Anda di halaman 1dari 83

PENENTUAN MODEL DAN STATISTIK UJI

DISTRIBUSI SEMI PARAMETRIK DENGAN


METODE RASIO LIKELIHOOD SEMI-EMPIRIS (MRLSE)
SKRIPSI
Oleh:
FATIMATUZZAHROH
NIM: 03510027
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN) MALANG
MALANG
2007
1
2
PENENTUAN MODEL DAN STATISTIK UJI
DISTRIBUSI SEMI PARAMETRIK DENGAN
METODE RASIO LIKELIHOOD SEMI-EMPIRIS (MRLSE)
SKRIPSI
Diajukan kepada:
Universitas Islam Negeri (UIN) Malang
Untuk Memenuhi Salah Satu Persyaratan Dalam
Memperoleh Gelar Sarjana Sains (S. Si)
Oleh:
FATIMATUZZAHROH
NIM: 03510027
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN) MALANG
MALANG
2007
3
PENENTUAN MODEL DAN STATISTIK UJI
DISTRIBUSI SEMI PARAMETRIK DENGAN
METODE RASIO LIKELIHOOD SEMI-EMPIRIS (MRLSE)
SKRIPSI
Oleh:
FATIMATUZZAHROH
NIM: 03510027
Telah disetujui oleh:
Dosen Pembimbing
Pembimbing I
Sri Harini, M.Si
NIP. 150 318 321
Pembimbing II
Ach. Nashihuddin, M. A
NIP. 150 302 531
Tanggal 09 Desember 2007
Mengetahui,
Ketua Jurusan Matematika
Sri Harini, M.Si
NIP. 150 318 321
4
PENENTUAN MODEL DAN STATISTIK UJI
DISTRIBUSI SEMI PARAMETRIK DENGAN
METODE RASIO LIKELIHOOD SEMI-EMPIRIS (MRLSE)
SKRIPSI
Oleh:
FATIMATUZZAHROH
NIM: 03510027
Telah Dipertahankan di Depan Dewan Penguji Skripsi dan
Dinyatakan Diterima Sebagai Salah Satu Persyaratan
Untuk Memperoleh Gelar Sarjana Sains (S. Si)
Tanggal 18 Desember 2007
SUSUNAN DEWAN PENGUJI TANDA TANGAN
1. Penguji Utama : Drs. H. Turmudi, M. Si ( )
2. Ketua Penguji : Abdussakir, M. Pd ( )
3. Sekretaris Penguji : Sri Harini, M.Si ( )
4. Anggota Penguji : Ach. Nashihuddin, M. A ( )
Mengetahui dan Mengesahkan
a.n. Dekan Fakultas Sains Dan Teknologi
Ketua Jurusan Matematika
Sri Harini, M.Si
NIP. 150 318 321
5
LEMBAR PERSEMBAHAN
T|a:a0aa memaat d|-| 0|ta teaaaq
aaqaa te-|a|a |aqaaq,
aaaq|a :emaa 0e|aqaaqaa.
u||a STJ meaqa0a| e-aaq qaaq
teaaaq daa mempe-aaqa0 :eaqam
0a-eaa deaqaa meaeaaaq0aa d|-|
daa :eaqam a0aa mempe-paaaaq a:|a 0|ta.
(Je0e0 Jmam Taqad| T.}
Je-aata0 Jaada daa Tapa0 Je-c|ata
Saada-a-:aada-a0a (a0 Ja-|da, a: Jmam,
ude0c Jaa:|, a: uqa:, a0 0a}
a: Je0e0 Jmam Taqad| T
Saada-ac t|||0 mamaaat|
Jemaa-temaac uaq0ataa 2tt8
Je-|ma 0a:| aata0 Semaaaqa,
Je-|ma 0a:| Je|a eaad| Ja:p|-a:|
Je-|ada a|am J|dapc.
6
KATA PENGANTAR
Assalamualaikum Wr. Wb.
Segala puji bagi Allah SWT karena atas rahmat, taufiq dan hidayah-Nya,
penulis dapat menyelesaikan penulisan skripsi sebagai salah satu syarat untuk
memperoleh gelar Sarjana Sains dalam bidang Matematika di Fakultas Sains dan
Teknologi Universitas Islam Negeri (UIN) Malang.
Penulis menyadari bahwa banyak pihak yang telah berpartisipasi dan
membantu dalam menyelesaikan penulisan skripsi ini. Untuk itu, iringan doa dan
ucapan terima kasih yang sebesar-besarnya penulis sampaikan, terutama kepada:
1. Prof. Dr. H. Imam Suprayogo selaku Rektor Universitas Islam Negeri (UIN)
Malang.
2. Prof. Drs. Sutiman Bambang Sumitro, SU., D.Sc selaku Dekan Fakultas Sains
dan Teknologi UIN Malang.
3. Ibu Sri Harini, M.Si selaku Ketua Jurusan Matematika Fakultas Sains dan
Teknologi UIN Malang.
4. Ibu Sri Harini, M.Si dan Bapak Ach. Nashihuddin, M. A yang telah bersedia
meluangkan waktunya untuk memberikan bimbingan dan pengarahan selama
penulisan skripsi.
5. Segenap dosen pengajar atas ilmu yang telah diberikan kepada penulis.
6. Bapak dan Ibu tercinta, Mbak Farida, Mas Agus, Mas Imam, Mbak Eka dan
Adek Fauzi tersayang yang senantiasa memberikan doa dan dukungan moril
serta materil kepada penulis.
7
7. Mas Kokok Imam Wahyudi W., yang telah sabar menemani, memberikan
dukungan dan semangat sehingga penulis dapat menyelesaikan skripsi ini
dengan lancar.
8. Lilik Rohmawati yang telah memberikan semangat dan dorangan kepada
penulis untuk menyelesaikan skripsi ini.
9. Teman-teman Matematika, terutama angkatan 2003 beserta semua pihak yang
telah membantu penyelesaian skripsi ini.
Dalam penyusunan skripsi ini tentunya masih terdapat banyak kesalahan dan
kekurangan, sehingga penulis mengharapkan kritik dan saran demi perbaikan
skripsi ini. Akhirnya, semoga skripsi ini dapat bermanfaat bagi kita semua. Amin.
Wassalamualaikum Wr. Wb.
Malang, 09 Desember 2007
Penulis
8
DAFTAR ISI
Halaman
LEMBAR PERSEMBAHAN ........................................................................ i
KATA PENGANTAR.................................................................................... ii
DAFTAR ISI .................................................................................................. iv
DAFTAR LAMBANG................................................................................... v
ABSTRAK...................................................................................................... ix
BAB I PENDAHULUAN
1.1 Latar Belakang ............................................................................... 1
1.2 Rumusan Masalah .......................................................................... 4
1.3 Batasan Masalah............................................................................. 4
1.4 Tujuan Penulisan............................................................................ 4
1.5 Manfaat Penulisan.......................................................................... 4
1.6 Metode Penelitian........................................................................... 5
1.7 Sistematika Penulisan..................................................................... 6
BAB II KAJIAN TEORI
2.1 Penelitian Pendahuluan................................................................... 7
2.2 Distribusi Normal ........................................................................... 7
2.3 Distribusi Gamma........................................................................... 11
2.4 Konvergen dan Hukum Bilangan Besar .......................................... 15
2.5 Sifat-Sifat Penduga (Estimator) Parameter Populasi........................ 29
2.6 Pendugaan UMVUE....................................................................... 33
2.7 Fungsi Likelihood Parametrik dan Empiris ..................................... 36
2.8 Kajian Agama................................................................................. 41
BAB III PEMBAHASAN
3.1 Penentuan Model Distribusi Semi-Parametrik
dengan Menggunakan Metode Ratio Likelihood Semi-Empiris
(MRLSE)....................................................................................... 46
3.2 Penentuan Statistik Uji Distribusi Semi-Parametrik
dengan Menggunakan Metode Ratio Likelihood Semi-Empiris
(MRLSE)........................................................................................ 50
3.3 Keterkaitan antara Hasil Penelitian dengan Kajian Agama.............. 63
BAB IV PENUTUP
4.1 Kesimpulan .................................................................................... 66
4.2 Saran.............................................................................................. 68
DAFTAR PUSTAKA..................................................................................... 69
9
DAFTAR LAMBANG
Lambang Matematika
Simbol/Singkatan Nama/Keterangan
< Lebih Kecil Daripada
> Lebih Besar Daripada
~ Tersebar
e Anggota Dari (termasuk dalam)

Tak Berhingga
H Untuk Perkalian

Untuk Penjumlahan
s
Lebih Kecil atau Sama Dengan
>
Lebih Besar atau Sama Dengan
Untuk Setiap
Abjad Yunani
Simbol/Singkatan Nama/Keterangan

Mu
( ) * I Fungsi Gamma
u O Theta
Lambda
u

Penduga dari Parameter u


10
Xi
o Sigma (Simpangan Baku)
2
o
Sigma Kuadrat (Ragam)
_
Chi
I Distribusi Gamma
G Gamma
t Pi
2
_ Chi Kuadrat
E c e Epsilon
N Normal
Z Normal Baku
O Omicron
+ Psi
| u Phi
o Alpha
| Beta
q
Eta
11
Lambang Khusus
Simbol/Singkatan Nama/Keterangan
Y X
n
X X , ,
1
Peubah Acak
( ) x f
X
Fungsi Kepekatan
e E Expectation
N Normal Baku
Z
p.a Normal Baku
( ) ( ) x F x F
Z X
=

o

Fungsi Distribusi Normal
A Himpunan A
p.a Peubah Acak
pdf Peubah Distributif
( )
n X
x x f , ,
1
Fungsi Padat Peluang
fpm = f.p.m fungsi kepadatan Momen
X
Mean Sampel
n
k k , ,
1
Konstanta
( ) A X G , , | o Distribusi Gamma
fkp Fungsi Kepadatan Peluang
( ) w F Fungsi Sebaran W
( ) w f Fungsi Kepekatan Acak W
{ }
n
X Barisan Peubah Acak
O u Parameter
12

s a.
Konvergen Hampir Pasti (Converges almost surely)

r
Konvergen ke r-mean
Menuju

qm
Konvergen ke Mean Kuadratik (quadratic mean)

p
Konvrgen ke Peluang

d
Konvergen ke Distribusi
K Bilangan positif
( ) K n Bilangan positif
)
`

=
=
j m
i n
y y y y y
x x x x x
, , , ,
, , , ,
3 2 1
3 2 1

Nilai-Nilai Pengukuran Dari Dua Sampel Random


yang Saling Bebas
n
x x x x , , , ,
3 2 1
Berdistribusi Identik dari ( ) x F yang tidak diketahui
(Distribusi Nonparametrik)
m
y y y y , , , ,
3 2 1
Berdistribusi Identik dari ( ) y G
u
yang diketahui
(Distribusi Parametrik)
Asumsikan ( )
j
m
j
y g
u
1 =
[
pdf (Peubah Distribusi) dari ( ) y G
u
LSE
Fungsi Likelihood Semi-Empiris
( )
i
n
i
p F L
1 =
[ =
Fungsi Likelihood Empiris dari Distribusi
13
ABSTRAK
Fatimatuzzahroh. 2007. Penentuan Model dan Statistik Uji Distribusi Semi-
Parametrik Dengan Metode Rasio Likelihood Semi-Empiris (MRLSE).
Pembimbing: (I) Sri Harini, M.Si; (II) Ach. Nashihuddin, M.A
Kata Kunci: Model Semi-Parametrik, Rasio Likelihood Semi-Parametrik.
Inferensia dalam persoalan model semi-parametrik merupakan salah satu
bentuk inferensi statistik yang berguna untuk mengatasi beberapa persoalan
inferensi yang terkait dengan kombinasi dari beberapa distribusi, dimana bentuk
distribusi yang satu merupakan distribusi parametrik, sedang yang lain merupakan
distribusi nonparametrik. Untuk melakukan inferensi, misal penentuan model dan
statistik uji distribusi semi-parametrik, yang dapat digunakan metode rasio
likelihood semi-empiris (MRLSE), yakni suatu metode yang dibangun atas dasar
kombinasi dari fungsi likelihood distribusi parametrik dan fungsi likelihood
distribusi non parametrik. Tujuan penelitian ini adalah mendapatkan model dan
statistik uji dari distribusi semi-parametrik, yakni dengan memaksimumkan fungsi
rasio likelihood semi-parametrik:
( )
( )
( )
n i
y g
y g p n
R
j
m
j
j
m
j
n
i
i
p
i
, , 2 , 1 , sup ,
1

