Universitas Hasanuddin

ESTIMASI PARAMETER DISTRIBUSI WEIBULL 3 PARAMETER

(Studi Kasus : Rata-Rata Kecepatan Angin di Kota Makassar)
Herawati1, Islamiyati A.2, Sunusi NT.3

Abstrak
Distribusi Weibull merupakan salah satu distribusi yang tergolong kedalam distribusi
Eksponensial. Pada tulisan ini, yang dibahas adalah penaksiran parameter distribusi Weibull 3
parameter. Pada penaksiran parameter distribusi Weibull 3 parameter dengan metode Maximum
Likelihood Estimation (MLE), tidak diperoleh nilai taksiran yang eksak. Oleh karena itu penaksiran
parameternya dilanjutkan dengan menggunakan metode iterasi Newton-Rhapson. Distribusi Weibull 3
parameter ini kemudian diaplikasikan pada data rata-rata kecepatan angin. Setelah dilakukan uji
kesesuaian distribusi Weibull dengan uji Mann, diperoleh bahwa data rata-rata kecepatan angin
khususnya kota Makassar dalam kurun waktu 5 tahun mengikuti pola distribusi Weibull 3 parameter
dengan nilai parameter lokasi
bentuk

( )=11,8378 , parameter skala ( )=18,0430 , dan parameter

( )=2,11214 .

Kata Kunci : Distribusi Weibull 3 parameter, MLE, Newton Rhapson, Uji Mann

1. Pendahuluan
Setiap peristiwa akan mempunyai peluang masing-masing, dan peluang terjadinya
peristiwa tersebut akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di
sebut dengan distribusi. Ada dua jenis distribusi sesuai dengan variabel acaknya yaitu
distribusi peluang diskrit dan distribusi peluang kontinu. Salah satu yang tergolong dalam
distribusi kontinu adalah distribusi Weibull 3 parameter. Distribusi Weibull adalah distribusi
yang memiliki peranan yang penting terutama pada persoalan keandalan (reliability) dan
analisis rawatan (mantainability).
Hal yang penting dalam mengkaji suatu distribusi adalah masalah mengestimasi
parameternya. Dalam hal pengestimasian parameter terdapat beberapa metode untuk
mengestimasi parameter suatu distribusi. Salah satu dari beberapa metode tersebut yang
digunakan untuk mengestimasi parameter distribusi Weibull adalah dengan menggunakan
metode Maksimum Likelihood Estimation (MLE).
Adapun tujuan penulisan ini adalah untuk mengestimasi parameter distribusi Weibull 3
parameter dengan metode Maksimum Likelihood Estimation (MLE), serta menghitung nilai
mean dan variansi rata-rata kecepatan angin di Makassar yang mengikuti pola distribusi
Weibull 3 parameter.

Universitas Hasanuddin

2. Tinjauan Pustaka
2.1 Distribusi Peluang Kontinu
Distribusi peluang didefinisikan dengan suatu fungsi peluang, dinotasikan dengan

P( X =x) atau f ( x) , yang menunjukkan peluang untuk setiap nilai variabel acak.
Fungsi

f ( x)

adalah fungsi kepadatan peluang variabel acak kontinu X, bila

memenuhi:
a.

f ( x)0 untuk semua

xR.

b.

f ( x ) dx=1,

c.

P ( a< x< b )= f ( x ) dx , (Walpole & Myers, 1995).

a

Fungsi distribusi kumulatif

kepadatan peluang

F(x)

suatu variabel acak kontinu X dengan fungsi

f (x) adalah sebagai bearikut :

F ( x )=P ( X x )
x

f ( t ) dt .

Sedangkan untuk nilai harapan

disimbolkan dengan

E(X)

disimbolkan dengan

dan variansi

Var ( X ) didefinisiskan sebagai berikut :

E ( X )= x f ( x ) dx . (1)

Var ( X )=E ( X 2 ){E ( X )}2

(2)

2.2 Distribusi Weibull

Distribusi Weibull adalah salah satu distribusi kontinu dalam teori probabilitas dan
statistic.
Fungsi kepadatan peluang distribusi Weibull 3 parameter

f ( x| , , ) =

( 1)

( )( )

Adapun fungsi distribusi kumulatifnya adalah

{ ( )}

x
exp

; untuk x>
; untuk x

(3)

