Anda di halaman 1dari 10

Universitas Hasanuddin

ESTIMASI PARAMETER DISTRIBUSI WEIBULL 3 PARAMETER


(Studi Kasus : Rata-Rata Kecepatan Angin di Kota Makassar)

Herawati1, Islamiyati A.2, Sunusi NT.3

Abstrak

Distribusi Weibull merupakan salah satu distribusi yang tergolong kedalam distribusi
Eksponensial. Pada tulisan ini, yang dibahas adalah penaksiran parameter distribusi Weibull 3
parameter. Pada penaksiran parameter distribusi Weibull 3 parameter dengan metode Maximum
Likelihood Estimation (MLE), tidak diperoleh nilai taksiran yang eksak. Oleh karena itu penaksiran
parameternya dilanjutkan dengan menggunakan metode iterasi Newton-Rhapson. Distribusi Weibull 3
parameter ini kemudian diaplikasikan pada data rata-rata kecepatan angin. Setelah dilakukan uji
kesesuaian distribusi Weibull dengan uji Mann, diperoleh bahwa data rata-rata kecepatan angin
khususnya kota Makassar dalam kurun waktu 5 tahun mengikuti pola distribusi Weibull 3 parameter
dengan nilai parameter lokasi () = 11,8378, parameter skala() = 18,0430 , dan parameter bentuk
() = 2,11214.

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

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

1
Universitas Hasanuddin

2. Tinjauan Pustaka
2.1 Distribusi Peluang Kontinu
Distribusi peluang didefinisikan dengan suatu fungsi peluang, dinotasikan dengan
P(X = x) atau (), yang menunjukkan peluang untuk setiap nilai variabel acak.
Fungsi () adalah fungsi kepadatan peluang variabel acak kontinu X, bila
memenuhi:
a. () 0 untuk semua .

b. () = 1,

c. ( < < ) = () , (Walpole & Myers, 1995).
Fungsi distribusi kumulatif () suatu variabel acak kontinu X dengan fungsi
kepadatan peluang () adalah sebagai bearikut :
() = ( )

= ().
Sedangkan untuk nilai harapan disimbolkan dengan () dan variansi disimbolkan
dengan () didefinisiskan sebagai berikut :

() = () . (1)

() = ( 2 ) {()}2 (2)

2.2 Distribusi Weibull


Distribusi Weibull adalah salah satu distribusi kontinu dalam teori probabilitas dan
statistic.
Fungsi kepadatan peluang distribusi Weibull 3 parameter
(1)
(|, , ) = {() (
) { (
) } ; untuk > (3)
0 ; untuk
Adapun fungsi distribusi kumulatifnya adalah

1 { ( ) } ; untuk >
(|, , ) = { (4)
0 ; untuk
di mana adalah parameter lokasi, adalah parameter skala, dan adalah parameter
bentukan. Jika variabel acak berdistribusi Weibull ~(, , ). Maka nilai
ekspektasi dan nilai varian dari diberikan sebagai berikut :
1
() = + ( + 1).
2 1
() = 2 { ( + 1) [ 2 ( + 1)]}

2.3 Metode Maksimum Likelihood (MLE)


Salah satu metode dalam penaksiran parameter adalah Maksimum Likelihood
Estimation (MLE). Prinsip dasar dari MLE adalah menentukan yang memaksimumkan
fungsi likelihood.
Misalkan 1 , 2 , , menyatakan peubah acak yang saling bebas dengan fungsi
padat peluangnya ( ; ), dimana adalah , , dan , yang merupakan parameter-
parameter yang akan ditaksir. Apabila merupakan fungsi peluang bersama dari

2
Universitas Hasanuddin

1 , 2 , , yang dipandang sebagai fungsi dari maka fungsi likelihood-nya


ditunjukkan oleh :

() = ( ; )
1
Selain itu, karena biasanya sulit untuk mencari turunan fungsi likelihood, maka yang
dilakukan adalah menentukan nilai maksimum dari logaritma natural fungsi likelihood
tersebut atau disebut dengan fungsi log-likelihood.
Fungsi log-likelihood dapat ditulis dalam bentuk :

= ln ( )