1 1
,
= = A
[
[ [
=
= =
u
u
u
u
Dengan kendala:
( ) 0 , , , 1 , 0
1 1
= A + = >

= =
n
i
i i
n
i
i i
x p p p u , dimana ( )
| |
( ) A + = A +
< 0
0
, , x G I x
x x i
i
u
u
dan ( ) ( )
0 0
x G x F
u
= A . Dari penelitian diperoleh bahwa model dan statistik uji
distribusi semi-parametrik dengan metode rasio likelihood semi-empiris
(MRLSE) konvergen ke distribusi Chi-kuadrat dengan derajat bebas sama dengan
satu.
14
BAB I
PENDAHULUAN
1.1 Latar Belakang
Allah SWT berfirman dalam QS Al-Mujaadilah, 58:11 yang berbunyi:
Artinya: . . . Allah akan meninggikan orang-orang yang beriman di antaramu
dan orang-orang yang diberi ilmu pengetahuan beberapa derajat . . .
(QS. Al-Mujaadilah (58):11)
Ilmu merupakan sarana mempertebal keimanan kepada Sang Pencipta
sehingga kita dapat merasakan karunia atau nikmat dalam mempelajarinya.
Karena ilmu disini sebagai sarana, Allah SWT telah menciptakan ilmu dimuka
bumi ini dalam berbagai bentuk, termasuk didalamnya adalah matematika.
Matematika tidak lain adalah ciptaan Allah SWT yang ditemukan oleh
manusia. Tidak ada yang sia-sia (bathil) pada ciptaan Allah SWT, termasuk
matematika. Matematika diciptakan untuk memenuhi kebutuhan manusia dalam
menjalani kehidupan dunia, mengenal kekuatan Allah SWT, dan mencapai ridho
Allah SWT (mardhatillah). Oleh sebab itu, sudah saatnya matematika
dikembalikan kepada fitrah penciptaannya, yaitu mencapai ridha Allah SWT.
(Abdusysyakir, 2007: v-vi)
15
Bentuk lain dari matematika adalah statistika, yang merupakan bentuk lain
juga dari ilmu yang diturunkan oleh Allah SWT kepada manusia. Di sinilah
manusia diharapkan mampu menggunakannya dengan baik dan sesuai dengan
kebutuhan, agar dapat menemukan kebesaran Allah SWT di dalamnya.
Dalam kehidupan sehari-hari salah satu persoalan yang sering timbul
adalah membandingkan dua perlakuan yang berbeda, atau satu perlakuan dengan
perlakuan yang lain sebagai kontrol. Jika pengamatan hanya memuat dua kategori
sukses dan gagal, maka persoalan tersebut berkaitan dengan persoalan distribusi
binomial. Dalam beberapa kasus, walaupun salah satu distribusi yang
mendasarinya tidak diketahui, sedang distribusi yang lainnya diketahui, maka
masih dimungkinkan untuk membandingkan dua perlakuan tersebut.
Dalam melakukan inferensi terhadap dua perlakuan tersebut, jika
diasumsikan bahwa distribusi ( ) x F tidak diketahui, sedang distribusi ( ) y G
u
diketahui, maka salah satu inferensi yang menarik untuk dikaji adalah uji hipotesis
dua distribusi tersebut, karena kedua distribusi tersebut berlainan, dalam arti yang
satu diketahui dan yang lain tidak diketahui, inferensi tidak mungkin dilakukan
dengan inferensi parametrik maupun nonparametrik, melainkan dengan inferensi
yang lain, yakni inferensi model semi-parametrik. Dalam inferensi statistik dua
persoalan yang penting adalah pendugaan parameter dan uji hipotesis. Kedua
inferensi ini satu terhadap yang lain adalah saling terkait dan merupakan satu
bagian yang tidak dapat dipisahkan. Dalam teori pendugaan, dikatakan bahwa u

merupakan pendugaan (estimator) dari u . Untuk mendapatkan penduga tersebut


banyak metode yang digunakan, salah satu di antaranya adalah metode maximum
16
likelihood. Metode ini pertama kali dipergunakan untuk persoalan pendugaan
pada distribusi parametrik, dan metode ini merupakan suatu metode yang berguna
untuk mendapatkan penduga Uniformly Minimum Variance Unbiased Estimator
(UMVUE). (Qin, 1997)
Dalam penerapannya, khususnya dalam uji hipotesis berbentuk komposit
metode maximum likelihood atau tepatnya metode uji rasio likelihood (MRL) ini
dapat digunakan untuk mendapatkan suatu kriteria daerah kritis dari suatu uji.
Dalam pengembangan lebih lanjut, metode likelihood ini juga dapat diterapkan
pada persoalan-persoalan nonparametrik, salah satu di antaranya adalah metode
rasio likelihood empiris. Metode ini merupakan metode non parametrik dimana
fungsi distribusinya tergantung pada hasil observasi. Seperti halnya pada
persoalan pengujian hipotesis untuk distribusi parametrik diatas, dalam persoalan
untuk distribusi non parametrik metode MRL ini dapat dipandang sebagai metode
rasio likelihood empiris (MRLE).
Dari uraian mengenai metode MRL dan MRLE di atas, maka metode
tersebut dapat dikembangkan pada persoalan semi-parametrik, yaitu suatu metode
kombinasi dari dua distribusi dimana distribusi yang satu merupakan distribusi
parametrik sedang distribusi yang lain adalah nonparametrik. (Sediono, 2001:5)
Berdasarkan uraian di atas, maka untuk mendapatkan model dan statistik
uji distribusi semi-parametrik adalah dengan menurunkan metode rasio likelihood
semi-empiris (MRLSE).
17
1.2 Rumusan masalah
1. Bagaimanakah cara mendapatkan model distribusi semi-parametrik
dengan menggunakan metode rasio likelihood semi-empiris (MRLSE).
2. Bagaimanakah cara mendapatkan statistik uji distribusi semi-paramerik
dengan menggunakan metode rasio likelihood semi-empiris (MRLSE).
1.3 Batasan Masalah
Perluasan masalah dalam pembahasan ini perlu dihindari dengan
pemberian batasan. Pada pembahasan ini akan dibatasi pada analisis distribusi
parametrik dan distribusi nonparametrik (distribusi semi-parametrik) dengan
mengunakan metode rasio likelihood semi-empiris (MRLSE).
1.4 Tujuan Penulisan
1. Menjelaskan cara mendapatkan model distribusi semi-parametrik dengan
menggunakan metode rasio likelihood semi-empiris (MRLSE).
2. Menjelaskan cara mendapatkan statistik uji distribusi semi-paramerik
dengan menggunakan metode rasio likelihood semi-empiris (MRLSE).
1.5 Manfaat Penulisan
Dengan mempelajari distribusi semi-parametrik dengan menggunakan
metode rasio likelihood semi-empiris (MRLSE), kita dapat mengetahui model dan
statistik uji dari distribusi semi-parametrik tersebut.
18
1.6 Metode Penelitian
Pada penelitian ini, pendekatan penelitian yang digunakan adalah
menggunakan penelitian kepustakaan (library research). Studi kepustakaan
merupakan penampilan argumentasi penalaran keilmuan yang memaparkan hasil
kajian literatur dan hasil olah pikir peneliti mengenai suatu permasalahan atau
topik kajian. Studi kepustakaan berisi satu topik kajian yang di dalamnya memuat
beberapa gagasan dan atau proposisi yang berkaitan dan harus didukung oleh data
yang diperoleh dari sumber kepustakaan. Sumber kajian pustaka dapat berupa
jurnal penelitian, disertasi, tesis, skripsi, laporan penelitian, atau diskusi-diskusi
ilmiah. Bahan-bahan pustaka tersebut harus dibahas secara mendalam sehingga
mendukung gagasan dan atau proposisi untuk menghasilkan kesimpulan dan
saran.
Data yang diperlukan dalam penelitian ini adalah data yang bersifat tekstual
meliputi distribusi parametrik, distribusi nonparametrik, dan pembahasan
keduanya dalam Metode Rasio Likelihood Semi-Empiris (MRLSE). Dalam
memahami data-data yang berupa teks dalam buku-buku literatur diperlukan suatu
analisis. Metode analisis yang digunakan dalam penelitian ini adalah metode
deduksi, yaitu cara berpikir yang berangkat dari hal-hal umum menuju kesimpulan
yang khusus.
19
1.7 Sistematika Penulisan
Sistematika penulisan adalah yang digunakan dalam penulisan skripsi ini
adalah:
BAB I Dalam bab ini penulis mengkaji tentang pendahululan yang terdiri
dari latar belakang masalah, rumusan masalah, batasan masalah,
tujuan penulisan, manfaat penulisan, dan sistematika pembahasan.
BAB II Penulis mengkaji tentang teori-teori yang ada kaitannya dengan hal-
hal penulis bahas diantaranya adalah: penelitian pendahuluan,
distribusi normal, distribusi gamma, konvergen dan hukum bilangan
besar, sifat-sifat penduga (estimator) parameter populasi, penentuan
UMVUE, fungsi likelihood parametrik dan empiris, dan kajian
agama.
BAB III Dalam bab ini penulis mengkaji tentang pembahasan yang terdiri
dari fungsi likelihood semi-parametrik dan penerapan metode
MRLSE.
BAB IV Penulis mengkaji tentang kesimpulan dan saran yang penulis peroleh
dalam melakukan penulisan karya ilmiah.
20
BAB II
KAJIAN TEORI
2.1 Penelitian Pendahuluan
Pada penelitian sebelumnya, metode rasio likelihood semi-empiris
(MRLSE) dinyatakan dengan nama metode Maximum Semi-Empirical Likelihood
Ratio (MSELR) digunakan oleh Sediono, 2001. Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Airlangga. Jurnal tersebut
berjudul: Konstruksi Statistik Uji Untuk Kesamaan Nilai tengah Dua Sampel
Pada Model Semi Parametrik. Dimana dalam jurnal tersebut peneliti membentuk
model hipotesis untuk kesamaan nilai tengah dua sampel pada model semi-
parametrik, membentuk fungsi likelihood dari masing-masing sampel,
membentuk fungsi rasio likelihood semi empiris dari model semi-parametrik,
menentukan penduga dari parameter-parameter model semi-parametrik, dan
kemudian mengkonstruksi statistik uji untuk kesamaan nilai tengah dua sampel
semi-parametrik.
2.2 Distribusi Normal
Definisi 2.2.1
Suatu peubah acak X dikatakan berdistribusi normal dengan nilai tengah
( ) ( ) < < dan ragam ( ) ( ) 0
2 2
> o o , jika peubah tersebut mempunyai
fungsi kepekatan
21
( ) + < < =
|
.
|

\
|

x e x f
x
X
;
2
1
2
2
1
2
o

to
Luas daerah di bawah kurva normal, yaitu:
( ) ;
2
1
2
2
1
2
}

|
.
|

\
|

=
x
x
X
dx e x f
o

to
Fungsi tersebut disebut fungsi kepekatan normal dengan 71828 , 2 ~ e dan
14159 , 3 ~ t . Jika peubah acak X tersebar secara normal dengan nilai tengah( )
dan ragam ( )
2
o . Maka untuk kepekatan X dinyatakan dengan ( )
2
, ~ o NID X
atau ( )
2
, ~ o N X . (Yitnosumarto, 1990: 160-161)
Teorema 2.2.1
Jika ( )
2
, ~ o N X , maka ( ) 1 , 0 ~ N
X
o

. Yakni, bila X suatu p.a. normal
dengan dan
2
o , maka dengan menguranginya dengan kemudian
membaginya dengan o , kita dapat mentransformasikan peubah acak ini ke p.a.
normal baku yang sering dinyatakan dengan Z.
Bukti: Dengan perhitungan langsung,
( ) ( )
( )
( )
( )
( )
}
+

|
.
|

\
|

=
+ =
+ s =
s =
|
.
|

\
|
s

=
s =
o
o

o

o t
o
o
o
o

x x
X
Z
X
dx e
x F
x X P
x X P
x
X
P x F
x Z P x F
2
2
1
2
1
22
Dengan mengganti
o

=
x
z , diperoleh ( )
}

=
x
z
Z
dz e x F
2
2
1
2
1
t
. Ini
menunjukkan bahwa ( ) 1 , 0 ~ N Z (Terbukti). (Dudewicz, 1995: 166)
Definisi 2.2.2
Peubah acak X dan Y dikatakan berdistribusi identik jika untuk setiap himpunan A,
berlaku ( ) ( ) A Y P A X P e = e .
Dari definisi 2.1.3 diatas dapat dijelaskan bahwa dua peubah acak adalah
berdistribusi identik yang tak perlu sama. (Casella dan Berger, 1990: 33)
Definisi 2.2.3
Misal ( )
n
X X , ,
1
merupakan peubah acak yang berhubungan dengan pdf
( )
n X
x x f , ,
1
. Misalkan ( )
i X
x f
i
merupakan bagian umum dari pdf dari
i
X , maka
n
X X , ,
1
merupakan peubah acak yang saling independen satu sama lainnya jika
untuk setiap ( )
n
x x , ,
1

( ) ( ) ( ) ( )
i X
n
i
n X X n X
x f x f x f x x f
i n
1
1 1
1
, ,
=
[ = = .
Jika
s i
X semua satu ukuran, maka
n
X X , ,
1
merupakan peubah acak yang
saling independen satu sama lainnya. (Casella dan Berger, 1990: 174)
23
Teorema 2.2.2
Jika ( )
2
, ~ o N X , maka fkp nya adalah
( )
)
`

+ =
2 2
2
1
exp z z z o
Bukti:
( ) ( )
( )
dx
z x
K
dx
x z x x
dx e e e E z
x
x z x z


=
)
`

+
=
= =
}
}
}


|
.
|

\
|


2
2
2 2
2
2 2 2
2
1
2
exp
2
1
2
2 2
exp
2
1
2
1
2
o
o
t o
o
o
t o
t o

Dengan
( )

+
=
2
2
2 2
2
exp
o
o z
K
Integral di ruas kiri berharga 1, sebab integralnya merupakan fkp dari peubah
yang berdistribusi ( )
2 2
, o o z N + . Oleh karena itu
( )
( )
)
`

+ =


=
2 2
2
2
2 2
2
1
exp
2
exp
z t
z
t
o
o
o

(Terbukti). (Djauhari, 1998: 201-202)


Teorema 2.2.3
Jika
n
X X X , ,
2 1
peubah-peubah acak bebas stokastik dengan
( ) n j N X
j j j
, , 2 , 1 , , ~
2
= o jika
n
k k k , ,
2 1
konstanta-konstanta, maka
24
( )
2
1
, ~ o N X k Y
n
j
j j
=
=
Dengan

=
=
n
j
j j
k
1
dan

=
=
n
j
j j
k
1
2 2 2
o o .
Bukti:
Karena
n
X X X , ,
2 1
saling bebas stokastik, maka fpm Y adalah:
( ) ( )
( ) ( )
)
`

+ =
)
`

+ [ =
(
(

= =
=
=

2 2
2 2 2
1
1
2
1
exp
2
1
exp
exp
t t
t k t k
x k t E e E t
j j j j
n
j
n
j
j j
tY
o
o

Dengan

=
=
n
j
j j
k
1
dan

=
=
n
j
j j
k
1
2 2 2
o o . Terbukti bahwa ( )
2
, ~ o N Y .
Berdasarkan teorema 2.2.3, kita peroleh akibat berikut.
Akibat. Jika
n
X X X , ,
2 1
sampel acak dari ( )
2
, ~ o N X maka nilai tengah
sampel
|
|
.
|

\
|
n
N X
2
, ~
o
. (Djauhari, 1998: 243)
2.3 Distribusi Gamma
Definisi 2.3.1
Suatu peubah acak X dikatakan berdistribusi Gamma yang dinotasikan sebagai
( ) A X G , , | o , jika untuk beberapa + < < > > A , 0 , 1 | o fungsi kepekatan
probabilitasnya adalah:
25
( )
( )
( ) s s
+ I
=
|
|
.
|

