PROPOSAL PENELITIAN

PENDUGAAN FUNGSI NILAI HARAPAN DAN RAGAM DARI

FUNGSI INTENSITAS BERBENTUK EKSPONENSIAL
PADA PROSES POISSON MAJEMUK

I MADE YOGA EMMA PRASETYA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Judul Tesis
Nama

: Pendugaan Fungsi Nilai Harapan dan Ragam dari Fungsi Intensitas

Berbentuk Eksponensial Pada Proses Poisson Majemuk
: I Made Yoga Emma Prasetya

NIM
Program Studi

: G551150271
: Matematika Terapan

Disetujui oleh
Komisi Pembimbing

Prof Dr Ir I Wayan Mangku, MSc

Ketua

Dr Ir Hadi Sumarno, MS
Anggota

Diketahui oleh

Ketua Program Studi

Matematika Terapan

a.n. Dekan Sekolah Pascasarjana IPB

Sekretaris Program Megister

Dr Jaharuddin, MS

Prof Dr Ir Nahrowi, MSc

PRAKATA

Puji syukur Penulis panjatkan kehadirat Ida Sang Hyang Widhi Wasa, karena atas
berkat dan anugrah-Nya sehingga proposal rencana penelitian ini dapat diselesaikan. Bidang
penelitian yang di pilih Penulis adalah Pemodelan Matematika, dengan judul Pendugaan
Fungsi Nilai Harapan dan Ragam dari Fungsi Intensitas Berbentuk Eksponensial Pada Proses
Poisson Majemuk.
Penulis mengucapkan terimakasih kepada Bapak Prof. Dr. Ir. I Wayan Mangku,
M.Sc dan Bapak Dr. Ir. Hadi Sumarno, MS selaku pembmbing yang telah memberikan
petunjuk dan saran terkait rencana penelitian ini. Penulis juga mengucapkan terimakasih
kepada Bapak, Ibu, dan Keluarga Besar, serta teman-teman Gugusan Matematika
Pascasarjana Matematika IPB atas dukungannya.
Penulis beharap penelitian ini dapat berjalan dengan baik serta dapat memberikan
konstribusi bagi masyarkat dan pengembangan ilmu pengetahuan di bidang Matematika
Terapan.
Bogor, 24 Oktober 2016
I Made Yoga Emma Prasetya

DAFTAR ISI

PENDAHULUAN
Latar Belakang
Tujuan Penelitian

1
1
1

TINJAUAN PUSTAKA
Nilai Harapan dan Ragam
Kekonvergenan
Penduga dan Sifat-sifatnya
Proses Stokastik
Definisi dan Lema Teknis

1
1
2
3
4
5

METODE
Kerangka Pikir Penelitian

6
6

JADWAL PENELITIAN

DAFTAR PUSTAKA

PENDAHULUAN
Latar Belakang
Proses Poisson majemuk merupakan generalisasi dari proses Poisson dan bentuk
khusus dari proses stokastik. Proses Poisson majemuk dalam fenomena nyata digunakan
ketika terjadinya beberapa kejadian pada selang waktu tertentu seperti; kedatangan pelanggan
dalam sebuah rumah makan, banyaknya bayi yang lahir pada sebuah rumah sakit, banyaknya
klaim asuransi yang masuk pada sebuah instansi asuransi, banyaknya gol yang diciptakan
oleh pemain pada suatu pertandingan dan lain-lain. Kegler (2007) menggunakan proses
Poisson majemuk pada bidang demografi. Bening dan Korolev (2002) menerapkan proses
Poisson majemuk dalam bidang asuransi dan keuangan.
Proses Poisson majemuk sama seperti proses Poisson biasa memiliki bentuk homogen
dan takhomogen. Proses Poisson majemuk homogen ketika fungsi intensitasnya konstan (tak
bergantung pada waktu) sedangkan proses Poisson takhomogen ketika fungsi itensitasnya
bergantung pada waktu. Jika suatu kejadian memiliki peluang yang lebih besar terjadi pada
suatu interval tertentu dibandingkan interval lainnya, maka proses Poisson majemuk
homogen tidak sesuai digunakan. Sehingga proses Poisson majemuk takhomogen yang lebih
sesuai digunakan.
Penelitian ini akan mengkaji tentang proses Poisson majemuk dengan fungsi
intensitas berbentuk eksponensial yang merupakan salah satu bentuk khusus dari proses
Poisson majemuk yang takhomogen. Proses Poisson majemuk dengan intensitas eksponensial
ini digunakan untuk menggambarkan suatu kejadian yang berkaitan dengan proses
kependudukan pada suatu interval waktu, atau pada proses kedatangan nasabah pada suatu
bank. Pada penelitian ini yang akan di duga adalah nilai harapan dan ragam dari fungsi
intensitas berbentuk eksponensial pada proses Poisson majemuk.

Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut:
1. merumuskan penduga bagi fungsi nilai harapan dan ragam dari fungsi intensitas
berbentuk eksponensial pada proses Poisson majemuk,
2. menganalisis kekonsistenan penduga,
3. menganalisis bias, ragam, dan mean squared error (MSE) penduga.

TINJAUAN PUSTAKA
Nilai harapan dan Ragam
Definisi 1 (Nilai harapan)
1. Nilai harapan dari peubah acak diskrit X dengan himpunan dari nilai probabilitas A
dan fungsi massa peluang p(x) didefinisikan sebagai

E ( X )= xp (x)
xA

Nilai harapan dikatakan ada jika jumlahnya konvergen mutlak (Ghahramani 2005).
2. Jika X adalah peubah acak kontinu dengan fungsi kepekatan peluang f, nilai harapan
dari X didefinisikan sebagai

E ( X )= xf ( x ) dx

Nilai harapan dari X juga disebut dengan rata-rata (Ghahramani 2005).

Lema 1 (Sifat nilai harapan)
Misalkan X adalah peubah acak, jika

dan

adalah sebuah konstanta yang

berbeda, maka
E ( X + )=E ( X )+
Bukti dapat dilihat di Ghahramani (2005).
Lema 2 (Sifat nilai harapan bersyarat)
Misalkan X dan Y adalah peubah acak, dimana peubah acak X bersyarat terhadap Y,
maka
E [ X ] =E [ E [ X|Y ] ]
Bukti dapat dilihat di Ross (2010).
Definisi 2 (Ragam)
1. Misalkan X sebuah peubah acak diskrit dengan himpunan dari nilai probabilitas A,
E ( X )=
p( x)
fungsi
massa
peluang
dan
.
Ragam
X
(Var ( X ))=E [ ( X )2 ]= ( x )2 p(x )
x A

(Ghahramani 2005).
E ( X )= , dan fungsi kepekatan

2. Misalkan X sebuah peubah acak kontinu dengan

peluang

f (x) . Ragam X

( Var ( X ) )=E [ ( X ) ] = ( x )2 f ( x ) dx (Ghahramani

2005).
Lema 3 (Sifat ragam)
1. Jika X adalah peubah acak dengan ragam yang berhingga, maka untuk sebarang
2
konstanta c dan d, berlaku var ( cX + d )=c var ( X ) .

2. Misalkan X dan Y adalah peubah acak, dan misalkan pula c dan d adalah dua buah
2
2
konstanta sebarang, maka var ( cX + dY )=c var ( X )+ d var ( Y ) +2 cdcov ( X , Y ) .

3. Jika

dan

adalah

peubah

acak

saling

bebas,

maka

var ( cX + dY )=c var ( X )+ d var ( Y ) .

Bukti dapat dilihat pada Hogg et al. (2014).
Lema 4 (Sifat ragam bersyarat)
Misalkan X dan Y adalah peubah acak, dimana peubah acak X bersyarat terhadap Y,
maka
Var [ X ] =E [ Var [ X|Y ] ] +Var [ E [ X|Y ] ]
Bukti dapat dilihat di Ross (2010).

Kekonvergenan
Definisi 3 (Kekonvergenan dalam peluang)
Misalkan

X 1 , X 2 , , X n

adalah barisan dari peubah acak dikatakan konvergen

Xn P X

dalam peluang ke peubah acak X, ditulis

P(|X nX| ) 0

, jika untuk setiap

>0 , maka

untuk n . (Wasserman 2003)

Lema 5 (Sifat kekonvergenan dalam peluang)

Xn P X

Misalkan

dan

YnPY

, maka

X n +Y n P X +Y

dan

X n Y n P XY

untuk n . Bukti dapat dilihat pada Hogg et al. (2014).

Definisi 4 (Kekonvergenan hampir pasti)
Misalkan
peluang

X 1 , X 2 , , X n

adalah barisan peubah acak hampir pada suatu ruang

( , F , P) . Barisan peubah acak X dikatakan konvergen hampir pasti ke peubah

n

acak X, dinotasikan

Xn a . s X

, jika

>0 berlaku

(Ghahramani 2005).
Lema 6 (Sifat kekonvergenan hampir pasti)

lim P (|X n X|> , n m) =0

Xn a . s X

Misalkan
X n Y n a . s XY

dan

Yna.sY

maka

X n +Y n a . s X +Y

dan

untuk n . Bukti dapat dilihat pada Sokol dan Neilsen (2010).