Universitas Hasanuddin

F ( x| , , )=

di mana

; untuk x>

variabel acak berdistribusi Weibull

. Maka nilai ekspektasi dan nilai varian dari

E ( X )= +
2

(4)

; untuk x

adalah parameter skala, dan

adalah parameter lokasi,

parameter bentukan. Jika

{ ( )}

1exp

{(

adalah

X WEI ( , , )

diberikan sebagai berikut :

( 1 +1)

V ( X )=

) [ ( )]}

2
2 1
+1
+1

2.3 Metode Maksimum Likelihood (MLE)

Salah satu metode dalam penaksiran parameter adalah Maksimum Likelihood
Estimation (MLE). Prinsip dasar dari MLE adalah menentukan

yang

memaksimumkan fungsi likelihood.

Misalkan

X 1 , X 2 , , X n

menyatakan peubah acak yang saling bebas dengan

f ( xi ; ) , dimana

fungsi padat peluangnya

adalah

merupakan parameter-parameter yang akan ditaksir. Apabila

peluang bersama dari

, , dan , yang
L

merupakan fungsi

X 1 , X 2 , , X n yang dipandang sebagai fungsi dari

maka

fungsi likelihood-nya ditunjukkan oleh :

n

L ( )= f ( x i ; )
1

Selain itu, karena biasanya sulit untuk mencari turunan fungsi likelihood, maka yang
dilakukan adalah menentukan nilai maksimum dari logaritma natural fungsi likelihood
tersebut atau disebut dengan fungsi log-likelihood.
Fungsi log-likelihood dapat ditulis dalam bentuk :

L( )
l=ln

Nilai parameter

dapat diperoleh dengan memaksimumkan fungsi

kepadatan peluang. Hal tersebut dilakukan dengan metode turunan pertama dari
3

Universitas Hasanuddin

fungsi likelihood-nya terhadap setiap parameternya. Jika

parameter, dan jika
, maka MLE

merupakan ruang

L( )

terdiferensialkan dan mencapai nilai maksimum pada

merupakan penyelesaian dari persamaan maksimum

likelihood berikut :

ln [ L ( ) ]=0

2.4 Metode Newton Rhapson

Apabila langkah menaksir parameter menggunakan metode MLE menghasilkan
fungsi log-likelihood yang non-linier maka penyelesaian fungsi tersebut di lanjutkan
dengan menggunakan metode iterasi Newton-Rhapson. Metode Newton Rhapson
didasarkan pada deret Taylor sebagai berikut :

f ( x t +1 )=f ( x t ) + f ' ( x t ) ( x t +1x t ) +

f ' ' ( xt )
2
( x t +1x t ) +
2!

+ f n ( xt )
x t +1x t ) n
(
n!

Fungsi log-likelihood dengan parameter

taksiran

dapat diselesaikan sehingga diperoleh

^ dengan menggunakan metode Newton Rhapson. Rumus penaksir parameter

^ pada iterasi k =(0,1,2, , n) adalah sebagai berikut:

( k+1)= k H ( ( k ) )1 g ( (k ) )
Dengan

( k+1)

: Parameter taksiran

pada iterasi ke- ( k +1 )

: Parameter taksiran

H ( ( k ) )

: Matriks turunan kedua fungsi likelihood

g ( ( k ) )

pada iterasi ke- (k )

: Matriks turunan pertama fungsi likelihood

(5)

Universitas Hasanuddin

3. Hasil dan Pembahasan

3.1 Penaksiran Parameter Distribusi Weibull 3 Parameter
Nilai taksiran parameter pada distribusi Weibull 3 parameter dapat diperoleh dengan
menggunakan metode MLE . Metode ini dapat dilakukan karena distribusi data diketahui.
Untuk itu sebagai langkah awal perlu diketahui fungsi kepadatan peluang dari distribusi
Weibull 3 parameter.
3.1.1 Fungsi kepadatan dan fungsi kumulatif
Fungsi kepadatan peluang distribusi Weibull 3 parameter telah ditunjukkan
pada pers. (4). Dari fungsi kepadatan peluang tersebut, maka fungsi distribusi
kumulatifnya dapat diperoleh sebagai berikut :
x

F ( x )= f ( t ) dt=
0

( x )

[ ( )]

( 1)

( )( )

exp

dt

1e
3.1.2

Estimasi Parameter
fungsi likelihood dari distribusi Weibull 3 parameter dapat dituliskan sebagai
berikut:

f ( x ; , , )=

[ ( )]

