Anda di halaman 1dari 3

A-14 JURNAL SAINS DAN SENI ITS Vol. 5 No.

2 (2016) 2337-3520 (2301-928X Print)

Pendekatan Metode Bayesian untuk Kajian


Estimasi Parameter Distribusi Log-Normal
untuk Non-Informatif Prior
Evi Noor Diana dan Soehardjoepri
Jurusan Matematika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail: djoepri.its@gmail.com

Abstrak— Distribusi Log-Normal merupakan salah distribusi prior. Pemilihan prior secara umum
satu dari beberapa distribusi kontinu. Distribusi Log- dilakukan berdasarkan diketahui atau tidaknya
Normal tersebut memiliki parameter yang harus di informasi mengenai parameter. Jika informasi
estimasi yaitu parameter mean θ dan varians 𝛔𝟐 . mengenai parameter diketahui, maka prior informatif,
Penelitian dilakukan dengan metode Bayes yaitu yaitu prior yang memengaruhi hasil distribusi
penggabungan distribusi sampel dan distribusi prior, posterior dan bersifat sangat subjektif, sedangkan jika
sehingga diperoleh distribusi posterior. Distribusi prior informasi mengenai parameter tidak tersedia, maka
yang digunakan adalah non-informatif prior. Teknik digunakan prior non-informatif yang tidak
penentuan dari non-informatif prior menggunakan memberikan pengaruh yang signifikan terhadap
metode Jeffrey’s dari distribusi Log-Normal univariat. distribusi posterior, sehingga informasi yang diperoleh
Setelah mendapatkan distribusi posterior, menemukan dari data amatan bersifat lebih objektif. Setelah
distribusi marginal dari mean θ dan varians 𝛔𝟐 . Setelah
pengamatan dilakukan, informasi dalam distribusi
prior dikombinasikan dengan informasi dengan data
mendapatkan distribusi marginal, langkah selanjutnya
sampel melalui teorema Bayes, dan hasilnya
adalah mendapatkan nilai harapan (ekspektasi) dari
dinyatakan dalam bentuk distribusi yang disebut
distribusi marginal. Sehingga akan mendapatkan
distribusi posterior [2].
estimasi titik untuk mean θ dan varians 𝛔𝟐 . Sebuah peubah dapat dimodelkan sebagai log-
normal bila ia dapat dipandang sebagai hasil kali dari
Kata Kunci— Distribusi Log-Normal , Fungsi banyak peubah acak bebas (independen) masing-
Likelihood, Non-Informatif Prior, Metode Bayes, masing bernilai positif. Sebagai contoh, dalam
Distribusi Posterior. keuangan, peubah ini dapat mewakili pendapatan
majemuk dari sederetan perdagangan atau faktor
I. PENDAHULUAN diskonto jangka panjang dapat diturunkan dari hasil

E stimasi adalah suatu metode dimana kita dapat


memperkirakan nilai dari suatu populasi dengan
menggunakan nilai dari sampel. Jenis estimasi ada dua
kali faktor-faktor diskonto jangka pendek. Dalam
komunikasi nirkabel, atenuasi yang disebabkan oleh
pembayangan atau pengaburan lambat dari benda acak
yaitu estimasi titik dan estimasi interval. Estimasi titik sering dianggap berdistribusi Log-Normal.
adalah nilai yang berfungsi untuk suatu pendugaan Salah satu contoh penelitian yang membahas
dari parameter populasi. Estimasi Interval adalah estimasi parameter dengan metode Bayes adalah
interval yang menyatakan keberadaan dari suatu penelitian yang dilakukan oleh Sultan dan Ahmad.
parameter populasi [1]. Contoh sederhana, apabila kita Penelitiannya menjelaskan tentang mendapatkan
ingin menyebrang jalan, kita menaksir berapa perbandingan nilai estimasi titik metode Maksimum
kecepatan kendaraan yang melewati jalan pada saat Likelihood Estimator (MLE) dengan metode Bayesian.
itu. Sehingga kita dapat memutuskan akan Menggunakan distribusi Log-Normal dengan
menyebrang atau tidak. Untuk mengestimasi diketahui distribusi prior (informative prior).
parameter suatu populasi maka diambil sebuah sampel Kemudian dicari fungsi likelihood lalu dikalikan
yang representatif, sebelum estimasi dilakukan, perlu dengan distribusi prior menjadi distribusi posterior.
diketahui lebih dulu keadaan populasi variabel acak Setelah mendapatkan distribusi posterior, menemukan
tersebut secara apriori, seperti bentuk distribusinya, distribusi marginal dari mean 𝜇 dan varian 𝜎 2 .
dan karakteristik parameter-parameter lain. Walaupun Langkah selanjutnya mendapatkan nilai harapan
kerapkali informasi tentang populasinya sangat (ekspektasi) dari distribusi marginal sehingga
minimal, informasi yang diperoleh secara apriori itu mendapatkan estimasi titik untuk mean 𝜇 dan varians
kemudian dapat ditambahkan pula dengan informasi 𝜎 2 [3].
yang diperoleh dari sampel itu sendiri Berdasarkan penelitian tersebut, penelitian ini akan
Metode Bayes memandang parameter sebagai membahas tentang estimasi parameter distribusi Log-
variabel yang menggambarkan pengetahuan awal Normal untuk non-informatif prior. Estimasi titik
tentang parameter sebelum pengamatan dilakukan dan didapatkan dengan menggunakan metode Bayes.
dinyatakan dalam suatu distribusi yang disebut dengan
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) A-15