\
|

+
x A e A X x f
A X
X
,
1
1
1
| o
o
o |
.
(Dudewicz, 1995: 162)
Definisi 2.3.2
Jika suatu peubah acak X mempunyai kepadatan yang diberikan oleh
( )
( )
( )
| |
( ), , ;
, 0
1
x I e x
r
r x f
x r
X

I
=

Dimana 0 > r dan 0 > , maka X didefinisikan sebagai distribusi gamma. ( ) * I


adalah fungsi gamma.
Jika dalam persamaan diatas diambil 1 = r , maka akan diperoleh substitusi
eksponensial. (Mood, 1974: 112)
Definisi 2.3.3 (Model Distribusi Eksponensial)
Jika |
.
|

\
|

1
, 1 ~ G X maka X dikatakan berdistribusi eksponensial dengan parameter

1
. Dalam hal ini, fkp X adalah
( )

s
>
=

0 ; 0
0 ;
x
x e
x f
x

(Djauhari, 1998: 194-195)


26
Teorema 2.3.1
Jika X suatu distribusi gamma dengan parameter r dan , maka
| |

r
X = , | |
2
var

r
X = dan ( )
r
x
t
t m |
.
|

\
|

untuk < t
Bukti:
( ) | |
( )
( )
( )
( )
( ) ( )
1
1
0
1
0
'

=
|
.
|

\
|

=
I

|
.
|

\
|

=
I
=
=
}
}
r r
X
r
x t r
r r
x r x t
r
X t
X
t r t m
t
dx e x
r
t
t
dx e x e
r
e t m


Dan
( ) ( ) ( )
2
1 ' '

+ =
r r
X
t r r t m
Karena
| | ( )

r
m X = = 0 '
Dan
| | | | | | ( )
( )
( )
2
2
2
2
2 2
1
0 ' '
var


r
r r r
r
m
X X X
X
=
|
.
|

\
|

+
=
|
.
|

\
|
=
=
(Mood, 1974: 112-113)
27
Teorema 2.3.2 (Distribusi Chi-Kuadrat)
Misalkan r suatu bilangan asli. Jika
|
.
|

\
|
2 ,
2
~
r
G X maka X dikatakan berdistribusi
Chi-Kuadrat dengan derajat bebas r. Disingkat ( ) r X
2
~ _ . Jelas fkp X adalah
( )

s
>
|
.
|

\
|
I
=

0 ; 0
0 ;
2
2
1
2
1
1
2
2
x
x e x
r
x f
x
r
r
X
Sedangkan fpm nya,
( ) ( )
2
1
; 2 1 2 < =

t t t
r

Jadi, nilai tengah dan ragamnya,


r dan r 2
2
= = o
(Djauhari, 1998: 195)
Teorema 2.3.3
Suatu peubah acak yang menyebar secara Chi-kuadrat dapat diturunkan dari suatu
peubah acak yang menyebar secara normal baku atau normal sebagai berikut:
Apabila X menyebar secara normal dengan nilai tengah dan ragam
2
o , maka
( )
2
2
2
o

=
X
Z menyebar secara Chi-Kuadrat dengan derajat bebas 1 = v .
Untuk membuktikan dalil ini misalkan, bahwa W = Z
2
maka fungsi sebaran W
ialah:
( ) ( ) ( ) ( ) ,
2
dz z f w Z w P w Z P w F
w
w
+

} = + s s = s =
28
( )

<
> }
=

+
0 , 0
0 ,
2
1
2
2
0
2
w
w dz e
w F
z
w
t
Jika diadakan tranformasi peubah y z = sehingga
y
dy
dz
2
= maka:
( )

<
> }
=

+
0 , 0
0 ,
2
1
2
0
w
w dy e
y
w F
y
w
t
Oleh karena itu, fungsi kepekatan peubah acak W ialah:
( ) ( ) < s = =

w w w F w f
w
0 ,
2
1
2
1
2
1
'
t
Dimana fungsi kepekatan probabilitas ini merupakan fungsi kepekatan probalilitas
dari fungsi
2
1
_ (Terbukti). (Nasution dan Rambe, 1984:154-155)
2.4 Konvergen dan Hukum Bilangan Besar
Misal { } , 2 , , 1 , = n X
n
mempunyai barisan peubah acak dan X merupakan
peubah acak yang terdefinisi pada ruang parameter yang sama O. Selanjutnya
akan diberikan beberapa konsep yang berkait dengan konvergensi suatu peubah
acak { }
n
X sebagai berikut:
Definisi 2.4.1
Barisan{ }
n
X dinamakan konvergen hampir pasti ke X yang dinyatakan sebagai
X X
as
n
jika untuk setiap
{ }1 lim , 0 = = >

X X P
n
n
c .
29
Konvergensi hampir pasti dalam definisi 2.4.1 di atas kadang-kadang dinamakan
sebagai konvergen kuat atau konvergen dengan probabilitas satu. (Ferguson,
1996: 4)
Definisi 2.4.2
Barisan { }
n
X dikatakan konvergen ke X ke r nilai tengah, r > 0 yang
dinyatakan sebagai X X
r
n
jika 0
r
n
X X E untuk n
Konvegensi dalam r nilai tengah untuk r = 2 sering dinamakan konvergen
dalam nilai tengah kuadratik dan dinyatakan sebagai X X
qm
n
. (Ferguson,
1996: 4)
Definisi 2.4.3
Barisan
n
X konvergen ke X ke peluang ( ) X X
P
n
jika untuk setiap 0 > c .
| | 0 lim = >

c X X P
n
n
Konvergensi dalam probabilitas ini sering dinamakan konvergen stokastik atau
konvergen lemah. (Dudewics, 1988: 354)
Definisi 2.4.4
Barisan { }
n
X dinamakan konvergen ke distribusi ke X yang dinyatakan sebagai
X X
d
n
. Jika ( ) ( ) x F x F
X
d
X
n
untuk n untuk semua x yang mana
( ) x F
X
kontinu.
30
Konvergensi dalam distribusi ini kadang-kadang sering dinamakan konvergen
lengkap. (Ferguson, 1966: 1)
Dari definisi konvergensi diatas dapat dikemukakan bahwa hubungan
konvergensi satu terhadap yang lain (Fergusan, 1966: 4), adalah sebagai berikut:
a) Jika suatu barisan konvergen hampir pasti, maka barisan tersebut juga
konvergen dalam probabilitas ( X X X X
P
n
s a
n

.
).
b) Jika suatu barisan dalam r nilai tengah untuk r > 0 maka barisan tersebut
juga akan konvergen dalam probabilitas ( X X
r
n
untuk
> 0 r X X
P
n
).
c) Jika suatu barisan konvergen dalam probabilitas maka barisan tersebut juga
akan konvergen dalam distribusi ( X X X X
d
n
P
n
)
Definisi 2.4.5
Barisan { }
n
a dan { }
n
b dikatakan ( )
n n
b O a = jika terdapat suatu bilangan positif K
dan bilangan positif n(K) sehingga
( ) K n n K
b
a
n
n
> s ,
Dalam hal khusus ( ) 1 O a
n
= berarti bahwa K a
n
s dan untuk cukup besar
{ }
n
a adalah terbatas. (Sen dan Singer, 1993: 36)
31
Definisi 2.4.6
Barisan { }
n
a dan { }
n
b dikatakan ( )
n n
b o a = jika untuk setiap 0 > c dan bilangan
bulat positif ( ) c n sehingga
( ) c c n n
b
a
n
n
> < ,
Dalam hal khusus ( ) 1 o a
n
= berarti bahwa 0
n
a untuk n . (Sen dan
Singer, 1993: 36)
Definisi 2.4.7
Jika untuk setiap 0 > q dari peubah acak { }
n
X terdapat suatu konstanta positif
( ) < q K dan a bilangan bulat positif ( ) q n sehingga
( ) { } ( ) q q q n n K X P
n
> > s , 1
Maka dikatakan bahwa ( ) { }
n p n
X dan O X 1 = dinamakan terbatas dalam
probabilitas. (Sen dan Singer, 1993: 36)
Definisi 2.4.8
Jika untuk setiap 0 > q , 0 > c dari peubah acak { }
n
X dan barisan { }
n
b (mungkin
peubah acak) terdapat suatu bilangan bulat positif ( ) q c, n sehingga
( ) ( ) q q q n n K
b
X
P
n
n
> >
)
`

s , 1
Maka dikatakan bahwa ( )
n p n
b O X = . (Sen dan Singer, 1993: 36)
32
Definisi 2.4.9
Jika untuk setiap 0 > q , 0 > c dari peubah acak { }
n
X terdapat suatu bilangan
bulat positif ( ) q c, n sehingga
{ } ( ) q c c q , , n n X p
n
> < >
Maka dikatakan bahwa ( ) 1
p n
o X = . (Sen dan Singer, 1993: 37)
Definisi 2.4.10
Jika untuk setiap 0 > q , 0 > c dari peubah acak { }
n
X dan barisan { }
n
b (mungkin
peubah acak) terdapat suatu bilangan bulat positif ( ) q c, n sehingga
( ) q c c q , , n n
b
X
P
n
n
> <
)
`

>
Maka dikatakan bahwa ( )
n p n
b o X = dan ( ) ( )
n p n n p n
c o X c O b = = . (Sen dan
Singer, 1993: 37)
Definisi 2.4.11
Jika untuk setiap 0 > q dari peubah acak { }
n
X terdapat suatu konstanta positif
( ) < q K dan a bilangan bulat positif ( ) q n sehingga
( ) { } ( ) q q q n n K X P
n
> > s , 1
Dari bentuk diatas diperoleh
( ) { } ( ) q q q n n n N beberapa untuk K X P
N
> < > s ,
akan dikatakan bahwa ( ) 1 O X
n
= . (Sen dan Singer, 1993: 37)
33
Definisi 2.4.12
Jika untuk setiap 0 > q , 0 > c dari peubah acak { }
n
X terdapat suatu bilangan
bulat positif ( ) q c, n sehingga
( ) ( ) q q q n n K
b
a
P
n
n
> >
)
`

s , 1
Dari bentuk diatas diperoleh
( ) ( ) q q q n n n N beberapa untuk K
b
X
P
N
N
> <
)
`

> s ,
maka dikatakan bahwa ( )
n n
b O X = . (Sen dan Singer, 1993: 37)
Definisi 2.4.13
Jika untuk setiap 0 > q , 0 > c dari peubah acak { }
n
X terdapat suatu bilangan
bulat positif ( ) q c, n sehingga
{ } ( ) q c c q , , n n X p
n
> < >
Dari bentuk diatas diperoleh
{ } ( ) q c c q , , n n n N beberapa untuk X P
N
> < > >
maka dikatakan bahwa ( ) 1 O X
n
= . (Sen dan Singer, 1993: 38)
Definisi 2.4.14
Jika untuk setiap 0 > q , 0 > c dari peubah acak { }
n
X terdapat suatu bilangan
bulat positif ( ) q c, n sehingga
34
( ) q c c q , , n n
b
X
P
N
N
> <
)
`

s
Dari bentuk diatas diperoleh
( ) q c c q , , n n n N beberapa untuk
b
X
P
N
N
> <
)
`

> s
maka dikatakan bahwa ( )
n n
b O X = . (Sen dan Singer, 1993: 38)
Teorema 2.4.1
Misalkan
n
X X , ,
1
p.a. yang berdistribusi identik dan bebas dan misalkan
n n
X a X a Y + + =
1 1
. Maka f.p.m. dari Y adalah
( ) ( )
( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
[
=
+ + + +
= =
= =
= = =
n
i
i X n X X
t X a t X a t X a t X a
t X a t X a X a X a t tY
Y
t a t a t a
e E e E e e E
e E e E e E t
n
n n n n
n n n n
1
1
.
1 1
1 1 1 1
1 1 1 1



Bila juga berlaku
n
a a = =
1
, maka
( ) ( ) ( ).
1
1
n
X Y
t a t =
(Dudewicz, 1988: 313)
Definisi 2.4.15
Fungsi pembangkit-momen dari suatu p.a. X didefenisikan untuk setiap bilangan
real t sebagai ( )
iX
X
Ee t = .
[Jadi, f.p.m. ialah suatu fungsi dari suatu peubah real t. Tentunya fungsi itu hanya
didefenisikan untuk nilai t sehingga
tX
Ee ada. Ingat bahwa sebelumnya kita telah
35
bicarakan mengenai nilai harapan dari fungsi peubah acak, ( ) X Eg . Disini
( )
tX
e X g = ]. (Dudewicz, 1988: 300)
Teorema 2.4.2
Bila f.p.m. ( ) t
X
dari p.a. X ada untuk T t s (untuk suatu T > 0), maka
n
EX ada
(untuk , 3 , 2 , 1 = n ) dan ( ) t
X
dapat diuraikan dalam lingkungan 0 = t sebagai
berikut
( ) ( )
k k
k
X
t o t
k
EX
t
EX
t
EX
t + + + + + =
! ! 2 ! 1
1
2
2
,
dengan
( )
0 lim
0
=

k
k
t
t
t o
(Dudewicz, 1988: 309)
Akibat 2.4.1
Suatu p.a. c X
p
n
(suatu tetapan) jika f.d. dari F F X
n n
, dengan
( ) 0 = x F untuk c x < dan ( ) 1 = x F untuk c x > ; ini terjadi jika ( )
ct
X
e t
untuk semua t. (Dudewicz, 1988: 366)
Teorema 2.4.3 (Teorema Khinchin)
Jika ... , ,
2 1
X X p.a bebas yang berdistribusi identik dan
1
EX ada (
1
EX = a,
misalnya), maka a
n
X X
p n

+ +
1
36
Bukti:
( ) ( ) t t
n
X
n
X
n
X X
n n
+ +
+ +
=

1 1

( )
n
n
X
t
(

=
1
, menurut Teorema 2.4.1
n
X
n
t
(

|
.
|

\
|
=
1
, menurut Definisi 2.4.15
n
n
t
o
n
t EX
(

|
.
|

\
|
+ + =
! 1
1
1
, menurut Teorema 2.4.2
n
n
n
t
no at
(
(
(
(

|
.
|

\
|
+
+ =
2
1
t a
e , jika n
Buktinya selesai berdasarkan Akibat 2.4.1. Perhatikan bahwa kita tidak
menggunakan hasil yang terkenal
a
n
n
e
n
a
= |
.
|