Nilai parameter dapat diperoleh dengan memaksimumkan fungsi kepadatan


peluang. Hal tersebut dilakukan dengan metode turunan pertama dari fungsi
likelihood-nya terhadap setiap parameternya. Jika merupakan ruang parameter,
dan jika ( ) terdiferensialkan dan mencapai nilai maksimum pada , maka
MLE merupakan penyelesaian dari persamaan maksimum likelihood berikut :


ln[()] = 0

2.4 Metode Newton Rhapson


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

( )
(+1 ) = ( ) + ( )(+1 ) + (+1 )2 +
2!
( )
+ !
(+1 )

Fungsi log-likelihood dengan parameter dapat diselesaikan sehingga diperoleh


taksiran dengan menggunakan metode Newton Rhapson. Rumus penaksir parameter
pada iterasi = (0,1,2, , ) adalah sebagai berikut:

1
(+1) = (() ) (() ) (5)
Dengan
(+1) : Parameter taksiran pada iterasi ke- ( + 1)
: Parameter taksiran pada iterasi ke- ()
(() ) : Matriks turunan kedua fungsi likelihood
(() ) : Matriks turunan pertama fungsi likelihood

3
Universitas Hasanuddin

3. Hasil dan Pembahasan


3.1 Penaksiran Parameter Distribusi Weibull 3 Parameter
Nilai taksiran parameter pada distribusi Weibull 3 parameter dapat diperoleh dengan
menggunakan metode MLE . Metode ini dapat dilakukan karena distribusi data diketahui.
Untuk itu sebagai langkah awal perlu diketahui fungsi kepadatan peluang dari distribusi
Weibull 3 parameter.
3.1.1 Fungsi kepadatan dan fungsi kumulatif
Fungsi kepadatan peluang distribusi Weibull 3 parameter telah ditunjukkan
pada pers. (4). Dari fungsi kepadatan peluang tersebut, maka fungsi distribusi
kumulatifnya dapat diperoleh sebagai berikut :
(1)
() = 0 () = 0 () (
) [ (
) ]

( )
=1
3.1.2 Estimasi Parameter
fungsi likelihood dari distribusi Weibull 3 parameter dapat dituliskan sebagai
berikut:
(1)
(; , , ) = ( ) ( ) [ ( ) ]

(1 , , ; , , ) = (1 ; , , ) ( ; , , )
1
= ( ) (1 )(1) [ ( ) ]


( ) ( )(1) [ ( ) ]



= ( ) ( )1 [ ( ) ]

=1 =1


(1 , , ; , , ) = ( ) ( )1 [ ( ) ] (6)

=1 =1
Selanjutnya, dari pers.(6) fungsi log-likelihood-nya dapat dituliskan sebagai berikut :

1

= ln = [( ) ( ) [ ( ) ]]

=1 =1


= [ln ln ] + ( 1) ln( ) ( ) (7)

=1 =1
Untuk mendapatkan parameter taksiran , , dan , maka pers.(14) diturunkan
terhadap parameter-parameter tersebut, kemudian disamakan dengan nol
Turunan terhadap adalah :


1 (1)
= ( 1) + ( ) =0 (8)
( )
=1 =1

4
Universitas Hasanuddin

Turunan terhadap adalah :



= + ( ) =0 (9)

=1
Turunan terhadap adalah



= ln + ln( )

=1


( ) ln ( )=0 (10)

=1 =1
Nilai turunan pertama yang ditunjukkan oleh pers.(15), pers.(16), dan
pers.(17) tidak memberikan fungsi yang eksplisit. Sehingga untuk mendapatkan nilai
taksirannya akan dilakukan proses iterasi Newton Rhapson. Dalam metode ini yang
dibutuhkan adalah turunan pertama dan turunan kedua dari fungsi log-likelihood-
nya, karena metode ini menggunakan pendekatan deret Taylor orde ke-2. Deret
Taylor orde ke-2 diberikan sebagai berikut :

( )
(+1 ) = ( ) + ( )(+1 ) + (+1 )2
2!