II. TINJAUAN PUSTAKA III. ANALISIS DAN PEMBAHASAN


Distribusi Log-Normal Fungsi Likelihood
Misalkan sebuah peubah acak X bilangan real Jika 𝑋1 , 𝑋2 , … . , 𝑋𝑛 adalah sampel acak berdistribusi
positif (0 < 𝑥 < ∞). Sedemikian sehingga 𝑌 = ln 𝑥 Log-Normal dengan densitas 𝑓(𝑥1 ; 𝜃, 𝜎 2 ) maka fungsi
merupakan distribusi Normal dengan rata-rata θ dan likelihoodnya didefinisikan dengan [5]:
variansi 𝜎 2 . 𝑋 = 𝑒 𝑦 merupakan distribusi Log-Normal 𝑛
atau dapat ditulis dengan 𝐿𝑁(𝜃, 𝜎 2 ) dan 𝑌 ≈ 𝑁(𝜃, 𝜎 2 ). 𝐿(𝜃, 𝜎 2)
= ∏ 𝑓(𝑥𝑖 ; θ, 𝜎 2 )
Karena X dan Y dihubungkan oleh relasi 𝑌 = ln 𝑥, 𝑖=1
maka fungsi kepekatannya adalah sebagai berikut [1] : 1
𝑛
1
1 − (ln x −𝜃)2 ( ) 𝑒𝑥𝑝 [− ∑𝑛𝑖=1(ln 𝑥𝑖 − 𝜃)2 ] (7)
𝑒𝑥𝑝 [ ], 𝑥>0 √2𝜋 𝜎 2 𝑥𝑖 2 2𝜎 2
𝑓(𝑥) = { 𝑥 𝜎√2𝜋 2𝜎2 (1)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 Non-informatif Prior
Variabel acak positif X yang berdistribusi Log-Normal Distribusi non-informatif prior 𝑓(𝜗) dimana 𝜗 =
𝜎2 (𝜃, 𝜎 2 ), diasumsikan bahwa 𝜃 dan 𝜎 2 adalah
mempunyai mean exp(𝜃 + 2 ) dan varians exp(2𝜃 +
independen (bebas) sehingga 𝑓(𝜗) = 𝑓(𝜃)𝑓(𝜎 2 ).
𝜎 2 ) {exp( 𝜎 2 ) − 1} [1]. Menentukan distribusi non-informatif prior 𝑓(𝜎 2 )
Fungsi Likelihood adalah sebagai berikut:
Fungsi Likelihood adalah misalkan 𝑋1 , 𝑋2 , … . , 𝑋𝑛
sampel acak dengan fungsi peluang 𝑓(𝑥𝑖 ; θ), i = 1, 2, 1 − (ln 𝑥−𝜃)2
𝑓(𝑥; θ, 𝜎 2 ) = 𝑥𝜎√2𝜋 𝑒𝑥𝑝 [ ]
2𝜎2
..., n. Apabila L yaitu fungsi peluang bersama dari
1 1 1 (ln 𝑥 − 𝜃)2
𝑋1 , 𝑋2 , … . , 𝑋𝑛 dipandang sebagai fungsi dari θ dan log 𝑓(𝑥; θ, 𝜎 2 ) = − log 2𝜋 − log 𝜎 2 − log 𝑥 2 − ( )
2 2 2 2𝜎 2
𝑥1 , 𝑥2 , … . , 𝑥𝑛 sebagai bentangan tertentu maka [4]
𝑛 Jika 𝑢 = 𝜎 2 maka
𝐿(𝜃) = ∏ 𝑓(𝑥𝑖 ; θ) (2) 1 1 1 (ln 𝑥 − 𝜃)2
log 𝑓(𝑥; θ, 𝑢) = − log 2𝜋 − log 𝑢 − log 𝑥 2 − ( )
𝑖=1 2 2 2 2𝑢
Non-Informatif Prior 𝑑 log 𝑓(𝑥; θ, 𝑢) 1 (ln 𝑥 − 𝜃)2
=− +
𝑑𝑢 2𝑢 2𝑢2
Non-informatif berhubungan dengan situasi
𝑑2 log 𝑓(𝑥; θ, 𝑢) 1 (ln 𝑥 − 𝜃)2
dimana distribusi prior tidak memiliki basis populasi. 2
= 2−
𝑑𝑢 2𝑢 𝑢3
Hanya terdapat sedikit informasi prior sehingga
𝑑2 log 𝑓(𝑥; θ, 𝑢) 1 (ln 𝑥 − 𝜃)2