\
|
+

1 lim ,
tetapi malahan rapatannya yang sedikit
n
n
a
n
n
n
e
n
a

= |
.
|

\
|
+

lim
1 lim .
(Dudewicz, 1988: 367)
37
Teorema 2.4.4 (Teorema Limit Pusat)
Misalkan ... , ,
2 1
X X p.a bebas yang berdistribusi identik dengan =
1
EX dan
( ) 0
2
1
> = o X Var (keduanya berhingga). Maka (untuk semua + < < z z, )
jika n ,
( ) ( )
}

<
+ +
z y
n
dy e z
n
X X
P
2
2
1
1
2
1
t o

.
Bukti:
Menggunakan Teorema Khinchin, diperoleh:
( ) ( )
( )
( ) ( )
( ) t t
n
X
n
X
n
X X
n n
o

o



+ +
+ +
=

1 1
( )
( )
n
n
X
t
(
(

=

o

1
, menurut Teorema 2.4.1
n
X
n
t
(

|
|
.
|

\
|
=

o


1
, menurut Definisi 2.4.15
( ) ( )
n
n
t
o
n
t X E
n
t X E
(

|
|
.
|

\
|
+

+ =
2
2
2
2
1 1
! 2 ! 1
1
o o

, menurut Teorema 2.4.2


n
n
t
o
n
t
(

|
|
.
|

\
|
+ + =
2
2 2
2
1
1
o
n
n
n
t
no t
(
(
(
(
(

|
|
.
|

\
|
+
+ =
2
2
2
2
1
1
o
2
2
1
t
e , jika n
38
Teorema Limit Pusat (TLP) juga disebut sebagai Teorema Lindberg-Levy.
Teorema ini dapat pula diungkapkan sebagai
( )
( ) 1 , 0 N
X n
d

o

(Dudewicz, 1988: 374-375)
Konsepsi konvergen diatas, jika dikaitkan dengan hukum bilangan besar,
maka akan diperoleh konsep lain yang sangat berguna dalam penurunan statistik
uji untuk distribusi asimtotis. Hukum bilangan besar merupakan suatu notasi yang
menyatakan bahwa nilai tengah sampel dari suatu distribusi konvergen ke suatu
nilai tengah dari suatu distribusi populasi. Apabila konvergensinya adalah
konvergen dalam probabilitas, maka hal ini dikenal sebagai hukum lemah dari
bilangan besar (Weak laws of large numbers) dan disingkat dengan WWLN.
Sedangkan bilangan konvergensinya adalah konvergen hampir pasti maka hal ini
dikenal sebagai hukum kuat dari bilangan besar (Strong Laws Of Large Numbers)
dan disingkat SLLN. (Rao, 1973: 112)
Teorema 2.4.5 Hukum Bilangan Besar
1. Hukum Lemah dari Bilangan Besar
Misal X
1
,...,X
n
peubah acak bebas dan identik sehingga
( ) ( )

=
= < = =
n
i
i n i i
X
n
X dan X dan X E
1
2
1
var o
39
Maka,
( ) 1 lim , 0 = < >

c c
n
n
X P
Yakni

P
n
X .
Bukti:
Dalam pembuktiannya bisa menggunakan Pertidaksamaan Chebychev.
{ } ( ) ( )
( )
2
2
2 2
2
2
2
lim , 0
c
o
c c

c c c
n
X Var X E
X P X P
n
n n
n
= =

s > = > >



Karena,
{ } ( )
( )

> > = <



n jika
n
X P X P
n n
n
, 1
1
1 lim
2
2
c
o
c c (Terbukti)
(Casella dan Berger, 1990: 214)
2. Hukum Lemah dari Bilangan Besar
Misal X
1
,...,X
n
peubah acak sehingga
( ) ( )

=
= < = =
n
i
i n i i
X
n
X dan X dan X E
1
2
1
var o
Maka, { }1 lim , 0 = < >

c c X X P
n
n
yakni
. as
n
X . (Casella dan Berger, 1990: 216)
40
Dengan memperhatikan konsep hukum bilangan besar, untuk
menunjukkan adanya limit distribusi dari suatu variabel random X, terdapat
konsep lain yang juga penting yakni konsep hukum iterasi logaritma. Jika
X
1
,...,X
n
suatu variabel random bebas dan identik sedemikian hingga ( ) =
1
X E
dan ( )
2
1
var o = x berhingga, ( ) ( ) n n n h log log 2
2
o = maka
( )
1 sup lim =
)
`

n h
S
n
atau dapat dinyatakan dalam bentuk lain yakni bahwa untuk setiap
( ) ( ) { } 1 1 , 0 = > n h S P
n
c c , dengan
n
S menyatakan junlahan parsial dari X
1
,...,X
n
(Rao, 1973: 129-130).
Lemma 2.4.1
1. (Teorema Kolmogorov) Jika X
1
,...,X
n
suatu peubah acak bebas dan identik
sedemikian hingga ( ) < =
2 2
n n
X E o dan |
n
b , <
|
|
.
|

\
|

1
2
2
n
n
b
o
, maka
0
. .

s a
n
n
b
S
Sebagai contoh, jika X
1
,...,X
n
suatu peubah acak bebas dan identik sedemikian
hingga ( ) ( ) < = =
2
1 1
, 0 o X V X E , maka 0
log
. .

s a n
n n
S
. (Rao, 1973:
129)
41
2. (Hukum Iterasi Logaritma) Jika X
1
,...,X
n
suatu peubah acak bebas dan identik
sedemikian hingga ( ) 0
1
= X E dan ( ) < =
2
1
o X V selanjutnya misal,
( ) ( ) ( )2
1
log log 2 n n n h o = maka
( )
. . 1 sup lim s a
n h
S
n
=
)
`

( )
. . 1 inf lim s a
n h
S
n
=
)
`

atau dapat dinyatakan dalam bentuk lain yakni bahwa untuk setiap , 0 > c
( ) ( ) ( ) , 1 1 = > terbatas tidak seringkali n h S P
n
c
( ) ( ) ( ) , 0 1 = + > terbatas tidak seringkali n h S P
n
c
Dari hukum iterasi logaritma untuk setiap k, maka ditulis
( ) 1 = > terbatas tidak seringkali n k S P
n
Sehingga, ( ) ( ) n k n h > c 1 untuk cukup besar n. Dengan
n
S menyatakan
jumlahan parsial dari X
1
,...,X
n
. (Rao, 1973: 129-130)
3. Jika X
1
,...,X
n
peubah acak bebas dan identik sehingga
( ) ( ) . 0
2
< = = o
i i
X V dan X E
Lebih lanjut, misalkan
2 2
1
2
n n
S o o + + = , jika
2
n
S ,
|
|
.
|

\
|
=
n
n
n
n
S
S
o
S
X
log log
2
dan ( )
2
1
2
log log 2
n n
S t = .
42
Maka
. . 1 sup lim s a
s t
S
n n
n
=
. . 1 inf lim s a
s t
S
n n
n
=
(Rao, 1973: 130)
Bukti:
Misal
n n
n
i j
j n
S
n
D maka X
n
D
1 1
= =

berdasarkan hukum iterasi logaritma


maka untuk setiap
( ) ( ) { } ( ) 2 , 1 1 1 1 , 0 o c c c = =
)
`

> = > K K
t
S
p atau n h S p
n
n
n
dan menurut definisi 2.3.12 S
n
dapat dinyatakan sebagai
n untuk (Terbukti).
2.5 Sifat-sifat Penduga (Estimator) Parameter Populasi
Untuk mendapatkan statistik uji dalam inferensi tentunya tidak terlepasnya
adanya sifat-sifat penduga terhadap parameter dari suatu populasi. Adapun sifat-
sifat penduga terhadap suatu parameter dari suatu populasi. Adapun sifat-sifat
penduga dalam inferensi tersebut (Nasution dan Rambe, 1984: 203-205), antara
lain:
( ) ( ) ( ), log log log log
1 1
2
1
|
|
.
|

\
|
= |
.
|

\
|
= = =

n n O
n
O D atau t O
n
D sehingga t O S
n
n n n n n
43
2.5.1 Tak Bias (Unbiased)
Setiap fungsi peubah acak yang diamati merupakan penduga tanpa bias
dari parameter u , kalau nilai harapannya sama dengan parameter tersebut. Jadi,
apabila ( )
n
X X t , ,
1
atau dengan catatan vektor, ( ) ' X t , merupakan fungsi atau
statistik yang menjadi penduga tak bias dari u , haruslah
( ) ( ) u =
'
x t E
Jika ( ) ( ) u =
'
x t E tidak terpenuhi, maka ( ) ' X t dikatakan sebagai penduga yang
terbias dari u , dan besarnya bias ini, ( ) u , t B , sama dengan ( ) ( ) u
'
x t E . Jika
( ) ' X t pendugan tak bias dari u , maka ( ) ( )
2
'
u x t E sama dengan ragam ( ) ' X t .
Tetapi jika ( ) ' X t penduga berbias, maka nilai harapan ini disebut kuadrat-tengah
galat dari penduga ( ) u
'
x t disebut juga sebagai galat pendugaan.
2.5.2 Konsisten
Apabila n
.
u merupakan penduga dari parameter u yang ditentukan
berdasarkan sampel berukuran n, maka n
.
u disebut penduga yang konsisten,
apabila n
.
u konvergen dalam peluang ke u untuk atau
0 lim 0 = |
.
|

\
|
> >
.

c u u c n
n
P
Dari persamaan tersebut secara umum
)
`

.
n u suatu barisan penduga adalah
konsisten:
44
a. Lemah, jika 0
.
p
n u u dan dinyatakan dengan Op (1) untuk n .
b. Kuat, jika 0
.

.
s a
n u u dan dinyatakan dengan dengan O(1) untuk
n .
Kekonsistenan ini pada dasarnya adalah sifat sampel berukuran besar dan
berlaku untuk suatu sekuens penduga. Kekonvergenan dalam peluang dan kaidah
bilangan besar yang telah dikemukakan diatas berguna untuk menilai sifat-sifat
kekonsistenan suatu penduga tersebut.
2.5.3 Efisien
Suatu penduga n
.
u dari u yang ditentukan berdasarkan sampel acak berukuran
n dikatakan efisien, jika dua buah syarat berikut dipenuhi:
a. Untuk n nilai ( )
2
0
, 0 ~ o u u N n n |
.
|

\
|

.
b. Ragam
2
o ini lebih kecil dari ragam setiap penduga lainnya.
Akibat syarat pertama mengenai 0
0
= |
.
|

\
|
|
.
|

\
|

.
u u n n E , haruslah juga n
.
u
merupakan penduga tak bias. Syarat pertama ini berhubungan dengan limit pusat.
2.5.4 Ragam Minimum
Apabila untuk suatu parameter terdapat lebih dari satu macam penduga tak
bias, maka penduga yang dipilih sebagai penduga yang lebih baik atau yang
terbaik ialah yang memiliki ragam sekecil-kecilnya. Hal ini disebabkan karena
ragam penduga tersebut adalah ukuran penyebaran penduga di sekitar nilai tengah
45
populasi. Jika misalnya n
.
u merupakan penduga tak bias dari u maka sesuai
dengan ketidaksamaan Chebyshev
( ) 0 , 1
2
2
> > < c
c
o
c u u
u

P
Dengan demikian, bertambah kecil
2
u
o

akan bertambah besar pula batas bawah
peluang memperoleh u di dalam selang ( ) c u c u + , .
Suatu penduga tak bias yang memiliki ragam terkecil diantara semua
penduga tanpa bias lainnya, dan sifat-sifat ragam terkecil ini berlaku untuk semua
kemungkinan nilai-nilai parameter dinamakan Penduga Tak Bias dengan Ragam
Terkecil Seragam (Uniformaly Minimum Ragamce Unbiased Estimator) yang
selanjutnya disingkat sebagai UMVUE.
Dari sifat-sifat diatas, khususnya persoalan penentuan nilai UMVUE
adalah suatu hal yang sangat penting dalam inferensi. Terdapat dua cara dalam
menentukan UMVUE. Cara pertama adalah dengan menggunakan pengertian
statistik cukup lengkap yang diperkenalkan oleh R. A. Fisher, dan cara kedua
dengan mengunakan ketidaksamaan Cramer-Rao. Cara kedua ini baru diterapkan
apabila dengan cara yang pertama, yakni dengan konsep statistik cukup lengkap
UMVUE tidak ada atau tidak mudah didapatkan.
46
2.6 Penentuan UMVUE.
2.6.1 Statistik Cukup Lengkap
Definisi 2.6.1
Misalkan X
1
,...,X
n
peubah acak dari suatu populasi dengan parameter u , maka
suatu fungsi ( ) ' x t adalah statistik cukup untuk parameter u , jika fungsi peluang
(kepekatan) bersyarat ( ) ' , ,
1
x t X X
n
tidak bergantung kepada (bebas dari)
parameter u .
Dari definisi 2.6.1 diatas dapat dilihat bahwa sampel acak
n
X X , ,
1
itu sendiri
merupakan statistik cukup. Akan tetapi, dimensi sampel acak ini adalah n lebih
besar dari pada dimensi rata-rata sampel yang berupa skalar. Pengurangan dimensi
statistik cukup menjadi sekecil-kecilnya tanpa kehilangan informasi yang
diperoleh untuk penduga parameter sebaran adalah suatu hal yang sangat penting
didalam inferensi statistik. Statistik cukup yang mempunyai dimensi terkecil ini
disebut statistik cukup minimum. (Nasution dan Rambe, 1984: 205-207)
Definisi 2.6.2
Misal X peubah acak dengan fungsi kepekatan probabilitas ( ) O e u u , ; x f ,
sedangkan O adalah ruang parameter, yakni gugus semua nilai yang mungkin
diambil olehu . Sebaran peubah acak X disebut sebaran lengkap jika untuk suatu
fungsi ( ) X s dan untuk setiap nilai u dan X,
( ) | | 0 = X s E
mengakibatkan ( ) 0 = X s . (Nasution dan Rambe, 1984: 211)
47
2.6.2 Batas Bawah Cramer-Rao
Jika statistik cukup lengkap suatu distribusi tak ada atau sulit ditentukan
maka UMVUE dapat ditentukan dengan konsep pertidaksamaan Cramer-Rao.
Misal kita ingin menetukan UMVUE dari ( ) u g . Dengan menggunakan konsep
pertidaksamaan Cramer-Rao akan berlaku, apabila dalam penentuannya berdasar
pada asumsi bahwa fungsi distribusi yang jadi perhatian kita adalah memenuhi
beberapa syarat ketentuan. Adapun syarat-syarat tersebut Lehman (1983: 406)
antara lain sebagai berikut:
Misalkan
n
X X X , ,
2 1
merupakan peubah acak bebas dan identik masing-
masing dengan identitas ( ) u , x f , maka:
1) O O e dan , u merupakan suatu interval terbuka
2) Distribusi ( )
j
y dari y G
u
mempunyai support bersama sehingga
himpunan dari ( ) { } 0 > =
j
y g y A
u
bebas dari u .
3) A ye densitas ( ) y g
u
dapat didefensialkan tiga kali terhadap u dan
turunan ketiga kontinu dalam u .
4) ( ) ( ) ( ) A +
c
c
> A =
|
.
|