Definisi 5 (Kekonvergenan lengkap)

Misalkan

X 1 , X 2 , , X n

Suatu barisan peubah acak

adalah peubah acak dalam ruang peluang

X 1 , X 2 ,

( , F , P) .

dikatakan konvergen lengkap ke peubah acak X, jika

untuk setiap > 0 berlaku

P (| X nX|> )<
n=1

(Grimmett and Stirzaker 1992).

Penduga dan Sifat-sifatnya

Definisi 6 (Statistik)
Statistik adalah suatu fungsi dari satu atau lebih peubah acak yang tidak tergantung
pada satu atau beberapa parameter yang nilainya tidak diketahui (Hogg et al. 2014).
Definisi 7 (Penduga)
Misalkan

X 1 , X 2 , , X n

adalah contoh acak. Suatu statistik

yang digunakan untuk menduga fungsi parameter

g() , dilambangkan dengan

g() , dikatakan sebagai penduga

X 1=x 1 , X 2=x 2 , , X n=x n

^g () . Bilamana nilai

nilai U(x1, x2,...,xn) disebut sebagai dugaan bagi

U ( X 1 , X 2 , , X n )

, maka

g() (Hogg et al. 2014).

Definisi 8 (Penduga takbias)

g() , yaitu

1. Suatu penduga yang nilai harapannya sama dengan parameter

E [ U ( X 1 , X 2 , , X n ) ]=g()
2. Jika

, disebut penduga takbias bagi

lim E [ U ( X 1 , X 2 , , X n ) ]=g()

takbias asimtotik bagi

, maka

g() .

U ( X 1 , X 2 , , X n )

g() . (Hogg et al. 2014).

Definisi 9 (Penduga konsisten)

Beberapa jenis kekonsistenan penduga, didefinisikan sebagai berikut:

disebut penduga

1. Suatu statistik
g() ,

U ( X 1 , X 2 , , X n )

yaitu

U ( X 1 , X 2 , , X n ) P g()

untuk

n ,

disebut

penduga

g() .

konsisten lemah bagi

2. Jika

yang konvergen dalam peluang ke parameter

U ( X 1 , X 2 , , X n ) a. s g()

untuk

disebut penduga konsisten kuat bagi

U ( X 1 , X 2 , , X n )

n , maka

g() . (Hogg et al. 2014).

Definisi 10 (MSE suatu penduga)

Mean Squared Error (MSE) adalah nilai harapan kuadrat dari selisih penduga W
untuk parameter

E (W ) .

yang didefinisikan oleh

Dari sini diperoleh

2
E (W )2=var ( W )++( E ( W ))2=var ( W ) +(bias ( ^ n ) ) (Hogg et al. 2014).

Proses Stokastik
Definisi 11 (Proses Stokastik)
Proses stokastik

{X ( t ) ,t T }

memetakan suatu ruang contoh

adalah suatu himpunan dari peubah acak yang

ke suatu ruang state ( X ( t ) state pada waktu t) (Ross

2010).
Definisi 12 (Proses stokastik dengan waktu kontinu)
Suatu proses stokastik

{X ( t ) ,t T }

disebut proses stokastik dengan waktu kontinu

jika T adalah suatu selang (Ross 2010).

Definisi 13 (Inkremen bebas)
Suatu proses stokastik dengan waktu kontinu
inkremen

bebas

jika

untuk

semua

X ( t 1) X ( t 0 ) , X ( t 2 ) X ( t 1) , , X ( t n ) X ( t n1 )
Definisi 14 (Inkremen stasioner)

{X ( t ) ,t T }

t 0< t 1 <t 2<t 3 << t n

disebut memiliki
,

adalah bebas (Ross 2010).

peubah

acak

Suatu proses stokastik dengan waktu kontinu

inkremen stasioner jika

X ( t+ s )X (t)

{X ( t ) ,t T }

disebut memiliki

memiliki sebaran sama untuk semua nilai t (Ross

2010).

Definisi 15 (Proses pencacahan)

{N ( t ) , t 0 }

Suatu proses stokastik

disebut proses pencacahan jika

N (t)

menyatakan banyaknya kejadian yang telah terjadi sampai waktu t. Dari definisi tersebut,
maka suatu proses pencacahan N ( t ) harus memenuhi syarat-syarat berikut:
i.

N ( t ) 0 untuk semua t .
N ( t ) adalah bilangan bulat.

ii.

Nilai

iii.

Jika s <t

iv.

