Anda di halaman 1dari 14

BAB 2

LANDASAN TEORI

Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi
sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang
dibahas dalam tulisan ini seperti peluang,peubah acak, bayes, likelihood, dan distribusi
weibull.

2.1. Peluang

Definisi 1
Eksperimen-eksperimen yang memiliki karakteristik tersebut, selanjutnya disebut
eksperimen acak. Kemudian, himpunan semua hasil yang mungkin dari suatu eksperimen
acak disebut ruang sampel (sample space) dan diberi lambang S.
(Djauhari, 1990: 3)

Contoh 1:
Misalkan kita melakukan eksperimen, melantunkan sebuah dadu, dan setelah jatuh ke
tanah, kita amati bagian atasnya. Hasilnya yang mungkin dari eksperimen ini bisa muncul
1,2,3,4,5,ataupun 6. Jika dianggap bahwa eksperimen tersebut dapat dilakukan berulangulang pada kondisi yang sama, maka eksperimen tersebut merupakan eksperimen acak.
Ruang sampelnya S = {1,2,3,4,5,6}.

Universitas Sumatera Utara

Definisi 2
Kejadian adalah himpunan bagian dari ruang sampel.
(Walpole, 1986 : 4)
Contoh 2:
Misalkan A = {t | 0 t < 5} himpunan bagian ruang sampel S = {t | t 0}, t menyatakan
umur (dalam tahun) suatu komponen mesin tertentu dan A menyatakan kejadian bahwa
komponen akan rusak sebelum akhir tahun ke lima.

Definisi 3
Koleksi himpunan A

yang tertutup terhadap komplemen dan irisan hingga disebut

lapangan.
(Djauhari, 1990: 16)

Definisi 4
Koleksi himpunan A

yang tertutup terhadap komplemen dan irisan terbilang disebut

lapangan sigma.
(Djauhari, 1990: 16)

Definisi 5
Misalkan S ruang sampel dari suatu eksperimen acak dan A suatu lapangan sigma yang
terdiri atas himpunan bagian dari S. Peluang adalah fungsi P dari A pada [0, 1] yang
bersifat:
i. P(A) 0 untuk setiap A di A
ii. P(S) = 1
iii.

, untuk setiap

di A dimana

bila

ij.
(Djauhari, 1990: 17)

Universitas Sumatera Utara

Teorema 1
Bila suatu percobaan dapat menghasilkan N macam hasil yang berkemungkinan sama,
dan bila tepat sebanyak n dari hasil berkaitan dengan kejadian A, maka peluang kejadian
A adalah

Keterangan:
P(A)

= peluang kejadian A

n(A)

= banyaknya harapan muncul A

= banyaknya kejadian
(Walpole, 1986: 17)

2.2. Peubah Acak

Definisi 6
Diketahui S adalah ruang sampel. Fungsi X dari S ke R dinamakan peubah acak. Jelajah
(range) dari X yakni

= {x|x = X(c), c di S}dinamakan ruang peubah acak X atau ruang

dari X.
(Djauhari, 1990: 28)

2.2.1 Fungsi Kepadatan Peluang (f.k.p)

F.k.p. dari Peubah Acak Diskrit


Definisi 7
Misalkan A ruang dari peubah acak diskrit X. Jadi A terbilang. Fungsi f dari A ke dalam
R yang bersifat:
i. f(x) 0, untuk setiap x di A

Universitas Sumatera Utara

ii.

=1

dinamakan fungsi kepadatan peluang (f.k.p.) dari peubah acak diskrit X. Jika peubah acak
X diskrit dengan f.k.p f(x), maka peluang suatu A diberikan oleh:
P(X = x) = f(x)
(Djauhari, 1990: 41)

Definisi 8
Distribusi kumulatif F(x) suatu variabel random X dengan distribusi peluang f(x)
dinyatakan oleh
F(x) = P(X x) =
(Walpole, 1986: 38)

2.2.2 F.k.p. dari Peubah Acak Kontinu

Definisi 9
Misalkan A ruang peubah acak kontinu X. Fungsi f dari A ke dalam R yang memenuhi:
i. f(x) 0, untuk setiap x
ii.
dinamakan f.k.p. dari peubah acak kontinu X.
Jika peubah acak kontinu X memiliki f.k.p. f(x) = 0 maka peluang suatu peristiwa A
diberikan oleh
P(A) =
(Djauhari, 1990: 42)

Definisi 10
Distribusi kumulatif F(x) suatu variabel random kontinu X dengan fungsi padat f(x)
diberikan oleh

Universitas Sumatera Utara

F(x) = P(X x) =
(Walpole, 1986: 44)

2.3 Ekspektasi Matematik

Definisi 11
Misalkan u(x) suatu fungsi dari X. Besaran

(jika ada), dinamakan ekspektasi matematik atau nilai harapan dari u(x).
(Djauhari, 1990: 66)

2.4 Pendekatan Bayes Untuk Menentukan Estimator

Bila dalam pendekatan klasik estimator yang diperoleh hanya berdasarkan pada informasi
sampel, dalam pendekatan Bayes di samping informasi sampel juga diperlukan informasi
tentang parameter.