distribusi prior berperan minimal dalam distribusi 2
= 4−
𝑑𝑢 2𝜎 𝜎6
posterior. Salah satu bentuk pendekatan dari prior non-
informatif adalah dengan menggunakan metode 𝑑2 log 𝑓(𝑥; θ, 𝑢)
𝐼(𝜎 2 ) = −𝐸 [ ]
Jeffrey’s. Distribusi prior untuk satu parameter 𝜃 𝑑𝑢2
adalah sekitar non informatif jika diambil proposional 1
𝐼(𝜎 2 ) =
maka akar kuadrat dari informasi Fisher [2]. 2𝜎 4
1 1
𝑓(𝜎 2 ) = √𝐼(𝜎 2 ) ∝
𝑓(𝜃) = [𝐼(𝜃)]2 (3) 𝜎2
dimana 𝐼(𝜃) merupakan nilai harapan informasi Fisher Sedangkan nilai non-informatif prior untuk 𝑓(𝜃)= c
𝜕2 log 𝑓(𝑥;𝜃)
(konstan) sehingga diperoleh
𝐼(𝜃) = −𝐸𝜃 [ ] (4) 1 1
𝜕𝜃2 𝑓(𝜗) = 𝑓(𝜃)𝑓(𝜎 2 ) = 𝑐 𝑥 ∝ (8)
𝜎2 𝜎2
Metode Bayes Jadi nilai non-informatif prior
Pendekatan Bayes dalam mengestimasi estimator 𝟏
𝑓(𝜗) = (9)
dari parameter menggabungkan informasi dari sampel 𝝈𝟐
dengan informasi lain telah tersedia sebelumnya. Distribusi Posterior
Besaran parameter 𝜃 dalam sebuah populasi yang
Setelah mencari fungsi likelihood dan menentukan
memuat variabel acak x dapat digunakan dalam bentuk
distribusi prior dari distribusi Log-Normal dapat dicari
aturan peluang, yaitu sebagai berikut [5]:
distribusi posteriornya. Kepadatan posterior bersama
𝑓(𝑥|𝜃)𝑓(𝜃)
dari 𝜃 dan 𝜎 2 adalah diberikan
𝑓(𝜃|𝑥) = (5) 𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 ∝ 𝑝𝑟𝑖𝑜𝑟 ∗ 𝑓𝑢𝑛𝑔𝑠𝑖 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑
𝑓(𝑥)

Distribusi Posterior 𝑓(𝜃, 𝜎 2 |𝑥) ∝ 𝑓(𝜗) ∗ 𝐿(𝜃, 𝜎 2 ) (10)


Distribusi posterior adalah penggabungan distribusi Dari persamaan (1) dan (2) Kepadatan posterior
sampel dan distribusi prior [2]. bersama dari 𝜃 dan 𝜎 2 adalah diberikan
𝑛 𝑛
1 1 ( 2 +1)
𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 ~ 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 𝑥 𝑝𝑟𝑖𝑜𝑟 𝑓(𝜃, 𝜎 2 |𝑥) ∝ (( ) ( 2) )𝑥
√2𝜋𝑥𝑖 𝜎
1
𝑓(θ| x) = 𝑓(x | θ) . 𝑓(𝜃) (6) (exp [− ∑𝑛𝑖=1(ln 𝑥𝑖 − 𝜃)2 ])
2𝜎 2
dimana 𝑓(x | θ) merupakan fungsi likelihood dan 𝑓(𝜃) 𝑐 𝛽
merupakan distribusi prior. 𝑓(𝜃, 𝜎 2 |𝑥) ∝ ( 𝑛 𝑒𝑥𝑝 [− ]) 𝒙
( +1) 2𝜎 2
(𝜎2 ) 2
2
−𝑛 ∑𝑛
𝑖=1 ln 𝑥𝑖
(exp [ (𝜃 − ) ]) (11)
2𝜎 2 𝑛
A-16 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)