( 1)

( )( )

exp

f ( x 1 , , x n ; , , )=f ( x 1 ; , , ) f ( x n ; , , )

[ ( )]
[ ( )]
[ ( ) ]
[ ( ) ]

x ) ( 1) exp 1
( 1

( )

( 1)
( x n )
exp n

( )

n n

( )

( x i ) 1 exp
i=1

L ( x1 , , xn ; , , )=

n n

( ) ( x )
i=1

x i

i=1

exp

i=1

x i

(6)

Selanjutnya, dari pers.(6) fungsi log-likelihood-nya dapat dituliskan sebagai berikut :

[(

l=ln L=ln

n n

) ( X )
i=1

[ ( ) ]]
n

exp
i=1

X i

i=1

i=1

l=n [ ln ln ] + ( 1 ) ln ( X i )

X i
(7)

Universitas Hasanuddin

Untuk mendapatkan parameter taksiran

, ,

dan

, maka pers.(14)

diturunkan terhadap parameter-parameter tersebut, kemudian disamakan dengan nol

Turunan

l terhadap

adalah :

n
n
X
l
1

=( 1 )
+ i

i=1

i=1 ( X i )

(1)

=0 (8)

Universitas Hasanuddin

Turunan

l terhadap

adalah :

n
x
l n
=
+ i
=0( 9)

i=1

( )

Turunan

l terhadap

adalah
n

l n
= n ln + ln ( x i )

i=1
n

i =1

xi

( ) ln ( x )=0 (10)
i

i=1

Nilai turunan pertama yang ditunjukkan oleh pers.(15), pers.(16), dan pers.
(17) tidak memberikan fungsi yang eksplisit. Sehingga untuk mendapatkan nilai
taksirannya akan dilakukan proses iterasi Newton Rhapson. Dalam metode ini yang
dibutuhkan adalah turunan pertama dan turunan kedua dari fungsi log-likelihoodnya, karena metode ini menggunakan pendekatan deret Taylor orde ke-2. Deret
Taylor orde ke-2 diberikan sebagai berikut :
'

f ( x t +1 )=f ( x t ) + f ( x t ) ( x t +1x t ) +

Misalkan

Q(( k+1) ) merupakan deret taylor orde ke-2 dimana

vektor parameter-parameter
adalah

f ' ' ( xt )
2
( x t +1x t )
2!

, , , dan diketahui g ( ( k ) )

turunan pertama fungsi log-likelihood terhadap

adalah

masing-masing

, , ,

adalah matriks 3x3 dari turunan kedua terhadap parameter-parameter

H ( ( k ) )
, , .

Maka diperoleh :

1
Q(( k+1) )=l ( ) + g ( ( k ) ) ( k +1k ) + H ( ( k ) ) ( k+1 k ) 2
2

Dengan demikian diperoleh rumus penaksiiran parameter-parameter

iterasi ke-( k +1

dalam proses iterasi

sebagai berikut :

pada

(k =0, 1,2, ) sesuai dengan pers. (5)

Universitas Hasanuddin

1
^ k +1=^ k H ( (k )) g ( ( k ) )

Nilai entri-entri dari matriks g sudah ditunjukkan pada pers.(8), pers.(9) dan
pers.(10) sedangkan entri-entri dari matriks H dapat dicari dengan menurunkan pers.

, , dan . Dengan menurunkan pers.(8)

(8), pers.(9) dan pers.(10) terhadap

terhadap

, diperoleh :

2 l
=( 1 )
2

[ (
n

i=1

n
x
1 2
+ 2 i
X i

i=1

( )

(11)

Universitas Hasanuddin

dan

Selanjutnya pers.(8) diturunkan terhadap

2

2 n

( ) (

l
l

=
=

i=1

x i

sehingga diperoleh :

( 1 2)

2 l
2 l
=

1

n
x
1

+ i
X i
i=1

x i

( ) ( )
ln

n
x i
+1

i=1

( )

(1 3)

i=1

Selanjutnya pers.(9) diturunkan terhadap

diperoleh :

( ) ] (1 4)

n
x
2 l
= 2 n( 1 ) i
2

i=1

[ ( )