Definisi 12
Suatu informasi pada ruang parameter disebut informasi prior. Informasi ini dipandang
sebagai distribusi peluang pada ruang parameter yang disebut distribusi prior.
(Soejoeti, 1988: 129)

Universitas Sumatera Utara

Definisi 13
Distribusi bersyarat jika diberikan observasi sampel X disebut distribusi posterior dari
diberikan X dan dinyatakan dengan (

).
(Soejoeti, 1988)

Dalam menentukan distribusi posterior, khususnya untuk kasus kontinu kadang


diperlukan perhitungan integral yang tidak mudah, yaitu apabila fungsi matematikanya
tidak sederhana, salah satu cara mengatasi kesulitan ini adalah dengan menggunakan
distribusi prior sekawan.

Definisi 14
Misalkan F adalah klas dari distribusi peluang dengan fkp f(x ; ). Klas P dari distribusi
prior disebut distribusi keluarga sekawan untuk F jika distribusi posterior berada dalam P
untuk semua f

F, semua prior dalam P dan semua x

X.

Tiga sifat yang merupakan sifat yang disenangi bagi keluarga prior sekawan adalah :
1. Secara matematik dapat ditelusuri, yaitu cukup mudah untuk menentukan
distribusi posterior dari distribusi prior dan fungsi likelihood yang dipunyai,
menghasilkan distribusi posterior yang juga anggota sekawan yang sama,
sehingga tidak sulit menggunakan teorema Bayes berturut-turut, serta mudah
dihitung nilai harapannya.
2. Keluasannya, yaitu keluarga distribusi sekawan meliputi distribusi dengan
parameter-parameter yang berbeda, sehingga mewakili berbagai macam informasi
prior yang berbeda.
3. Mudah diinterpretasikan, yaitu keluarga distribusi sekawan dapatdengan mudah
diinterpretasikan oleh orang yang mempunyai informasi prior tersebut.
(Soejoeti, 1988: 4.7)

Universitas Sumatera Utara

Definisi 15
Misalkan

sampel random dari fungsi probabilitas f(x;).


,

Statistik

dikatakan cukup (sufien) untuk apabila untuk semua


,

dan semua hasil yang mungkin, fungsi probabilitas

jika diketahui w

tidak tergantung pada , baik dalam fungsi itu sendiri atau dalam wilayah fungsi itu.

Untuk menentukan statistik cukup biasanya tidak menggunakan definisi 15, tetapi
lebih mudah mengerjakannya dengan kriteria Fisher-Neyman.
(Soejoeti, 1990)

Teorema 2 (Kriteria Fisher-Neyman)


Misalkan

,
,

bersama

sampel random dari fungsi probabilitas f(x;). Statistik


dikatakan cukup untuk jika dan hanya jika fungsi probabilitas
terurai menjadi hasil kali fungsi probabilitas W dan suatu

fungsi lain yang hanya tergantung pada . Yakni W cukup jika dan hanya jika

(Soejoeti, 1990)

Teorema 3
Jika T adalah statistik cukup untuk dengan fungsi kepadatan peluang g(t;) maka (|x)
= (|t) =

, dengan

distribusi prior untuk

dan m(t) fungsi probabilitas

marginal untuk t.
(Berger, 1980: 93)

2.5 Konsep Dasar Distribusi Waktu Hidup

Fungsi-fungsi pada distribusi waktu hidup merupakan suatu fungsi yang menggunakan
variabel random. Waktu hidup adalah interval waktu yang diamati dari suatu individu saat
pertama kali masuk ke dalam pengamatan hingga keluar dari pengamatan. Misalnya

Universitas Sumatera Utara

interval waktu sampai rusaknya suatu barang produksi, matinya suatu makhluk hidup,
kambuhnya suatu penyakit atau sampai terjangkitnya suatu penyakit. Variabel random
non negatif waktu hidup biasanya dinotasikan dengan huruf T, dan akan membentuk
suatu distribusi.
Distribusi dari waktu hidup dapat disajikan oleh tiga fungsi berikut.

2.6 Fungsi Densitas Peluang (f.d.p.) f(t)

Fungsi densitas peluang adalah probabilitas kegagalan suatu individu pada suatu interval
yang kecil (t, t + t) persatuan waktu. Fungsi densitas peluang (f.d.p) dinyatakan dengan
f(t).

... (2.1)

Fungsi distribusi kumulatif pada waktu t untuk suatu individu adalah probabilitas bahwa
suatu individu mengalami kegagalan sebelum waktu t atau pada interval waktu [0, ].
(2.2)

2.7 Fungsi Survivor S(t)

Fungsi survivor adalah peluang suatu individu bertahan hidup lebih dari waktu t
dengan t > 0. Fungsi survivor dinyatakan dengan S(t).
(2.3)

Mengacu pada ilustrasi di depan:


S(t) = P[individu hidup lebih lama dari waktu t]

Universitas Sumatera Utara

Dalam beberapa hal, khususnya yang mencakup tahan hidup dari komponen-komponen
industri, S(t) ditentukan sebagai fungsi reliabilitas. S(t) merupakan fungsi kontinu
menurun secara kontinu dengan S(0) = 1, artinya peluang suatu individu bertahan hidup
lebih lama dari waktu nol adalah 1 dan S( ) = lim S(t) = 0, artinya peluang suatu
individu bertahan hidup pada waktu yang tak terhingga adalah 0.