∑𝑛
𝑖=1 ln 𝑥𝑖
2
Sekarang distribusi posterior marginal dari 𝜎 2
Dimana 𝛽 = (𝑛 − 1) dan c adalah konstanta
𝑛
adalah diberikan pada persamaan (4.7). Sehingga
normal. [2] menjelaskan jika 𝑃(𝜃) menjadi prior dan
estimasi posterior dari 𝜎 2 adalah sebagai berikut:
𝑃(𝑥|𝜃) menjadi fungsi likelihood, fungsi padat 𝑛−1
( 2 ) −𝛽
peluang (pdf) posterior 𝑃(𝜃|𝑥) diberikan 𝑃(𝜃|𝑥) = ∞ (𝛽) 𝑒𝑥𝑝[ 2 ] 𝜎2
∗2 2 |𝑥)
𝑐 𝑃(𝜃)𝑃(𝑥|𝜃), dimana c adalah konstanta normal. Lalu 𝜎 = 𝐸(𝜎 = ∫0 𝑛+1
2𝜎
𝑛−1 𝑑𝜎 2
( ) ( ) 𝑛−1
(𝜎 2 ) 2 (2) 2 Γ ( )
nilai dari c diperoleh dari 𝑐 = [∫ 𝑃(𝜃)𝑃(𝑥|𝜃)𝑑𝜃]−1 2
𝑛−1 −𝛽
dimana c dapat menjadi ( 2 )
(𝛽) ∞ 𝑒𝑥𝑝[2𝜎2 ]
∗2
∞ ∞ 𝜎 = 𝑛−1 ∫ 𝑛−1 𝑑𝜎 2
𝑐 −1 = ∫0 ∫−∞ 𝑓(𝜃, 𝜎 2 |𝑥) 𝑑𝜃 𝑑𝜎 2 ( )
(2) 2 Γ (
𝑛−1 0
)
(
(𝜎 2 ) 2
)
2
∞ ∞ 1 𝛽 𝜷
𝑐 −1 = ∫0 ∫−∞ ( 𝑛 𝑒𝑥𝑝 [− 2𝜎2 ]) 𝑥 𝜎 ∗2 = (9)
(𝜎2 )( 2 +1) 𝒏−𝟏
∗ ∗2
−𝑛 ∑𝑛 2 Kemudian estimasi posterior dari 𝜃1 dan 𝜎1 adalah
𝑖=1 ln 𝑥𝑖
(exp [2𝜎2 (𝜃 − ) ]) 𝑑𝜃 𝑑𝜎 2 (12) 𝜎 ∗2
𝑛
𝜃 = exp [𝜃 ∗ + ]
√𝑛 ∑𝑛
𝑖=1 ln 𝑥𝑖
2
Menggunakan transformasi 𝑡 = (𝜃 − ) ∑𝑛
𝑖=1 ln 𝑥𝑖 𝛽
𝜎 𝑛
𝜃1 ∗ = exp [ + ] (10)
𝛽 𝑛 2(𝑛−1)
2𝜋 ∞ 𝑒𝑥𝑝[−2𝜎2 ]
𝑐 −1 = √ ∫ 𝑛+1 𝑑𝜎 2 Dan
𝑛 0 ( )
(𝜎 2 ) 2
𝑛−1 𝜎 2 = exp[2𝜃 ∗ + 𝜎 ∗2 ](exp[𝜎 ∗2 ] − 1)
2𝜋 𝛽 −( 2 ) 𝑛−1 ∑𝑛
𝑖=1 ln 𝑥𝑖 𝛽
𝑐 −1 = √ ( ) Γ( ) 𝜎1 ∗2 = exp [2 + ]𝑥
𝑛 2 2 𝑛 𝑛−1
𝑛−1 𝛽
𝑛 𝛽 ( 2 ) 1 (exp [ ] − 1) (11)
𝑐=√ ( ) 𝑛−1 (13) 𝑛−1
2𝜋 2 Γ( )
2
Persamaan (13) di subtitusikan ke persamaan (11) IV. PENUTUP
menjadi Dari analisa yang telah dilakukan dapat disimpulkan
𝑛−1
𝑛
( 2 )
(𝛽) −𝛽 bahwa mengestimasi parameter dengan menggunakan
𝑓(𝜃, 𝜎 2 |𝑥) = (√ 𝑛 𝑒𝑥𝑝 [ ]) 𝑥 metode Estimasi Bayesian untuk mendapatkan
2𝜋 𝑛−1 ( +1) 2𝜎 2
Γ(
2
)(𝜎 2 ) 2
estimasi titik. Nilai estimasi titik dari parameter mean
2
−𝑛 ∑𝑛
𝑖=1 ln 𝑥𝑖 θ varians 𝜎 2 diperoleh dengan bentuk
(exp [ 2 (𝜃 − ) ]) (14) ∑𝑛
2𝜎 𝑛 𝑖=1 ln 𝑥𝑖 𝛽
𝜃1 ∗ = exp [ + ]
𝑛 2(𝑛−1)
Distribusi Posterior Marginal
∑𝑛𝑖=1 ln 𝑥𝑖 𝛽 𝛽
Distribusi posterior marginal dari 𝜃 adalah integral 𝜎1 ∗2 = exp [2 + ] (exp [ ] − 1)
𝑛 𝑛−1 𝑛−1
terhadap 𝜎 2 dari persamaan (14) menjadi