( ) ln ( x )](1 5)

n
n
xi
x
2 l
2 l
1
=
=
n
i

i=1
i =1

Selanjutnya pers.(10) diturunkan terhadap

, diperoleh :
2

( ) [ ( )] (1 6)

n
x i
2 l n
=

2 2 i=1

x i
ln

Selanjutnya dari persamaan-persamaan di atas diperoleh nilai entri-entri dari matriks

yang ditunjukkan oleh pers. (27) sebagai bentuk umum parameter taksiran dengan
metode Newton-Rhapson, yaitu :

Universitas Hasanuddin

[ ][ ]
^ ( k+1 )
^ ( k+1 ) =
^ ( k+1)

^ (k )
^ ( )
k

^ (k )

2 l l l
+
2
2 l
l l
+

2 l
l l
+

2 l
l l
+

2 l l l
+

2

2 l
l l
+

2 l
l l
+

2 l
l l
+

2 l l l
+

][ ]
1

l
( 17 )

l
k

matriks turunan pertama (g) ditunjukkan oleh pers.(8), pers.(9) dan pers.(10)
sedangkan untuk matriks turunan kedua (H) ditunjukkan oleh pers.(8) hingga pers.
(16). Matriks H juga dikenal sebagai matriks Hessian.
3.2 Mean dan Variansi
Berdasarkan pers. (1) dan pers. (2), maka nilai ekspektasi dari
berikut

E ( X )= x f ( x ) dx
0

0
Misal :

u=

( 1 )

( )( )

x
maka x=u +

[ ( )]

dx

du 1
=
dx

dx= du

x
exp

10

adalah sebagai

Universitas Hasanuddin

Sehingga

E ( X ) menjadi :
E( X)= +

( 1 +1)
X

Sedangkan untuk nilai variansi dari

dapat diperoleh sebagai berikut :

Var ( X )=E ( X 2 ){E ( X ) }

dimana

E ( X 2 ) adalah:

E ( X ) = x2 f ( x ) dx
2

x2
0

Misal :

u=

( )(

( 1)

[ ( )]

exp

dx

x
du 1
maka x=u + ; = ; d x= du

dx

Sehingga integral

E ( X 2 ) menjadi :

E ( X 2 ) = 2+ 2

( 1 + 1)+ ( 2 +1)
2

Sehingga diperoleh nilai varian dari X sebagai berikut :

2

Var ( X )=E ( X 2 ){ E ( X ) }

[ ( ) ( )]

2
1
+ 1 2 +1

3.3 Aplikasi pada Data

3.3.1 Uji Kesesuaian Distribusi Weibull
Tahap awal analisis data adalah menguji kesesuaian data dengan distribusi
Weibull melalui uji Mann (Mann Test). Berikut adalah perhitungan dalam melakukan
uji Mann dengan nilai = 0.05 :
a. Hipotesis
11

Universitas Hasanuddin

H 0 : Data kecepatan angin berdistribusi Weibull.

H 1 : Data kecepatan angin tidak berdistribusi Weibull
b. Statistik uji
Statistik Uji yang digunakan adalah Mann:

r1

k1
M=

i =k1 +1
k1

k2
i=1

ln ( si +1 )ln ( s i)
Mi

ln ( si +1 )ln ( si )
Mi

dimana :

si

= data ke-i (data kecepatan angin yang telah

diurutkan dari yang terkecil sampai dengan yang
terbesar)

Mi

= nilai pendekatan Mann untuk data ke-i

r=n

= banyaknya data

k1

k2
Nilai dari

r1
2

Mi

r
2

yang digunakan dapat dihitung dengan menggunakan rumus

sebagai berikut:

M i=Y i+1Y i
dimana

Y i=ln ln 1

i0.5
n+0.25

)]

sehingga :
r1

k1
M=

i =k1 +1
k1

k2
i=1

ln ( si +1 )ln ( s i)
Mi

ln ( si +1 )ln ( si )
Mi

30 (9,29)
30 (5,84)

12

Universitas Hasanuddin

M =1,5921597
c. Kriteria keputusan dan kesimpulan
Jika

M < M tabel =M 0.05, k , k

nilai

perhitungan di atas diperoleh

maka

terima

H0 .