\
|
c
c
, , , 0 , , , 0 ln u
u
u
u
u
x x E y g E
F
kontinu dalam kitaran
0
u , ( ) A +
c
c
, ,u
u
x dan ( ) A + , ,
3
u x terbatas pada fungsi terintegral ( ) x G
dalam kitaran ini, serta ( )
|
.
|

\
|
A +
c
c
, ,u
u
x E
F
tidak bernilai nol dan integral
( )
}
dy y g
u
dapat dideferensialkan dua kali terhadap tanda integral.
48
5) ( ) ( ) ( ) u
u u
u u
I y g E y g E =
(

c
c
=
(

c
c
ln ln
6) Informasi Fisher ( ) u I dalam asumsi (5) diatas memenuhi ketentuan
( ) < < u I 0
7) ( ) ( ) y M y g <
c
c
u
u
ln untuk semua A, ( ) ( ) < < y M E dengan c
0
0 u
u u
8) ( ) ( ) 0
1

1
0
=
c
c
=

=
n
j
j p
y g In
n
dan O n
u
u
u u
Lemma 2.6.1
Jika asumsi (1) sampai dengan (8) dipenuhi maka ( ) ( ) 1

0 p
O n = u u
Bukti:
Jika ( ) 0
1
1

=
c
c

=
n
j
j
y g In
n
u
u
kita ekspensikan menurut deret Taylor disekitar
0

u u = maka diperoleh
( ) ( )( )
( ) ( )
|
|
.
|

\
|
+

=
|
|
.
|

\
|
+ + =
|
|
.
|

\
|
+
c
c
+
c
c
=

= =
n
O
B
A
atau
n
O B A
n
O y g
n
y g In
n
p
n
n
p n n
p
n
j
j
n
j
j
1

1 1
0
0 0
0
1
2
2
1
0 0
u u u u
u u
u u
u u
berdasarkan asumsi (4) dan (5) diatas, maka
( ) ( ) ( ) 1

0 0 P p
O n sehingga
n
O = |
.
|

\
|
= u u u u (Terbukti).
49
2.7 Fungsi Likelihood Parametrik dan Empiris
Dalam inferensi statistik terdapat dua persoalan penting yakni pendugaan
dan uji hipotesis, kedua inferensi tersebut masing-masing bertujuan untuk
membuat pendugaan dan pengujian suatu parameter populasi dan informasi
sampel yang diambil dari populasi tersebut. Dalam pendugaan parametrik,
penentuan penduga parameter dapat dilakukan dengan banyak metode, salah satu
diantaranya adalah metode maximum likelihood. Metode ini merupakan metode
yang sangat berguna untuk mendapatkan penduga UMVUE.
Dalam uji hipotesis, untuk mendapatkan statistik uji yang merupakan
fungsi dari sampel, dapat dilakukan dengan banyak metode. Salah satu
diantaranya adalah metode uji ratio likelihood. Metode ini sangat kaitannya
dengan fungsi likelihood maupun maximum likelihood estimator (MLE).
Selanjutnya jika
n
X X X , ,
2 1
berdistribusi bebas dan identik dari suatu populasi
dengan fungsi kepadatan probabilitas ( )
k
x f u u u , , ,
2 1
maka fungsi likelihood
dapat disyaratkan sebagai:
( ) ( ) ( )
[
=
= =
n
i
k i n k
x f x x x L x L
1
2 1 2 1 1
, , , , , , , u u u u u u
(Casella dan Berger, 1990: 289)
Definisi 2.7.1 (Maximum Likelihood Estimator)
Misal ( ) x L u fungsi likelihood untuk peubah acak
n
X X X , ,
2 1
. Jika ( ) x u

suatu
nilai parameter u yang memaksimumkan fungsi likelihood ( ) x L u , maka ( ) x u

50
merupakan maximum likelihood estimator (MLE) dari u . (Casella dan Berger,
1990: 289)
Definisi 2.7.2 (Uji Ratio Likelihood Parameter)
Statistik uji ratio likelihood untuk pengujian hipotesis
0 0
: O e u H versus
C
H
0 1
: O e u adalah:
( )
( )
( ) x L
x L
x
u
u

O
O
=
sup
sup
0
Dari definisi (2.7.2) diatas,
n
u

merupakan MLE dari Odan statistik uji rasio


likelihood atau Likelihood ratio test (LRT) tersebut merupakan statistik uji yang
mempunyai daerah penolakan berbentuk ( ) { } 1 0 , s s s c c x x .
Misalkan u

merupakan maximum likelihood estimator (MLE) dari u , u

diperoleh dengan memaksimalkan secara tak terbatas (restricted maximization)


dari ( ) x L u . Maximum likelihood estimator (MLE) dari u , disebut juga
0

u .
Asumsikan
0
O adalah ruang parameter. Maka ( ) x
0 0

u u = dimana
0
O e u yang
dimaksimumkan oleh ( ) x L u . Maka, Likelihood ratio test (LRT) adalah
( )
( )
( ) x L
x L
x
u
u

0
=
(Casella dan Berger, 1990: 347)
51
Pada umumnya dalam praktek masih sering terdapat dua kesulitan yang
dihadapi sehubungan dengan uji rasio likelihood di atas. Pertama adalah
penentuan nilai kritis c, jika distribusi dari ( ) x tidak dapat atau sukar ditentukan.
Namun demikian kesukaran ini diatasi yakni dengan cara mengambil jumlah
sampel yang berukuran besar, sehingga distribusi dari ( ) x log 2 akan
mendekati distribusi Chi-kuadrat. Kedua, adalah penentuan ( )
0
u

n
L dan ( ) u

n
L .
( ) u

n
L tercapai jika u disubtitusikan dengan penduga kemungkinan
maksimumnya. Tetapi penentuan sedang ( )
0
u

n
L dalam beberapa hal masih tetap
menjadi masalah kecuali jika
0
O hanya terdiri atas satu titik saja (hipotesis
sederhana). Perlu pula diperhatikan bahwa parameter u adakalanya berbentuk
vektor. (Nasution dan Rambe, 1984: 312)
Pada umumnya pada persoalan inferensi yang selama ini kita kenal adalah
inferensi suatu parameter populasi dengan asumsi bahwa bentuk distribusinya
diketahui misalnya normal, sehingga mudah bagi kita dalam melakukan
inferensinya, yakni dengan inferensi parametrik. Namun demikian jika bentuk
distribusi dari populasinya sulit diketahui atau bahkan tidak diketahui sama sekali,
maka kita tidak dapat melakukan inferensi dengan cara parametrik melainkan
dengan inferensi dengan yang lain yakni nonparametrik. Salah satu metode untuk
mengatasi persoalan ini antara lain dapat digunakan metode likelihood empiris.
(Owen, 1991: 1725)
52
Definisi 2.7.3 (Fungsi likelihood empiris)
Misal
n
X X X , ,
2 1
suatu sampel yang berdistribusi bebas dan identik dari
distribusi F yang tidak diketahui dan mempunyai nilai tengah , fungsi likelihood
empiris didefinisikan sebagai
( )
[
=
=
n
i
pi F L
1
dengan ( )
i
x X pi = = Pr
(Owen, 1991: 1726)
Definisi 2.7.4 (Ratio likelihood empiris)
Jika ( ) F L suatu fungsi likelihood empiris dan ( ) x F
n
suatu fungsi distribusi
empiris maka ratio likelihood empiris didefinisikan sebagai:
( )
( )
( )
[
=
= =
n
i
pi
Fn L
F L
F R
1
dengan ( )

=
=
n
i
X n
i
n
x F
1
1
o , dalam hal ini
( ) x X X
i i
I
<
= o .
Selanjutnya misalkan diasumsikan bahwa informasi parameter A , u dan
fungsi distribusi F tersedia dalam bentuk fungsi pendugaan yang bersifat tak bias
diketahui, yakni ( ) 0 , , = A + u x E
F
, dengan A menyatakan perbedaan dua distribusi
populasi atau
( ) ( ) ( )
( ) ( )
A + = A + = A
<
0
, ,
0 0 x x x
G I x dan x G x F
i
u u
u
Maka profil fungsi rasio likelihood empiris didefinisikan sebagai berikut (Owen,
1991: 1726-1728 & Namba), yaitu:
53
Definisi 2.7.5 (Fungsi Rasio likelihood empiris)
Jika ( ) F R suatu rasio likelihood empiris ( ) 0 , = + u x E
F
merupakan fungsi
pendugaan tak bias maka fungsi rasio likelihood empiris dapat didefinisikan
sebagai:
( ) ( )
)
`

= + = > =
[
= = =
n
i
i
n
i
n
i
E
x pi pi pi pi n Sup R
1 1 1
0 , , 1 , 0 u u
Berdasarkan uraian tersebut diatas, dan mengkombinasikan fungsi-fungsi
likelihood antara model parametrik dengan model nonparametrik, akan didapatkan
model semi-parametrik dapat didefinisikan sebagai berikut:
Misal
n n
y y y x x x ..., , , ; ..., , ,
2 1 2 1
sampel-sampel random yang saling bebas
dan
n
x x x ..., , ,
2 1
berdistribusi identik dari ( ) x F yang tidak diketahui dan
n
y y y ..., , ,
2 1
berdistribusi identik dari ( ) y G
u
yang diketahui, maka secara umum
fungsi likelihood semi-parametrik dapat didefinisikan sebagai berikut:
( ) ( )
[ [
= =
=
m
j
j
n
i
SE
y g pi F L
1 1
,
u
u
Dengan p
i
dalam persamaan memenuhi kendala sebagai berikut:

=
= >
n
i
pi pi
1
1 , 0
Rasio likelihood semi-parametrik dapat dinyatakan sebagai:
( )
( )
( )
[
[ [
=
= =
= A
m
j
j
m
j
j
n
i
Pi
y g
y g pi
Sup R
1
1 1
,
,
u
u
u
u