𝑓(𝜃|𝑥) = ∫𝜎2=0 𝑓(𝜃, 𝜎 2 |𝑥) 𝑑𝜎 2 DAFTAR PUSTAKA
𝑛 1
𝑓(𝜃|𝑥) = √ 𝑛 (15) [1] Supranto, J. 2001. Statistika Teori dan Aplikasi Edisi ke-6.
𝛽 2 2 Jakarta: Erlangga.
∑𝑛
1 𝑛−1
𝐵( , ) [1+
𝑛
(𝜃− 𝑖=1 ln 𝑥𝑖 ) ]
2 2 𝛽 𝑛
[2] George E. P. Box dan George C. Tiao. 1973. Bayesian
Distrribusi posterior marginal dari 𝜎 2 adalah integral Inference in Statistical Analysis. Boston: Addison-Wesley
Publishing Company, 1973.
terhadap 𝜃 dari persamaan (14) menjadi

𝑓(𝜎 2 |𝑥) = ∫𝜃=−∞ 𝑓(𝜃, 𝜎 2 |𝑥) 𝑑𝜃 [3] Sultan, R. dan Ahmad, S. P. 2013. Comparison of
Parameters of Lognormal Distribution Based On the
𝑛−1
( 2 ) −𝛽 Classical and Posterior Estimates. Journal of Modern
(𝛽) 𝑒𝑥𝑝[ 2 ]
2 |𝑥) 2𝜎
𝑓(𝜎 = 𝑛+1 𝑛−1 (16) Applied Statistical Methods.
( ) ( ) 𝑛−1 <http://digitalcommons.wayne.edu/cgi/>. Diakses pada
(𝜎 2 ) 2 (2) 2 Γ ( )
2
tanggal 04 Maret 2016 pada pukul 08.10.
Estimasi Posterior
[4] Walpole, R. E. 1995. Pengantar Statistika Edisi ke-3.
Hasil dari distribusi posterior marginal dari 𝜃 Jakarta: Gramedia Pustaka Utama.
adalah diberikan pada persamaan (6). Sehingga
estimasi posterior dari 𝜃 adalah sebagai berikut: [5] Sugito dan Ispriyanti, D. 2010. Distribusi Invers Gamma
Pada Inferensi Bayesian. Media Statistik, (2010, Desember),
𝑛 1 ∞ 𝜃 𝑑𝜃 59-68.
𝜃 ∗ = 𝐸(𝜃|𝑥) = √ ∫−∞ 𝑛 (17)
𝛽 𝐵(1,𝑛−1) 2 2
2 2 𝑛 ∑𝑛 ln 𝑥𝑖
[1+𝛽(𝜃− 𝑖=1 ) ]
𝑛

𝑛
Misalkan: 𝑡 = √(𝑛−1)𝑠2 (𝜃 − 𝑥̅ ) √𝑛 − 1
∑𝑛
𝑖=1 ln 𝑥𝑖 ∞ 𝑑𝑡
𝜃∗ = 1 𝑛−1 ∫−∞ 𝑛
𝑛 √𝑛−1𝐵( , ) 𝑡2 2
2 2
[1+𝑛−1]

∑𝑛
𝑖=1 ln 𝑥𝑖
𝜃∗ = (8)
𝑛