Misalkan ((+1) ) merupakan deret taylor orde ke-2 dimana adalah


vektor parameter-parameter , , , dan diketahui (() ) masing-masing adalah
turunan pertama fungsi log-likelihood terhadap , , , (() ) adalah matriks 3x3
dari turunan kedua terhadap parameter-parameter , , . Maka diperoleh :

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

Dengan demikian diperoleh rumus penaksiiran parameter-parameter pada iterasi


ke-( + 1) dalam proses iterasi ( = 0, 1, 2, ) sesuai dengan pers. (5) sebagai
berikut :

1
+1 = (() ) (() )

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

2 1 2 2
2
= ( 1) [=1 ( ) + 2 =1 (
) ] (11)

5
Universitas Hasanuddin

Selanjutnya pers.(8) diturunkan terhadap sehingga diperoleh :

2 2 2 1

= = () =1 (
) (12)

2 2

=
1 1 1 1
= =1 + =1 (
) ( ) + =1 (
) (13)

Selanjutnya pers.(9) diturunkan terhadap diperoleh :

2
2
= 2 [ ( 1) =1 (
) ] (14)

2 2 1

= = [ =1 (
) =1 (
) ln ( )] (15)

Selanjutnya pers.(10) diturunkan terhadap , diperoleh :

2 2
= =1 ( ) [ln ( )] (16)
2 2

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


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

1
2 2 2
2 + + +
(+1) ()
2 2 2
[ (+1) ] = [ () ]
+


2
+



+



(17)

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


2
+


] []

matriks turunan pertama (g) ditunjukkan oleh pers.(8), pers.(9) dan pers.(10)
sedangkan untuk matriks turunan kedua (H) ditunjukkan oleh pers.(8) hingga
pers.(16). Matriks H juga dikenal sebagai matriks Hessian.

3.2 Mean dan Variansi


Berdasarkan pers. (1) dan pers. (2), maka nilai ekspektasi dari adalah sebagai berikut

() = 0 ()
(1)
= 0 () (
) [ (
) ]
Misal :
1
=
= + ; = ; =

6
Universitas Hasanuddin

Sehingga () menjadi :
1
() = + ( + 1)

Sedangkan untuk nilai variansi dari dapat diperoleh sebagai berikut :

() = ( 2 ) {()}2
dimana ( 2 ) adalah:


( 2 ) = 0 2 ()
(1)
= 0 2 ( ) ( ) [ ( ) ]

Misal :
1
=
= + ; = ; =

Sehingga integral ( 2 ) menjadi :

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

Sehingga diperoleh nilai varian dari X sebagai berikut :

() = ( 2 ) {()}2
2 1
= 2 [ ( + 1) 2 ( + 1)]

3.3 Aplikasi pada Data


3.3.1 Uji Kesesuaian Distribusi Weibull
Tahap awal analisis data adalah menguji kesesuaian data dengan distribusi
Weibull melalui uji Mann (Mann Test). Berikut adalah perhitungan dalam
melakukan uji Mann dengan nilai = 0.05 :
a. Hipotesis
0 : Data kecepatan angin berdistribusi Weibull.
1 : Data kecepatan angin tidak berdistribusi Weibull
b. Statistik uji
Statistik Uji yang digunakan adalah Mann:
ln(+1 ) ln( )
1 1
=1 +1 ( )
=
1 ln(+1 ) ln( )
2 =1 ( )
dimana :
= data ke-i (data kecepatan angin yang telah
diurutkan dari yang terkecil sampai dengan yang
terbesar)
= nilai pendekatan Mann untuk data ke-i
7
Universitas Hasanuddin

= = banyaknya data

1 =2
1
2 = 2
Nilai dari yang digunakan dapat dihitung dengan menggunakan rumus sebagai
berikut:
= +1
dimana
0.5
= ln [ ln (1 )]
+ 0.25
sehingga :
ln(+1 ) ln( )
1 1
=1 +1 ( )

=
1 ln(+1 ) ln( )
2 =1 ( )
30(9,29)
=
30(5,84)
= 1,5921597
c. Kriteria keputusan dan kesimpulan
Jika nilai < = 0.05,1 ,2 maka terima 0 . Berdasarkan perhitungan di
atas diperoleh < = 1,5921597 < 1,84 maka 0 diterima dan dapat
disimpulkan bahwa data berdistribusi Weibull. Dengan demikian data kecepatan
angin mengikuti distribusi Weibull.