Dengan p
i
memenuhi kendala: ( ) 0 , , 1 , 0
1 1
= A + = >

= =
u
i
n
i
n
i
x pi pi pi .
54
Bentuk rasio ( ) u , A R dalam persamaan diatas digunakan untuk mengkaji
hipotesis kesamaan dua distribusi dalam model semiparametrik yakni
( ) ( )
0 0 0
:
u
G F H = Versus ( ) ( )
0 0 0
:
u
G F H =
atau 0 :
0
= A H versus 0 :
0
= A H . Dalam uji tersebut parameter u dan
0
x dari
distribusi ( )
0 0
x G diketahui. Seperti pada pembahasan sebelumnya, jika bentuk
distribusi dan rasio likelihood semi-parametrik diatas sukar atau tidak mudah
untuk didapatkan, maka dengan menggunakan pendekatan teorema-teorema pada
sampel besar, secara asymtotis bentuk distribusi dari persamaan diatas dapat
ditentukan.
Untuk mendapatkan bentuk distribusi tersebut, perlu ditentukan terlebih
dahulu persamaan fungsi likelihood semi-parametrik yang memenuhi syarat-syarat
regularitas. Persamaan fungsi likelihood semi-parametrik ini merupakan
persamaan utama yang berperan didalam penurunan statistik uji dengan bentuk
pengujian semi-parametrik.
2.8 Kajian Agama
Allah SWT berfirman dalam QS Fathir, 35: 28 yang berbunyi:
Artinya: . . .Sesungguhnya yang takut kepada Allah di antara hamba-hamba-
Nya, hanyalah ulama . . . (QS Fathir (35): 28)
55
Dalam ayat diatas dikatakan bahwa alim (orang-orang yang berilmu)
adalah orang-orang yang mempunyai akal sehat dan hati yang terhubung dengan
Allah SWT, dimana bahasa keimanan mereka akan sesuai dengan ucapan-ucapan
ilmiahnya sehingga bahasa dan tanda-tanda yang ada dimuka bumi ini dianggap
sebagai buku pengetahuan atau ilmu bagi mereka. (Pasya, 2004: 2)
Alim (orang-orang yang berilmu) disini tidak hanya orang-orang yang
mempelajari ilmu agama, tetapi mereka juga mempelajari ilmu-ilmu lainnya.
Telah dijelaskan di depan bahwa ilmu disini hanya sebagai sarana dan Allah SWT
telah menciptakan ilmu dimuka bumi ini dalam berbagai bentuk, termasuk
didalamnya adalah matematika.
Jika umat Islam mau melihat ke belakang, melihat kembali masa-masa
kejayaan Islam dalam pengembangan ilmu pengetahuan, maka akan ditemui
banyak tokoh-tokoh dari umat Islam yang telah begitu berjasa bagi dunia modern
sekarang. Banyak tokoh dari kalangan Islam yang telah memberikan sumbangan
besar dalam pengembangan ilmu pengetahuan, termasuk matematika. Salah satu
tokoh Islam yang terkenal sebagai matematikawan yaitu, Al-Khwarizmi yang
telah memberikan sumbangan yang gemilang dalam perkembangan matematika
selanjutnya. Bukankah sistem bilangan nol adalah sumbangan beliau. Kata zero
untuk mengatakan nol tidak lain berasal dari bahasa Arab, sifr kata sifr
mengalami perubahan terus menerus, yaitu cipher, zipher, zephirum, zenero,
cinero, dan banyak lagi lainnya sampai menjadi zero. Kata aljabar tidak lain
diambil dari kitab matematika Al-kitab al-mukhtashar fi hisab al-jabr wa al-
muqabalah karya Al-Khwarizmi. Kata Al-Khwarizmi mengalami perubahan
56
ke versi latin menjadi algorismi, algorism , dan akhirnya menjadi
algorithm. (Mohamed, 2001 dalam Abdusysyakir, 2007: 97, 99)
Para ilmuwan dalam Islam mengharapkan kita dalam belajar terutama
belajar matematika. Hendaknya tidak hanya memiliki kemampuan intelektual
saja, tetapi perlu didukung secara bersamaan dengan kemampuan emosional dan
spiritual.
Kemampuan berfikir jernih (intelektual) atau kemampuan berkosentrasi
sangat dipengaruhi oleh perasaan (emosional), dan emosional sangat dipengaruhi
oleh pemahaman keagamaan (spiritual). Kalau hati tenang, lapang, selapang
lautan luas, maka pikiran akan mampu bekerja maksimal. Tenagnya hati, sesuai
tuntutan Al-Quran, akan tercapai melalui aktifitas berdzikir. Dzikir dalam arti
yang sangat luas. Sebagaiman firman dalam Al-Quran surat Ar-Rad ayat 28.
Artinya: (yaitu) orang-orang yang beriman dan hati mereka manjadi tenteram
dengan mengingat Allah. Ingatlah, hanya dengan mengingati Allah-lah
(dzikrullah) hati menjadi tenteram (Ar-Rad (13): 28)
Sesuai ayat tersebut, jelas hanya dzikirlah (spiritual) yang dapat
menenangkan perasaan (emosional). Inilah yang dapat dilakukan oleh seorang
ilmuwan muslim.
57
Dalam tulisan ini, peneliti mengharapkan kita mampu mempelajari ilmu
yang telah diciptakan Allah SWT dengan baik, terutama ilmu matematika. Karena
di dunia modern ini, ternyata masih ada umat Islam yang membenci matematika
dan menyatakannya sebagai ilmu kafir. Abdusysyakir, 2007: 98-100 memuat hal
tersebut dikarenakan yaitu:
Pertama, Karena matematika dianggap sebagai ilmu pasti. Kepastian
dalam matematika memang dapat menjebak pola pikir manusia. Pola berpikir
logis dengan instrumen jika-maka kadang dapat membawa manusia pada pola
pikir yang salah dan kadang mengesampingkan keberadaan Tuhannya. Orang
yang berpikir bahwa 1 ditambah 1 hasilnya pasti 2 sebenarnya sudah terjebak
pada pola pikir yang keliru. Padahal 1 ditambah 1 tidak mesti hasilnya 2. Bisa
diperoleh banyak jawaban dari persoalan 1 ditambah 1 hasilnya berapa. Orang
yang berpikir bahwa Jika giat bekerja, maka pasti kaya sudah terjebak pada
logika yang salah. Tidak selamanya orang yang giat bekerja maka akan kaya raya.
Justru ada yang tidak giat bekerja, tetapi menjadi jutawan. Jika manusia giat
bekerja dan kemudian menjadi kaya, maka ia dapat mengatakan bahwa kayanya
karena jerih payahnya. Ia mulai tidak mengakui bahwa kayanya tidak lain karena
kehendak Tuhannya. Inilah kekafiran itu. Inilah pola berfikir yang kadang
merupakan imbas dari logika dalam matematika. Inilah pola pikir yang
mengagungkan kepastian yang dapat membawa kepada kekafiran. Perlu diingat,
bahwa di atas logika matematika yang merupakan logika insaniyah masih terdapat
logika ilahiyah.
58
Kedua, karena matematika dalam sejarahnya dikembangkan orang-orang
nonmuslim. Gaung perkembangan matematika memang lebih keras terdengar dari
dunia Barat yang mayoritas nonmuslim. Banyak umat Islam yang tidak
mengetahui bahwa Islam pernah berjaya dengan pengembangan matematika.
Ketiga, karena sebagian umat Islam tidak mengetahui bahwa Al-Quran
yang merupakan kalam Allah juga berbicara matematika. Al-Quran sebenarnya
berbicara tentang bilangan, aljabar, geometri, dan pengukuran, serta statistik.
Keempat, karena umat Islam terpengaruh oleh atau salah memahami
pendapat Imam Al-Ghazali, Imam Al-Ghazali membagi ilmu menjadi dua, yaitu
ilmu yang fardhu kifayah. Artinya, jika 1 orang saja dari umat Islam telah belajar
matematika, maka kewajiban belajar matematika menjadi gugur bagi umat Islam
lainnya. Jika kemudian semua umat Islam merasa bahwa sudah ada seorang
muslim yang mempelajari matematika, padahal sebenarnya tidak ada, lalu
siapakah yang menaggung dosanya? Apakah tidak sebaiknya mereka mempelajari
matematika meskipun fardhu kifayah? Bukankah mendapat pahala lebih baik
daripada menaggung dosa?
Dari sinilah peneliti mempunyai harapan yang besar, alangkah indahnya
jika pada saat-saat mendatang banyak ulama terutama umat Islam yang dengan
ilmu keagamaannya sudi belajar dan mengajarkan matematika dikehidupan
sehari-hari, baik kehidupan agama maupun kehidupan umum. Semua itu
dimaksudkan dengan tujuan mencapai kehidupan beragama yang di ridhoi oleh
Allah SWT. Amin.
59
BAB III
PEMBAHASAN
3.1 Penentuan Model Distribusi Semi-Parametrik dengan Menggunakan
Metode Rasio Likelihood Semi-Empiris (MRLSE)
Model dari distribusi semi-parametrik diasumsikan sebagai model yang
ditentukan melalui bentuk semi-parametrik, artinya suatu model yang didasarkan
pada bentuk dua sampel random yang saling bebas, dimana yang satu berdistribusi
parametrik dan yang kedua berdistribusi nonparametrik. Untuk menentukan model
distribusi semi-parametrik tersebut, menggunakan langkah-langkah sebagai
berikut:
1. Menentukan Nilai Maksimum dari Fungsi Likelihood Semi-Empiris
Misal
m n
y y y y x x x x , , , , ; , , , ,
3 2 1 3 2 1
merupakan nilai-nilai pengukuran
dari dua sampel random
i
x dan
j
y yang saling bebas dan
n
x x x x , , , ,
3 2 1

berdistribusi identik dari ( ) x F yang tidak diketahui dan
m
y y y y , , , ,
3 2 1
juga
berdistribusi identik dari ( ) y G
u
yang diketahui. Dari kondisi tersebut, secara
umum dapat dibentuk fungsi likelihood masing-masing sebagai berikut
i
n
i
p
1 =
[ dan
( )
j
m
j
y g
u
1 =
[ , karena diasumsikan bahwa kedua sampel tersebut saling bebas satu
terhadap yang lain, maka fungsi likelihood dari kedua distribusi tersebut dapat
dinyatakan sebagai berikut:
( ) ( )
j
m
j
n
i
SE
y g Pi F L
u
u
1 1
,
= =
[ [ = . . .(1)
60
Di dalam persamaan (1) memenuhi kendala:

=
= >
n
i
i i
p p
1
1 , 0 . . .(2)
Nilai maksimum (1) diperoleh dengan pengali Lagrange terhadap kendala (2),
yakni sebagai berikut:
( ) |
.
|

\
|
+ + =

= = =
n
i
i
n
j
j
n
i
i SE
p y g In p In H
1 1 1
1
u
. . . (3)
Jika persamaan (3) didefensialkan terhadap
i
p diperoleh:
0
1
= =
c
c

i i
SE
p p
H
memberikan
i
p
1
= . . . (4)
Atau
0
1 1
= =
c
c

= =
n
i
i
i
SE
n
i
i
p n
p
H
p memberikan n = . . . (5)
Dari persamaan (4) dan (5), diperoleh bahwa
n
p
i
1
= . . . (6)
Persamaan (6) tersebut adalah nilai maksimum untuk
i
p sebab:
0
1
2
2
< =
c
c
i
i
SE
p
p
H
untuk setiap 0 >
i
p sehingga
n
i
n
i
n p

=
= [
1
. . . (7)
Demikian juga jika persamaan (3) dideferensialkan terhadap u maka diperoleh:
( )
( )
( )
0
1 1
=
c
=
c
c
=
c
c

= =
m
j j
j
j
m
j i
SE
y g
y g
y g In
p
H
u
u
u
u
. . . (8)
Karena ( )
j
y g
u
memenuhi asumsi kondisi regularitas, maka MLE-nya merupakan
penyelesaian dari (8). Misal u

merupakan MLE sampel kedua yang mempunyai


fungsi kepekatan probabilitas ( )
j
y g
u
, maka maksimum dari ( )
j
m
j
y g
u
1 =
[ adalah
61
( )
j
m
j
y g
u

1 =
[ . Dari uraian tersebut secara umum persamaan (1) diatas mempunyai
nilai maksimum ( )
j
m
j
n
y g n
u

1 =

[ .
2. Menentukan Nilai Maksimum dari Ratio Likelihood Semi-Parametrik
Selanjutnya berdasarkan nilai maksimum di atas dan rumusan hipotesis
( ) ( )
0 0 0
: x G x F H
u
= versus ( ) ( )
0 0 1
: x G x F H
u
= atau 0 :
0
= A H versus
0 :
0
= A H , dengan ( ) ( )
0 0
x G x F
u
= A , maka akan terbentuk rasio likelihood
model semi-parametrik sebagimana pada persamaan (1) di atas, dan bentuk ratio
likelihood semi-parametrik dapat dinyatakan sebagai:
( )
( )
( )
[
[ [
=
= =
= A
m
j
j
m
j
j
n
i
i
p
y g
y g np
Sup R
i
1

1 1
,
,
u
u
u
u . . . (9)
Dengan
i
p memenuhi kendala ( ) 0 , , 1 , 0
1 1
= A + = >

= =
n
i
i i
n
i
i i
x p p p u . . . (10)
dengan ( )
| |
( ) A + = A +
< 0
0
, , x G I x
x x i
i
u
u . . . (11)
Seperti pada pembahasan sebelumnya, jika pembilang pada persamaan (9) yakni
( )
[ [
= =
m
j
j
n
i
i
p
y g np Sup
i 1 1
,
u
u
dinyatakan sebagai:
( ) ( )
)
`

+ = A

= =
m
i
j
n
i
i
p
SE
y g In p In Sup H
i 1 1
,
u
u . . . (12)
maka, nilai maksimum (9) diperoleh dengan pengali Langrange terhadap
kendala (10) maka diperoleh:
62
( ) ( ) ( ) ( )

= = = =
A +
)
`

+ + = A
n
i
i i
m
j
n
i
i j
n
i
i
x p n p y g In p In H
1 1 1 1
, , 1 ) ( , u u u q u
u
(13)
3. Menentukan Model Distribusi Semi-Parametrik dengan Menggunakan
Metode Rasio Likelihood Semi-Empiris (MRLSE)
Apabila persamaan (13) tersebut terdeferensialkan terhadap
i
p , maka
diperoleh:
( ) ( ) ( ) ( )

= = = =
A +
)
`

+ + = A
n
i
i i
m
j
n
i
i j
n
i
i
x p n p y g In p In H
1 1 1 1
, , 1 ) ( , u u u q u
u
(13)
( ) ( ) ( ) 0 , ,
1
= A + =
c
c
u u u q
i
i i
x n
p p
H
. . . (14)
atau ( )

=
= =
c
c
n
i i
i
n
p
H
p
1
0 u q . . . (15)
Dari persamaan (14) dan (15), diperoleh
( ) ( ) A +
=
, ,
1
u u
i
i
x n
p . . . (16)
Dan nilai ( ) u dari persamaan (16) didapatkan dengan cara mensubstitusikan
persamaan (16) kedalam persamaan (10), sehingga diperoleh:
( ) 0 , ,
1
= A +

=
n
i
i i
x p u atau
( )
( ) ( )
0
, , 1
, , 1
1
=
A + +
A +

=
n
i i
i
x
x
n u u
u
. . . (17)
selanjutnya dengan mensubstitusikan persamaan (17) kedalam persamaan (12)
akan diperoleh:
( ) ( ) ( ) ( ) ( )

= =
+ A + + = A
m
j
j
n
i
i SE
n In n y g In x In H
1 1
, , 1 ,
u
u u u . . . (18)
Jika persamaan (18) dideferensialkan terhadap u , maka akan diperoleh model
distribusi semi-parametrik yang akan menjadi dasar untuk penurunan statistik uji,
63
berkaitan dengan rumusan hipotesis di atas, yakni sebagai berikut:
( )
0 =
c
A c
u
u
SE
H
memberikan bentuk modelnya, yaitu:
( )
( )
( ) ( )
( )

= =
c
c
=
A + +
A
m
j
j
n
i i
i
y g In
n x
x
n
1 1
1
, , 1
, ,
0
1
u u u
u o

u
. . . (19a)
3.2 Penentuan Statistik Uji Distribusi Semi-Parametrik dengan
Menggunakan Metode Rasio Likelihood Semi-Empiris (MRLSE)
Statistik uji dari distribusi semi-parametrik diasumsikan sebagai statistik
uji yang ditentukan melalui bentuk semi-parametrik, artinya suatu statistik uji
yang didasarkan pada bentuk dua sampel random yang saling bebas, dimana yang
satu berdistribusi parametrik dan yang kedua berdistribusi nonparametrik sesuai
dengan langkah-langkah yang terdapat pada penentuan model distribusi semi-
parametrik dengan menggunakan Metode Ratio Likelihood Semi-Empiris
(MRLSE).
Setelah diperolah model distribusi semi-parametrik yang akan menjadi
dasar untuk penurunan statistik uji, yaitu
( )
( )
( ) ( )
( )

= =
c
c
=
A + +
A
m
j
j
n
i i
i
y g In
n x
x
n
1 1
1
, , 1
, ,
0
1
u u u
u o

u
. . . (19a)
Dengan
( )
( )
u
u
u o
c
A + c
= A =
, ,
, ,
i
i
x
x
64
Maka dibuat beberapa asumsi sebagaimana dalam Qin (1997) yakni bahwa
terhadap kondisi Regularitas u

memenuhi
( )
0 =
c
c
u
u L In
, dan untuk
( ) 1

0
= u u p n serta ( ) ( ) | |
0
'
0
, 0 u u u I N n
d

. . . (19b)
Untuk menurunkan statistik uji dua distribusi dalam model semi-
parametrik menggunakan langkah-langkah sebagai berikut:
1. Menentukan Kondisi Regularitas u

dengan Probabilitas Sama dengan


Satu
Dengan menggunakan asumsi diatas sebagai asumsi (1), diperoleh hasil
sebagaimana dinyatakan pada lemma berikut:
Lemma 3.2.1
Misal u

memenuhi asumsi bahwa dalam (19b) di atas maka dengan


probabilitas sama dengan satu
a)
( )
|
|
.
|

\
|
=
n
n
O
log log

0
u u
b) ( )
( )
( ) A
A +
=
+
,
,
1
u
u
u
S
seragam pada
)
`

s
3
0
1

:
n
u u u untuk n dengan
( ) ( )
( ) ( )