Untuk

maka

s <t

N (s) N (t) , s , t .

maka

N ( t )N ( s ) , sama dengan banyaknya kejadian yang terjadi

pada selang (Ross 2010).

Definisi 16 (Proses Poisson)
{N ( t ) , t 0 }

Suatu proses pencacahan

disebut proses Poisson dengan laju

, >0 , jika dipenuhi tiga syarat berikut:

i.
ii.
iii.

N ( 0 )=0 .
Memiliki inkremen bebas.
Banyaknya kejadian pada sebarang selang waktu dengan panjang t, memiliki sebaran
(distribusi) Poisson dengan nilai harapan ( E[ N ( t ) ] sama dengan t . Jadi,
s , t 0
t

P ( N ( s+t )N ( s )=k )=

(t )
, k=0,1,
k!

Dari syarat (iii) dapat dinyatakan proses Poisson memiliki inkremen stasioner (Ross 2010).
Definisi 17 (Proses Poisson homogen)

yang merupakan

Proses Poisson homogen adalah proses Poisson dengan laju

konstanta untuk setiap waktu t (Ross 2010).
Definisi 18 (Proses Poisson takhomogen)

Proses Poisson takhomogen adalah proses Poisson dengan laju

fungsi takkonstan untuk sebarang waktu t yaitu

yang merupakan

(t ) (Ross 2010).

Definisi 19 (Itensitas lokal)

Intensitas lokal dari suatu proses Poisson takhomogen
intensitas

pada itik s R

{N ( t ) , t 0 }

di s (Cressie 1993).

(s) , yaitu nilai fungsi

adalah

dengan fungsi

Definisi 20 (Fungsi eksponensial)

Suatu fungsi

: RR

yang berbentuk

a>0 , serta

yang bernilai 2,71828..., dan

( s )=aebs

0<b < ,

untuk

a , b R

e bilangan Euler

dimana b diasumsikan

sudah diketahui (Stewart 2001).

Definisi 21 (Proses Poisson majemuk)

Misalkan suatu proses Poisson

{N ( t ) , t 0 }

dengan laju

dan

{X i , i 1 }

merupakan barisan peubah acak i.i.d yang saling bebas pada proses Poisson. Jika
N (t )

{ Z ( t ) , t 0 } proses Poisson majemuk maka dapat dinyatakan dengan Z ( t )= X i , t 0

i=1
(Kulkarni 2010).

Definisi dan Lema Teknis

Definisi 22 (Fungsi terintegralkan lokal)
Fungsi intensitas

disebut terintegralkan lokal, jika untuk sembarang himpunan

Borel terbatas B diperoleh

Definisi 23 ( O(.) )

( B ) = ( s) ds<
B

(Dudley 1989).

Simbol big-oh ini merupakan cara untuk membandingkan besarnya dua fungsi
u( x ) dan v (x ) , dengan x menuju suatu limit L. Notasi u ( x ) =O(v ( x )) , menyatakan
bahwa

| |
u( x)
v(x)

terbatas, untuk

x L (Serfling 1980).

Definisi 24 (Fungsi o ( h ) )
f : RR

Suatu fungsi

dinyatakan sebagai fungsi

o (h)

jika

lim
h0

f (h)
=0
h

(Kulkarni 2010).
Lema 7 (Pertidaksamaan Chebyshevs)
Misalkan

=E ( X )

dan

2=Var ( X )

maka

P(|X | t)

2
t 2 . Bukti dapat

dilihat pada Wasserman (2003).

Lema 8 (Lema Borel-Cantelli)
Misalkan

{ An}

adalah barisan kejadian pada ruang contoh

. Jika

P( A n)<
n=1

, maka

m=1

n=m
P ( An ) = lim P( An , n m)=0
m

Jika

{ An}

adalah barisan kejadian yang saling bebas dan Jika

m=1

n=m
P ( An ) = lim P( An , n m)=1
m

Bukti dapat dilihat pada DasGupta (2011).

P( A n)=
n=1

, maka

Lema 9 (Hukum lemah bilangan besar)

Misalkan

{X i , i 1 }

adaah peubah acak i.i.d dengan nilai harapan

dan ragam

2 < , maka

1
n . Bukti dapat dilihat pada Capinski dan Koop
X p
n i=1 i , untuk

(2007).
Lema 10 (Hukum kuat bilangan besar)
Misalkan

{X i , i 1 }

adaah peubah acak i.i.d dengan nilai harapan

< , maka

1
X a . s , untuk n . Bukti dapat dilihat pada Capinski dan Koop (2007).
n i=1 i

Lema 11 (Uji banding deret takhingga)

Misalkan

0 an b n

, untuk setiap n N , n bilangan asli

1. Jika

b n

konvergen, maka

2. Jika

an

divergen, maka

an
b n

konvergen.
divergen.