M < M tabel =1,5921597<1,84

Berdasarkan
maka

H0

diterima dan dapat disimpulkan bahwa data berdistribusi Weibull. Dengan demikian
data kecepatan angin mengikuti distribusi Weibull.
Setelah diketahui bahwa data berdistribusi Weibull, maka selanjutnya nilai taksiran
parameter-parameternya dapat diketahui dengan bantuan program SAS 9.2. Melalui

^ =11,8378,

program SAS diperoleh nilai

^=18,0430,

dan

dengan grafik sebagai berikut :

3.3.2 Mean dan Variansi Distribusi Weibull 3 Parameter

Nilai mean dari data kecepatan rata-rata angin adalah :

E ( X )= +

( 1 +1)

27,81849
Nilai variansi dari data kecepatan rata-rata angin adalah :

Var (X )= 2

( 2 +1) ( 1 +1)]
2

63,23334
4. Kesimpulan dan Saran
13

^ =2,11214

Universitas Hasanuddin

4.1

Kesimpulan
Berdasarkan hasil analisis yang telah dilakukan, maka dapat diambil beberapa
kesimpulan sebagai berikut:
1. Untuk mengestimasi parameter distribusi Weibull 3 parameter, dilakukan dengan
menggunakan metode Maksimum Likelihood Estimation (MLE). Namun hasil dari
turunan pertama tidak menghasilkan solusi yang eksplisit, sehingga dilanjutkan
dengan proses iterasi menggunakan metode Newton Rhapson dengan bantuan
program SAS 9.2.
2. Pembuatan pola data rata-rata kecepatan angin di kota Makassar dimulai dengan
menguji kesesuaian data dengan distribusi Weibull melalui uji Mann, dan
disimpulkan bahwa data kecepatan rata-rata angin mengikuti pola distribusi
Weibull 3 parameter yang memuat parameter lokasi
dan parameter bentuk

3. Nilai taksiran untuk parameter lokasi

( )=18,0430 , dan parameter bentuk

kurva

distribusi

( ) , parameter skala ( ) ,

condong

ke

kanan.

( )=11,8378 , parameter skala

=2,11214 , menunjukkan bahwa
Sedangkan

untuk

nilai

mean

E ( X )=27,81849 dan nilai variansi Var ( X )=63,23334

4.2

Saran
Penelitian ini membahas tentang penaksiran parameter distribusi Weibull 3
parameter dengan menggunakan metode Maksimum Likelihood Estimation (MLE).
Diharapkan untuk penelitian selanjutnya dapat dilakukan dengan beberapa metode yang
berbeda.
DAFTAR PUSTAKA

Aqifah. 2012. Penaksir Parameter Model Regresi Gamma dengan Peubah Respon Kontinu
Non-Negatif. Makassar : Universitas Hasanuddin
Bhattacharya Paritosh & Rakhi Bhattacharjee.2010.A Study On Weibull Distribution For
Estimating The Parameters.Journal of Applied Quantitative Methods
Dahiya Rum.C & Garland John. 1978. Estimating The Parameter of A Gamma Distribution.
Madrid : University of Massachusetts
Daut,I. M,Irwanto. Suwarno. Y,M,Irwan. N,Gomesh, N,S,Ahmad.2011.Potential of Wind
Speed for Wind Power Generation In Perlis, Northern Malaysia. Malaysia; School of
Electrical System Engineering Universiti Malaysia Perlis (UniMAP)
Herawaty Aty. 2008. Buku Ajar Peluang dan Distribusi Peluang. Universitas Mercu Buana

14

Universitas Hasanuddin

Jong, P.D. & Heller, G.Z. 2008. Generalized Linear Models for Insurance Data. Cambridge:
Cambridge University Press
Narayanant.A, 1990. Maksimum Likelihood Estimation of The Parameters of The
Parameters of The Dhiriclet Distribution. USA : Indiana University
Rinne Horst .2009. The Weibull Distribution. Jerman : Justus Liebig University
Rohilla Shalizi Cosma.2007. Maksimum Likelihood Estimation for q-eksponential (Tsallis
Distribution). Carnegie Mellon University
Santuo. 2012. Penaksir Parameter Model Regresi Inverse Gaussian dengan Peubah Respon
Kontinu Non-Negatif. Makassar : Universitas Hasanuddin
Walpole, Ronald E. Dan Myes, Raymond H. 1995. Ilmu Peluang dan Statistik untuk Insinyur
dan Ilmuan. Edisi Keempat. Bandung: ITB Bandung
repository.usu.ac.id/bitstream/123456789/29910/4/Chapter%20II.pdf

15