A + = A
A + = A +

=
+
=
n
i
i
n
i
i
x
n
S
x
n
1
2
1
1
, ,
1
,
, ,
1
,
u u
u u
. . . (20)
65
Bukti:
a). Dengan menggunakan ekspansi deret Taylor tentang
0
u , kita peroleh
( )
( )
( ) ( )
2
0 0
1

2
1

log 1
0
u u u u
u
u
u
u
+ + =
c
c
=
c
c
=

=
n n n
n
i
i
C
C B A
l
L
n
Dimana
( )

=
=
n
i
i n
l
n
A
1
0
1
u ( )

=
=
n
i
i n
l
n
B
1
0
1
u
( )

=
=
n
i
i i n
Y X H
n
C
1
,
1
Dan
1 <
Maka
n
n n
B
C A
0
0
u u
u u
+
s

66
Terlihat bahwa
( ) ( )
( )
( )
( ) ( ) ( )
( ) ( )
( ) ( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( ) ( )
( ) ( ) ( ) ( ) ( )
0
, 1 ,
,
,
,
,
,
,
,
,
,
,
,
,
log
0
0
1
0
0
0
0 0 0
0
1
0
0
0
0 0 0
0
1
0
0
0
0
0
0 0
0
0
0
=
(

c
c
(

=
(

c
c
(

=
(

c
c
(

=
(
(
(
(
(

>
(

c
c
=
} }
} } }
} } }
}
} }


x dF x G x t dF t G
x dF x G x dy
x G
y g
t dF t G
x dF x G x dy
x G
y g
t dF t G
t dF t G
x dF dy y g y x I
x G
y g
l E
x
x
i
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
Karena
n
A adalah nilai tengah dari peubah acak yang identik dengan nilai tengah
0 dan matrik kovarian ( )
0
u I . Karena hukum iterasi logaritma,
( )
|
|
.
|

\
|
=
n
n
O A
n
log log
Maka,
n
B adalah nilai tengah dari peubah acak yang identik dengan nilai tengah
( )
0
1u . Karena dalam hukum bilangan besar, ( ) ( ) 1 1
0
o B
n
+ = u konvergen
hampir pasti. Demikian juga, ( ) 1 O C
n
= yang konvergen hampir pasti pula. Dalam
kenyataannya,
n
n n
B
C A
0
0
u u
u u
+
s

dan kekonsistenan yang kuat dari u ,


mengakibatkan
( )
|
|
.
|

\
|
=
n
n
O
log log

0
u u
b). Untuk pembuktian bagian ini bisa diabaikan.
67
2. Menentukan Nilai Minimum dari Fungsi Likelihood Semi-Empiris u

Dengan asumsi (2) yang serupa dengan asumsi (1), diperoleh hasil
sebagaimana dinyatakan pada lemma berikut:
Lemma 3.2.2
Jika diasumsikan bahwa kondisi pada lemma 3.2.1 berlaku, maka n
dengan probabilitas sama dengan satu ( ) A , u
SE
H mencapai nilai maksimum pada
u
~
, dalam bola ( ) u u u u
~ ~ ~
,
1
3
0
dan
n
= < memenuhi persamaan:
( ) 0
~
,
~
1
= u u
n
dan
( ) 0
~
,
~
2
= u u
n
dengan
( )
( )
( ) ( )

=
A + +
A +
= u
n
i i
i
n
x
x
n
1
1
, , 1
, , 1 ~
,
~
u u
u
u . . . (21a)
dan
( )
( )
( )
( )
( ) ( )

= =
A + +
A

c
c
= u
n
i i
i
m
j
j
n
x
x
n
y g In
n
1 1
2
, , 1
, , 1 1 ~
,
~
u u
u o
u
u
u
u
. . . (21b)
Bukti:
Misal
)
`

< e
3
0
1
n
u u u u

dengan menggunakan lemma 3.2.1 (b) dan ekspansi
( ) ( ) | |

=
A + +
n
i
i
x In
1
, , 1 u u menurut deret Taylor, maka dengan probabilitas sama
dengan satu untuk n diperoleh:
68
( ) ( ) | | ( ) ( ) ( ) ( ) | |
( ) ( ) ( )
( )
( )
( ) ( )
( )
( )
( )
( )
( )
(
(

|
|
.
|

\
|
+
A
A +
=
(
(

|
|
.
|

\
|
+ A +
A
A +
=
|
|
.
|

\
|
+
(

)
`

A + A +
A
A +
=
|
|
.
|

\
|
+
(

|
.
|

\
|
A + A + =
|
|
.
|

\
|
+ A + A + = A + +
+
= +
= = +
= =
= = =




3
1 2
1
3
1
1
1
3
1
1 1
1
3
1
1 1
2
3
1 2
1 1 1
,
,
2
, ,
,
,
2
1
, , , , 2
,
,
2
1
, , , , 2
2
1
, ,
2
1
, , , , 1
n o
S
n
n o x
S
n o x x
S
n o x x
n o x x x In
n
i
i
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
i i
n
i
i
u
u
u
u
u
u u
u
u
u u u u
u u u u u u
Selanjutnya dengan ekspansi
( )
( ) A
A +
+
,
,
2
u
u
S
menurut deret Taylor di sekitar
0
u u =
diperoleh:
( ) ( )( )
( )
|
|
.
|

\
|
+
A
(

A +
c
c
+ A +
+
3
1
2
0
2
1
2
1
,
, ,
2
n O
S
n
u
u u u
u
u
Dengan menggunakan hukum iterasi logaritma lemma (2.4.1) dan hukum bilangan
besar diperoleh
( )
( ) ( )
( ) ( )
|
|
.
|

\
|
+
(
(
(
(
(

A +
|
.
|

\
|
A +
c
c
+
|
|
.
|

\
|
3
1
2
2
1
0 1
,
,
log log
0
2
n O
E
E
n
n
n
u
u u u
u
69
Dengan demikian untuk n cukup besar diperoleh
( ) ( ) | |
( )
( ) ( )
( ) ( )
|
|
.
|

\
|
+
(
(
(
(
(

A +
|
.
|

\
|
A +
c
c
+
|
|
.
|

\
|
= A + +

=
3
1
2
2
1
0 1
1
,
,
log log
0
2
, , 1 n O
E
E
n
n
n
x In
n
i
i
u
u u u
u
u u
karena seragam pada
)
`

=

3
1
0
: n u u u maka diperoleh:
( ) ( ) | |
( ) ( )
( ) ( )
3
1
2
1
2
0 1
1
,
,
2
1
, , 1 n
E
E
x In
n
i
i
(
(
(
(
(

A +
(

|
.
|

\
|
A +
c
c
> A + +

=
u
u u u
u
u u
Selanjutnya dengan menggunakan lemma 3.2.1 (a),
3
0
1

n
s u u dan untuk n
cukup besar, maka dengan probabilitas sama dengan satu diperoleh:
( ) ( ) | |
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
|
|
.
|

\
|
=
|
|
.
|

\
|
+
(
(
(
(
(

A +
|
|
.
|

\
|
+
|
|
.
|

\
|
=
|
|
.
|

\
|
+
(
(
(
(
(

A +
|
.
|

\
|
A +
c
c
+
|
|
.
|

\
|
= A + +

=
3
1
3
1
2
2
1
3
1
2
2
1
0 0 1
1
,
log log log log
2
,
,
log log
0
2
, , 1
n O
n O
E
n
n
o
n
n
o
n
n O
E
E
n
n
n
x In
n
i
i
u
u
u u u
u
u u
70
Oleh karena itu dengan probabilitas sama dengan satu, untuk n cukup
besar berarti bahwa:
( ) ( ) | | ( ) ( ) | |

= =
A + + < A + +
n
i
i
n
i
i
x In x In
2 1
, , 1 ,

1 u u u u untuk semua
3
0
1
n
s u u
atau dapat dikatakan bahwa ( ) ( ) A < A , , u u
SE SE
H H

. Karena u

didalam bola
)
`

s
3
0
1
:
n
u u u dan ( ) A , u
SE
H fungsi kontinu pada u , maka ( ) A , u
SE
H
mempunyai minimum pada
)
`

s
3
0
1
:
n
u u u . (Terbukti)
3. Menentukan Statistik Uji Distribusi Semi-Parametrik dengan
Menggunakan Metode Rasio Likelihood Semi-Empiris (MRLSE)
Dengan asumsi (3) yang serupa dengan asumsi (1), diperoleh hasil
sebagaimana dinyatakan pada teorema berikut:
Teorema 3.2.1
Jika kondisi pada lemma 3.2.1 berlaku, maka terhadap hipotesis
( ) ( )
0 0 0
: x G x F H = untuk n ratio likelihood semi-parametrik ( ) A ,
~
2 u R In
berdistribusi
2
1
X dengan
( ) ( ) ( ) ( ) ( ) ( ) ( ) | |

= =
A + + = A =
m
j
j j
m
i
i
y g In y g In x In R In SE R In
1

~
1
2 ,
~
,
~
1 2 ,
~
2 2
u u
u u u
71
Bukti:
Misal ( ) u
~ ~
= dan u
~
merupakan penyelesaian dari persamaan (21a) dan (21b),
dan 0
~
0
+ = u u o
n
, dengan mengekspansikan persamaan (21a) dan (21b)
dengan mengunakan deret Taylor di sekitar 0
~
= dan
0
~
u u = diperoleh:
( ) ( )
( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( ) ( )

= +
c
u c
+
c
u c
+ u = u
= +
c
u c
+
c
u c
+ u = u
0 0
~ , 0 ~ , 0
, 0
~
,
~
0 0
~ , 0 ~ , 0
, 0
~
,
~
0 2
0
0 2
0 2 2
0 1
0
0 1
0 1 1
n
n n
n n
n
n n
n
p O
p o
o

u
u u
u
u
u u
o

u
u u
u
u
u u
. . . (22a)
Selanjutnya misal diketahui bahwa 0
~
= dan
0
~
u u = berlaku
( ) ( ) ( )

= =
A + = A +
c
c
= u
c
c
n
i
i
n
i
i n
n
x
n
1
0
1
0 1
,
1
, ,
1 ~
,
~
u u
u
u
u

( ) ( ) ( )

= =
A =
c
c
= u
c
c
n
i
i
m
j
n
n
y g In
n
1
0
1
2
2
2
,
1 1 ~
,
~
0
u
u
u
u
u

( ) ( ) ( )

= =
A + = A + = u
c
c
n
i
i
n
i
i n
n
x
n
1
0
2
1
0
2
1
,
1
, ,
1 ~
,
~
u u u
u
( ) ( ) ( ) A + = A +
c
c
= u
c
c

=
,
1
, ,
1 ~
,
~
0
1
0 2
u u
u
u
u
i
n
i
i n
n
x
n

. . . (22b)
Maka jika persamaan (22b) disubstitusikan pada persamaan (22a) maka
diperoleh:
( ) ( )
( ) ( )
( ) ( )
( ) ( )
(
(
(
(

+ A
+ A +
=
(
(

(
(
(
(

A + A
A + A +



=
=
= =
= =
n
m
j
j
n
n
i
i
n
i
i
m
j
j
n
i
i
n
i
i
Op
n
Op
n
n n
n n
o u
o u

u u
u u
u u
1
1
0
0
1
0
1
0
1
0
2
1
0
,
1
,
1
0
~
~
,
1
,
1
,
1
,
1

. . (23)
72
Jika persamaan (23) disederhanakan diperoleh
( )
( )
( ) 1
0
~
~
1 0
Op A
n
n
n
+ =
(
(

u u
. . . (24)
dengan
( )
( )
(
(
(
(
(

A
A +
=
(

n
i
j
n
i
i
n
n
n
n
n
1
0
2
1
1
0
2
1
2
1
,
,
u
u
c
c
c

dan
( ) ( )
( ) ( )
(
(
(
(

A + A
A + A +
=
(



=


= =

= =
n
i
i
n
i
j
n
i
i
n
i
i
n
n
n n
a c
b a
A
1
0
1
0
2
1
1
0
2
1
0
,
1
,
,
1
,
1
u u
u u


Dengan menggunakan hukum bilangan besar, matrik A dapat dinyatakan sebagai:
( ) ( ) ( ) ( )
( ) ( ) ( )
(
(

A +
A + A +
=
(



=
,
, ,
0 0
0
2
1 0 1
u u
u u
i
E I
E E
a c
b a
A


. . . (25)
Dan ( ) ( )
(

c
c
=

=
y g In E I
m
j
u u
u
u
1
2
2
0
( ( )
0
u I dinamakan informasi fisher)
Dengan cara yang sama jika persamaan (24) disederhanakan, maka akan
diperoleh:
( )
( )
( ) 1
1
0
~
~
2 1
2 1
2
0
Op
a c
b a
c b a
n
n
n n
n n
+
(

+
+
+
=
(
(

c c
c c

u u
. . . (26)
Demikian juga berdasarkan lemma 2.6.1 diperoleh:
( ) ( ) 1
0
Op n = u u . . . (27)
73
Selanjutnya dengan menggunakan persamaan (26) dan (27), limit distribusi dari
rasio likelihood semi-parametrik dapat ditentukan, yakni dengan ekspansi deret
Taylor sampai orde kedua terhadap ( ) u u

,
~
,
~
disekitar ( )
0 0
, , 0 u u sebagai berikut:
( ) ( ) ( ) ( ) ( ) ( ) | |
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( )( ) ( ) ( )
( ) ( ) ( ) 1
~
,
~
,
~
0
~
, 2
0
~
,

, 2
~
, 2 0
~
, 2
2 ,
~
,
~
1 2 ,
~
2
2
0
1
0
2
0
1
0 0
1
0
2
1
0
2
0
1
0
0
1
0
1
0
1

~
1
Op
y g In y g In x In R In
m
j
j
m
j
j
m
i
i
m
i
i
m
j
j
m
j
j
m
i
i
m
j
j j
m
i
i
+
(