Bukti dapat dilihat pada Purcell (2006).

Lema 12 (Uji integral)
Misalkan f kontinu, positif, bukan fungsi naik pada interval dan andaikan
ak =f (k ) untuk setiap bilangan asli dari k. Deret tak hingga sebagai berikut.

ak
k=1

konvergen jika dan hanya jika integral tak wajar dari

f ( x) dx
1

konvergen. Bukti dapat dilihat pada Purcell (2006).

METODE
Kerangka Pikir Penelitian

10

Keterbatasan model proses Poisson majemuk akibat diasumsikan bahwa fungsi

intensitasnya konstan, ini menyebabkan proses Poisson majemuk perlu dikembangkan.
Pengembangan salah satunya dapat dilakukan dengan mengganti fungsi intensitas pada
proses Poisson majemuk menjadi fungsi intensitas yang berbentuk eksponensial. Pendugaan
pada penelitian ini adalah menduga nilai harapan dan ragam dari fungsi intensitas yang
berbentuk eksponensial pada proses Poisson majemuk takhomogen. Dimana nilai harapan
dan ragam ini merupakan fungsi dari waktu karena peubah acak dari proses Poisson majemuk
dengan fungsi intensitas berbentuk eksponensial merupakan fungsi dari waktu. Oleh karena
itu, nilai harapan dan ragam ini disebut sebagai fungsi nilai harapan dan fungsi ragam.
Langkah-langkah yang dilakukan dalam penelitian ini adalah:
1. merumuskan penduga bagi fungsi nilai harapan dan ragam dari fungsi intensitas yang
berbentuk eksponensial pada proses Poisson majemuk,
2. menganalisis kekonsistenan penduga,
3. menganalisis bias, ragam, dan mean squared error (MSE) penduga.

JADWAL PENELITIAN
Kegiatan

September
1

Oktober
4

November
4

Desember
4

Januari
4

Februari
4

Maret
4

Study
Pustaka
Kolokium
Pembuatan
Proposal
Sidang
Komisi I
Pengajuan
Proposal
Penelitian
dan
Penulisan
Sidang
Komisi II
Seminar
Hasil
Submit
Jurnal
Sidang
Komisi III
Sidang
Tesis
Revisi Tesis

DAFTAR PUSTAKA
Bening VE, Korolev VY. 2002. Generalized Poisson Models and Their Application in
Insurance and Finance. Boston (US): VSP International Science Publishers.
Capinski M, Koop E. 2007. Measure, Integral and Probability. Ed ke-2. New York (US):
Springer.

11

Cressie NAC. 1993. Statistics for Spatial Data. Revised Edition. New York : Wiley.
DasGupta A. 2011. Probability for Statisticsand Machine Learning: Fundamentals and
Advanced Topics. New York (US): Springer.
Dudley, R. M. 1989. Real Analysis and Probability. California: Wadsworth & Brooks.
Ghahramani S. 2005. Fundamental of Probability with Stochastic Processes. Ed. ke-3. New
Jersey (US) : Prentice Hall.
Grimmett, G. R. and D. R. Stirzaker. 1992. Probability and Random Processes.Ed. ke-2.
Oxford: Clarendon Press.
Hogg RV, McKean JW , Craig AT. 2014. Introduction to Mathematical Statistics. Ed. ke-7.
Englewood Cliffs, New Jersey : Prentice Hall.
Kegler SR. 2007. Applying the compound Poisson process model to reporting of injuryrelated mortality rates. Epidemiologic Perspectives & Innovations 4: 1-9.
Kulkarni V.G. 2010. Modelling and Analysis of Stochastics Systems. Ed. Ke-2. University of
North Carolina (US) : CRC Press.
Purcell E.J, Varberg D, and Rigdon S. 2006. Calculus. Southern Illinois University
Edwardsville : Prentice Hall
Ross SM. 2010. Introduction to Probability Models. Ed. ke-9. Orlando, Florida : Academic
Press Inc.
Serfling, R. J. 1980. Approximation Theorems of Mathematical Statistics. New York: John
Wiley & Sons.
Sokol A, Neilsen AR. 2010. Advanced Probability. Copenhagen (DK): University of
Copenhagen.
Stewart J. 2001. Calculus. Ed. Ke-4. Jakarta: Erlangga.
Wasserman L. 2003. All of Statistics A Concise Course in Statistical Inference. Pittsburgh,
Pennsylvania : Springer.