Setelah diketahui bahwa data berdistribusi Weibull, maka selanjutnya nilai taksiran
parameter-parameternya dapat diketahui dengan bantuan program SAS 9.2. Melalui
program SAS diperoleh nilai = 11,8378, = 18,0430, dan = 2,11214 dengan
grafik sebagai berikut :

8
Universitas Hasanuddin

3.3.2 Mean dan Variansi Distribusi Weibull 3 Parameter


Nilai mean dari data kecepatan rata-rata angin adalah :
1
() = + ( + 1)
= 27,81849
Nilai variansi dari data kecepatan rata-rata angin adalah :
2 1
() = 2 [ ( + 1) 2 ( + 1)]
= 63,23334

4. Kesimpulan dan Saran


4.1 Kesimpulan
Berdasarkan hasil analisis yang telah dilakukan, maka dapat diambil beberapa
kesimpulan sebagai berikut:
1. Untuk mengestimasi parameter distribusi Weibull 3 parameter, dilakukan dengan
menggunakan metode Maksimum Likelihood Estimation (MLE). Namun hasil dari
turunan pertama tidak menghasilkan solusi yang eksplisit, sehingga dilanjutkan
dengan proses iterasi menggunakan metode Newton Rhapson dengan bantuan
program SAS 9.2.
2. Pembuatan pola data rata-rata kecepatan angin di kota Makassar dimulai dengan
menguji kesesuaian data dengan distribusi Weibull melalui uji Mann, dan
disimpulkan bahwa data kecepatan rata-rata angin mengikuti pola distribusi
Weibull 3 parameter yang memuat parameter lokasi (), parameter skala(), dan
parameter bentuk .
3. Nilai taksiran untuk parameter lokasi () = 11,8378, parameter skala () =
18,0430 , dan parameter bentuk = 2,11214, menunjukkan bahwa kurva
distribusi condong ke kanan. Sedangkan untuk nilai mean () = 27,81849 dan
nilai variansi () = 63,23334

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

DAFTAR PUSTAKA

Aqifah. 2012. Penaksir Parameter Model Regresi Gamma dengan Peubah Respon Kontinu
Non-Negatif. Makassar : Universitas Hasanuddin

Bhattacharya Paritosh & Rakhi Bhattacharjee.2010.A Study On Weibull Distribution For


Estimating The Parameters.Journal of Applied Quantitative Methods

Dahiya Rum.C & Garland John. 1978. Estimating The Parameter of A Gamma Distribution.
Madrid : University of Massachusetts

9
Universitas Hasanuddin

Daut,I. M,Irwanto. Suwarno. Y,M,Irwan. N,Gomesh, N,S,Ahmad.2011.Potential of Wind


Speed for Wind Power Generation In Perlis, Northern Malaysia. Malaysia; School of
Electrical System Engineering Universiti Malaysia Perlis (UniMAP)

Herawaty Aty. 2008. Buku Ajar Peluang dan Distribusi Peluang. Universitas Mercu Buana

Jong, P.D. & Heller, G.Z. 2008. Generalized Linear Models for Insurance Data. Cambridge:
Cambridge University Press

Narayanant.A, 1990. Maksimum Likelihood Estimation of The Parameters of The


Parameters of The Dhiriclet Distribution. USA : Indiana University

Rinne Horst .2009. The Weibull Distribution. Jerman : Justus Liebig University
Rohilla Shalizi Cosma.2007. Maksimum Likelihood Estimation for q-eksponential (Tsallis
Distribution). Carnegie Mellon University

Santuo. 2012. Penaksir Parameter Model Regresi Inverse Gaussian dengan Peubah Respon
Kontinu Non-Negatif. Makassar : Universitas Hasanuddin

Walpole, Ronald E. Dan Myes, Raymond H. 1995. Ilmu Peluang dan Statistik untuk Insinyur
dan Ilmuan. Edisi Keempat. Bandung: ITB Bandung

repository.usu.ac.id/bitstream/123456789/29910/4/Chapter%20II.pdf

10