovarians (atau secara sederhana disebut
matriks kovarians). Jika

X 1 , X 2 , , X k adalah variabel random berdistribusi identik dan

independen satu dengan yang lain dengan suatu pdf

f ( x , 0 ) , dimana 0 mempunyai k

komponen dan nilai yang sebenarnya, maka matriks kovarians didefinisikan sebagai

Var (1 )
Cov (1 , 2) Cov( 1 , 3 ) Cov( 1 , k )
Cov( 1 , 2 )
Var ( 2)
Cov( 2 , 3 ) Cov( 2 , k )

Cov (2 , k )
Cov( 1 , k )
Var ( k )

di mana Cov( i , j) adalah kovarians dari i dan j dan Var (i ) adalah

variansi dari i . Matriks kovarians ini dapat diperoleh dari matriks informasi.
Ketika ukuran sampel data meningkat, bias MLE menurun, estimator menjadi tak
bias secara asimptotis. Dengan kata lain

lim E [ ^ i ]=i i=1,2, , k .

nx

Untuk mendapatkan varians dan kovarians asimptotis dari estimator, pertama susun matriks
informasi I, berkenaan likelihood sebagai suatu fungsi variabel random yang diamati dalam
suatu sampel yang diberikan.
Elemen ke ij dari matriks informasi I adalah
I ij =E

L( ; X)
.
i j

Matriks invers,

, dengan elemen ke ij ditunjukkan oleh

ij

adalah matriks varians

kovarians dari ^ , sehingga

Var ( ^ i ) =I ii danCov ( ^ i , ^ j )=I ij .

Contoh 4.12:
Suatu sampel random
dan

x 1 , x 2 , , x n mengikuti suatu distribusi normal dengan parameter

. Gunakan matriks informasi untuk mendapatkan estimasi variansi dari

^ dan ^ .

Jawab:

Logaritma dari fungsi likelihood dari distribusi normal adalah

n

1
1
x 2
n log
.
2 i=1
2
L ( x 1 , x 2 , , x n ; , )=n log

( )

Derivatif parsial dari L terhadap

L 1
=
2

dan

adalah
2

(x )
x in dan L = 1 n+ i 2
i=1
i=1

2 L n L2 2
=
;
=
2 2 3

2
xi n dan L2 = n2 34
i=1

(
i=1

x in

Dalam rangka menyusun matriks informasi, dari persamaan derivatif kedua dari L ditentukan nilai
harapannya, yaitu

[ ]

[ ]

L n
L
L
2 n
11
12
21
22
= 2 =l ; E
= 0=l =l dan E
= 2 =l .
2
2

Sehingga matriks informasi I disusun sebagai

I=

n/ 2
0
2 /n
0
1
dan
I
=
0
2 n / 2
0
2 /2 n

Matriks varians dan kovarians,

I 1 adalah

2
0
Var ( ^ )
Cov( ^ , ^ ) = /n
.
2
Cov ( ^ , ^ )
Var ( ^ )
0
/2n

)(

Contoh 4.13:
Sebuah timbangan pemeriksa adalah sebuah peralatan yang memiliki tiga komponen utama:
skala, pengontrol, dan alat pengalih. Khususnya dalam sistem produksi kecepatan tinggi
seperti yang ditemukan dalam industri makanan kaleng atau industri manufaktur farmasi,
satu atau lebih timbangan pemeriksa biasanya dipasang dalam sistem untuk memastikan
bahwa bobot dari produk berada dalam batas spesifikasi yang dapat diterima. Jika produk
tidak memenuhi spesifikasi, itu dialihkan jauh dari produk diterima. Alat pengalih, menjadi
sistem mekanis, merupakan komponen yang paling rentan terhadap kegagalan. Berikut
waktu kegagalan (dalam minggu) dari alat pengalih yang diamati:
14, 18, 18, 20, 21, 22, 22, 20, 17, 17, 15, 13
Anggap bahwa pengamatan mengikuti suatu distribusi normal dengan mean
2
variansi . Tentukan

^ , ^

dan matriks varians kovarians!

Jawab:

^ , dan

diperoleh sebagai berikut:

^=

1
x = 1 217=18,08 dan ^ 2= 1n ( x i )2=8,409 atau ^ =2,9.
n i=1 i 12
i=1

Matriks varians dan kovarians adalah

dan

I 1 =

2 /n
0
0 .
= 0,700
0
0,350
0
2 /2 n

Jadi variansi

)(

^ adalah 0,700 dan variansi dari ^

adalah 0,350.