A +

A
(

A +
+
(

A +
(

A
+
(

A
(

A + =
A + + = A





=
= =
= =
= =
= =
u u u
u u u u u u
u u u u
u u u u
u u u
u u


(28)
Dengan mengganti 0
~
,

0
u u dan
0
~
u u dalam persamaan (28) seperti pada
persamaan (26) dan (27) serta menotasikan bc a K H G
n n
+ = = =
2
2 1
, , c c serta
c b a
L
+
=
2
1
, a diperoleh:
( )
( )
( )
( )
( )
|
.
|

\
|
+
=
+
+
+
= A
L
c
aH cG
o
bc a c
a c
R In
p
n n
1
1 ,
~
2
2
2
2
2 1
c c
u
74
( ) ( ) ( )
( ) ( ) ( )
{ } | |
( )
( )
( )
( )( )
( )
( )( ) ( )
( )
( ) { } ( ) 1
1
2
2
1
2 2
2 2
1
2 2
) ( 2
1 ) ( 2
) ( 2 2 2 ,
~
2
2 1
2 2 2 2 2 2 4
2 2 2 2 2
2 1
2 2 2 2 2 3
2 2 2 2 2 2 2 2
2 1
2 2 2
2 2 2 2 2 2 2
2
2
2
2 2 2 2 2 1
2 1 2 2 2
2 2 2 1
Op aH cG L c
Op
H b c bcH a H a
aH cG a H K aH cG bc K
L c
Op
H b c bcH a cGH a
G c a H K H K aH cG bc K
L c
Op
H b c
GH abc G c a abH GH a bcGH acG ac
H bc a
aH cG bc bcH acGH acGH G c K L c
Op H c bH aG cL bH aG aH cG aL
aH cG bL H c bH aG HL aH cG GL R In
+ + =
+

+ + +
+ +
=
+

+ +
+ +
=
+
(
(
(
(

+
+ + + +
+
+ + + + =
+ + + + +
+ + + + + = A

u
Jadi dari uraian tersebut dapat dinyatakan bahwa
( ) ( ) { } ( ) 1 ,
~
2
2 1
Op aH cG L c R In + + = A

u
atau
( ) { } ( ) 1
1
,
~
2
2
2 1
2
1
Op a c
bc a
c R In
n n
+ + |
.
|

\
|
+
= A

c c u . Selanjutnya akan diselidiki
distribusi dari
n n
a c Z
2 1
c c + = . Dengan menggunakan ekspektasi, diperoleh:
( ) ( ) ( ) ( )
n n n n
aE cE a c E Z E
2 1 2 1
c c c c + = + = . . . (28)
( ) ( )
|
|
.
|

\
|
A + =

=

n
i
i n
x n cE c E
1
0
2
1
1
, ,u c
karena
i
x bersifat identik maka ( ) ( ) { }

A + =
n
i
i n
x E cEn cE
1
0
2
1
1
, ,u c , karena
berlakunya sifat ketakbiasan maka ( ) 0
1
=
n
E c .
75
Dengan cara yang sama
( ) ( )
( )
( )
( )
( )
( )
( )
0
1
2
1
1
2
1
2 2
=
c
c
=
c
c
=
c
c
=
|
|
.
|

\
|
c
c
=
=
}
}

u
u
u
u
c c
u
u
u
u
u
j j
j j
j
j
n
j
j
n n
dy y g
dy y g
y g
y g
an
y g In n aE
aE a E
Karena ( ) 0
1
=
n
E c dan ( ) 0
2
=
n
E c maka ( ) 0
2 1
= +
n n
E c c . Selanjutnya
dengan cara yang sama nilai variasi dari Z juga ditentukan yakni sebagai berikut
( ) ( ) ( ) ,
2
Z E Z E Z Var = karena ( ) 0 = Z E ,
maka
( ) ( ) ( ) ( ) ( ) ( )
n n n n n n
E a a E c a c E Z E Z Var
2 1
2
2
2 2
1
2 2
2 1
2
2 c c c c c c + + = + = = ,
Karena
n 1
c dan
n 2
c saling bebas, maka ( ) 0
2 1
=
n n
E c c sehingga berdasarkan
persamaan (25) ( ) ( ) ( ) ( )
2
2
2 2
1
2 2
2 1 n n n n
a E c a c E Z Var c c c c + = + =
atau
( ) c a b c Z Var
2 2
+ = . Dengan demikian berdasarkan teorema 2.4.1 (Teorema
Limit Pusat) distribusi Z dengan ( ) 0 = Z E dan ( ) c a b c Z Var
2 2
+ = adalah
( ) c a b c N
2 2
, 0 + . Selanjutnya berdasarkan teorema 2.3.3 maka distribusi dari
76
( ) bc a c
Z
+
2
2
adalah
2
1
_ . Sehingga dengan demikian distribusi rasio likelihood semi-
parametrik ( )
2
1
~ ,
~
2 _ u A R In (Terbukti).
3.3 Keterkaitan antara Hasil Penelitian dengan Kajian Agama
Dalam penelitian kali ini, penulis menggunakan metode rasio likelihood
semi-empiris (MLRE). Dengan metode tersebut penulis menentukan model dan
statistik uji dua distribusi dalam persamaan likelihood semi-parametrik. Dari
sinilah mengetahui bahwa statistika adalah cabang dari ilmu matematika dan ilmu
matematika sendiri merupakan suatu bentuk ilmu yang diturunkan oleh Allah
SWT.
Dengan statistika, penulis menjadikannya sebagai alat untuk menghasilkan
suatu metode yang baru untuk dikaji dalam penelitian ini. Setelah terdapat
beberapa peneliti sebelumnya, dimana mereka telah menghasilkan beberapa
metode. Tidak ada salahnya jika tetap berusaha untuk menghasilkan metode baru
agar kita dapat mengembangkan ilmu pengetahuan yang ada. Maka, penulis
mengharapkan kita untuk bersikap pantang menyerah dan percaya diri saat
mengerjakan atau menyelesaikan suatu metode. Saat gagal atau tidak bisa
menyelesaikan, kita dituntut untuk mencari cara lain untuk menyelesaikaannya.
Harus percaya diri bahwa bisa. Coba terus, sampai pada akhirnya kita dapat
menyelesaikannya. Kegagalan dengan satu metode tidak boleh mengurangi
semangat untuk mencari metode yang lain. Saat keberhasilan tercapai maka rasa
puas dan bangga akan tumbuh. Sungguh dalam menghasilkan suatu metode yang
77
baru mengajarkan pentingnya sikap pantang menyerah dan percaya diri. Inilah
sikap mutiara yang sangat berguna dalam kehidupan.
Sikap pantang menyerah, pantang berputus asa dan percaya diri sangat
dianjurkan dan merupakan perintah dalam Al-Quran. Dalam hidup, jangan suka
berputus asa. Jangan apatis, tapi hiduplah dengan optimis. Putus asa itu adalah
sikap hidup orang kafir dan harus dihindari. Kita harus percaya diri dan yakin
bahwa Allah akan selalu menyertai. Sikap optimis bahwa rahmat Allah akan
selalu menyertai akan menghasilkan sikap sadar dan tawakkal. Kita perlu
merenungkan firman Allah dalam QS Al-Ankabut ayat 23
Artinya: Dan orang-orang yang kafir terhadap ayat-ayat Allah dan pertemuan
dengan Dia, mereka putus asa dari rahmat-Ku, dan mereka itu
mendapat azab yang pedih (QS Al-Ankabut (29): 23)
Dalam QS Yusuf ayat 87
Artinya: Hai anak-anakku, pergilah kamu, maka carilah berita tentang Yusuf
dan saudaranya dan jangan kamu berputus asa dari rahmat Allah.
Sesungguhnya tiada berputus asa dari rahmat Allah, melainkan kaum
yang kafir" (QS Yusuf (12): 87)
78
Dalam QS Al-Hijr ayat 56
Artinya: Ibrahim berkata: "Tidak ada orang yang berputus asa dari rahmat
Tuhan-nya, kecuali orang-orang yang sesat" (QS Al-Hijr (15): 56)
Sehingga dalam menghasilkan suatu metode yang baru akan terbentuk
pribadi yang berkualitas dan mengasah kemampuan berfikir untuk pantang
menyerah. Sikap tersebut diharapkan bisa membawa kita semua kepada fitrah
penciptaannya, yaitu mencapai ridho Allah SWT. Dalam penelitiannya penulis
berusaha untuk memenuhi tujuan tersebut, meskipun masih sangat sederhana.
79
BAB IV
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari uraian dan pembahasan di atas, dapat disimpulkan bahwa
1. Dengan menggunakan metode rasio likelihood semi-empiris (MRLSE), bentuk
model persamaan semi-parametrik diperoleh dengan menggunakan langkah-
langkah sebagai berikut:
a). Menentukan Nilai Maksimum dari Fungsi Likelihood Semi-Empiris, yaitu
diperoleh nilai ( )
j
m
j
n
SE
y g n H
u

1 =

[ = .
b). Menentukan Nilai Maksimum dari Ratio Likelihood Semi-Parametrik,
yaitu diperoleh nilai
( ) ( ) ( ) ( )

= = = =
A +
)
`

+ + = A
n
i
i i
m
j
n
i
i j
n
i
i
x p n p y g In p In H
1 1 1 1
, , 1 ) ( , u u u q u
u
c). Menentukan Model Distribusi Semi-Parametrik dengan Menggunakan
Metode Rasio Likelihood Semi-Empiris (MRLSE), yaitu diperoleh nilai
( )
( )
( ) ( )
( )

= =
c
c
=
A + +
A
m
j
j
n
i i
i
y g In
n x
x
n
1 1
1
, , 1
, ,
0
1
u u u
u o

u
.
2. Statistik uji distribusi semi-paramerik dengan menggunakan metode rasio
likelihood semi-empiris (MRLSE), diperoleh dengan menggunakan langkah-
langkah sebagai berikut:
80
a). Menentukan Kondisi Regularitas u

dengan Probabilitas Sama dengan


Satu, yaitu diperoleh nilai
1)
( )
|
|
.
|

\
|
=
n
n
O
log log

0
u u .
2) ( )
( )
( ) A
A +
=
+
,
,
1
u
u
u
S
seragam pada
)
`

s
3
0
1

:
n
u u u untuk n
dengan
( ) ( )
( ) ( )

A + = A
A + = A +

=
+
=
n
i
i
n
i
i
x
n
S
x
n
1
2
1
1
, ,
1
,
, ,
1
,
u u
u u
.
b). Menentukan Nilai Minimum dari Fungsi Likelihood Semi-Empiris u

,
yaitu diperoleh nilai ( ) A , u
SE
H minimum pada
)
`

s
3
0
1
:
n
u u u .
c). Menentukan Statistik Uji Distribusi Semi-Parametrik dengan
Menggunakan Metode Rasio Likelihood Semi-Empiris (MRLSE), yaitu
diperoleh nilai ( ) { } ( ) 1
1
,
~
2
2
2 1
2
1
Op a c
bc a
c R In
n n
+ + |
.
|

\
|
+
= A

c c u . Yang
dapat diturunkan dari persamaan fungsi likelihood semi-parametrik dengan
menggunakan asumsi bahwa ( )
( )
u
u
u o
c
A + c
= A
, ,
, ,
i
i
x
x .
81
4.2 Saran
Memperhatikan hasil pembahasan, nampaknya model inferensi semi-
parametrik ini dapat dijadikan sebagai salah satu alternatif inferensi dalam
statistik baik untuk penentuan selang kepercayaan selisih dua perameter populasi
(mean) dari masing-masing distribusi pembentuk model semi-parametrik, maupun
untuk bermacam-macam pengujian hipotesis yang lain, misal pengujian kesamaan
sebanyak k distribusi dari model semi-parametrik.
82
DAFTAR PUSTAKA
Abdusysyakir. 2007. Ketika Kyai Mengajar Matematika.Malang: UIN-Malang
Press.
Casella G & Berger, L. R. 1990. Statistical inference. California: Duxbury press.
AIWPC.
Departemen Agama Republik Indonesia. 1992. Al-Quran dan Terjemahannya
(Juz 1 Juz 30) Kitab Suci Al-Quran. Jakarta: Gema Risalah Press
Bandung.
Djauhari, M. A. 1998. DIKTAT MA 391 (TEORI PELUANG). Bandung: ITB.
Dudewics, E. D. & Mishara, S. N. 1995. Statistika Matematika Modern. Bandung:
ITB.
Ferguson, T. S. 1996. Cource in Large Sample Theory. Madras: Chapman & Hall,
Inc.
Lehmann, E. L. 1983. Theory of Point Estimation. Singapore: John Wiley & Sons,
Inc.
Mood, A.M. 1974. Introduction to Theory of Statistics. Tokyo: McGraw-Hill, Ltd.
Namba, Akio. Simulation Studies on Bootstrap Empirical Likelihood Test. Japan:
Kobe University. Hal: 1-7
Nasution, A. H & Rambe, A. 1984. Teori Statistika. Jakarta: Bhratara Karya
Aksara.
Owen, A. B. 1991. Empirical Likelihood for Linier Models. Ann Stat. Vol. 19 No.
4, 1725-1747
Owen, A. B. Statistics (Monograhs on Statistics and Applied Probability 92)
Empirical Likelihood. CHAPMAN & HALL/CRC.
Pasya, A. F. 2004. Dimensi Sains Al-Quran (Menggali Kandungan Ilmu
Pengetahuan dari Al-Quran). Solo: Tiga Serangkai.
83
Qin, J. March 1997. Semiparametric Likelihood Ratio-Based Inferences for
Truncated Data.. American Statistical Associtio,Vol.92, No. 437, 236-245
Rao, C. R. 1973. Linear Statistical Inference and Its Applications. Singapore:
John Wiley & Sons, Inc.
Sediono. 2001. Konstruksi Statistik Uji Untuk Kesamaan Nilai Tengah Dua
Sampel pada Model Semi Parametrik. Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Airlangga. Hal: 5-9
Sen, P. K. & Singer, J. M. 1996. Large Sample Methods in Statistics an
Introductions with Application. Madras: Chapman & Hall, Inc.
Yitnosumarto, S. 1990. DASAR-DASAR STATISTIKA: Dengan Penekanan
Terapan dalam Bidang Agrokompleks, Teknologi dan Sosial. Jakarta:
Rajawali.