2.8 Fungsi Hazard h(t)

Fungsi hazard adalah suatu fungsi yang menunjukkan tingkat kegagalan atau resiko
dalam interval (t, t + Dt) dan diketahui bahwa individu tersebut telah bertahan hidup
selama waktu t.

Fungsi hazard dinyatakan dengan:

fungsi hazard dapat pula dinyatakan oleh dua buah fungsi yaitu fungsi survivor dan fungsi
densitas peluang

(2.4)

Teorema 4
Jika T variabel random yang menyatakan waktu hidup dimana T

0, dan f(t) merupakan

f.d.p serta S(t) merupakan fungsi survivor, maka

Universitas Sumatera Utara

Bukti:
Dari (2.2) dan (2.3) maka

sehingga,

Teorema 5
Jika T variabel random yang menyatakan waktu hidup dimana T

0 dan S(t) merupakan

fungsi survivor dan h(r) menyatakan fungsi hazard maka

Bukti.
Berdasarkan teorema 4 diketahui bahwa

dan persamaan (2.4)

dengan menggunakan salah satu sifat S(t) bahwa S(0) = 1, maka

Jadi

Universitas Sumatera Utara

Akibat Teorema 5
Berdasarkan teorema 4 dan teorema 5, f(t) dapat dinyatakan dalam h(t) sebagai

Bukti:

Keterangan:
f(t)

= fungsi densitas peluang

F(t)

= fungsi distribusi kumulatif peluang

h(t)

= fungsi kegagalan (Hazard)

S(t)

= fungsi kehandalan (Survivor)

= waktu

Dari teorema 4 dan teorema 5 serta akibat dari teorema 5 di atas, dapat dilihat
bahwa ketiga fungsi pada distribusi waktu hidup yaitu f(t), S(t), dan h(t) saling
berhubungan satu dengan yang lainnya.

2.9 Sampel Lengkap

Dalam uji sampel lengkap, eksperimen akan dihentikan jika semua komponen
yang diuji telah mati atau gagal. Cara seperti ini mempunyai keuntungan yaitu dapat
dihasilkan observasi terurut dari semua komponen yang diuji.
(Lawless, 1982: 231)

Universitas Sumatera Utara

2.10 Distribusi Weibull

Definisi 16
F.k.p untuk waktu kegagalan T berdistribusi Weibull dengan parameter dinyatakan
sebagai

(Sinha, 1979: 136)

Penerapan distribusi Weibull pada analisis uji hidup antara lain dilakukan oleh Kao
(1959) dengan menerapkan distribusi Weibull dalam uji hidup tabung elektron, kemudian
Leiblain dan Zeln (1956) melakukan penelitian penerapan distribusi ini dalam bidang
rekayasa (Zanzawi, 1996:7). Selanjutnya banyak peneliti yang mengembangkannya
antara lain Thomas dan Wilson (1972).(Lawless, 1982:145), Pandey dan Malik (1989).

2.11 Prinsip Dasar Metode Maksimum Likelihood

Menurut William W. Hines dan Douglas C. Montgomery (1990: 268), sebuah metode
yang paling baik untuk memperoleh sebuah estimator yang tunggal adalah metode
maksimum likelihood. Karena secara konsep prosedur metode maksimum likelihood
sangat sederhana dan metode ini lebih umum digunakan untuk mengestimasi parameterparameter distribusi waktu hidup.

Definisi 17
Misalkan x variabel random dengan p.d.f f(x;), dimana parameter tidak diketahui.
Misalkan

menjadi nilai yang diobservasi di dalam suatu sampel random

yang besarnya n. Maka fungsi likelihood sampel tersebut adalah


L() = f( ;). f( ;). . f(

;)
(Hines, 1990: 268)

Universitas Sumatera Utara

merupakan nilai maksimum likelihood estimator atau dengan kata lain maksimum
likelihood adalah nilai yang memaksimumkan fungsi likelihood. Fungsi likelihood lebih
cocok apabila dikerjakan dengan menggunakan natural logaritma dan dinotasikan dengan
ln L().

2.12 Fungsi Gamma

Definisi 18
Fungsi gamma dengan notasi (n) didefinisikan sebagai berikut:

Ekspansikan hanya berlaku untuk n>0, dan integral adalah konvergen. Fungsi gamma
banyak membantu dalam memecahkan persoalan-persoalan integral.

Teorema 6

Bukti:

Universitas Sumatera Utara

2.13 Fungsi Beta

Definisi 19
Fungsi beta dengan notasi B(m,n) didefinisikan sebagai:

dimana m>0 dan n>0


Fungsi beta banyak membantu dalam memecahkan persoalan-persoalan integral.
Teorema 7
Hubungan fungsi gamma dengan fungsi beta.

Bukti:

Misalkan :

sin d
Untuk

Universitas Sumatera Utara