Pengertian Bootstrap

Metode Bootstrap pertama kali dikenalkan oleh Bradley Efron pada tahun
1979. Nama Bootstrap sendiri diambil dari sebuah frase “Pull up by your own
Bootstrap”, yang artinya bergantunglah pada sumbermu sendiri. Dalam hal ini
Bootstrap bergantung pada sampel yang merupakan satu-satunya sumber yang
dimiliki oleh seorang peneliti. Bootstrap adalah teknik resampling non parametris
yang bertujuan untuk menentukan estimasi standar eror dan interval kepercayaan dari
parameter populasi seperti mean, rasio, median, proporsi, koefisien korelasi atau
koefisien regresi tanpa menggunakan asumsi distribusi (Efron B, 1993).
Metode Bootstrap yaitu metode berbasis resampling data sampel dengan
syarat pengembalian pada datanya dalam menyelesaikan statistik ukuran suatu
sampel dengan harapan sampel tersebut dapat mewakili data populasi sebenarnya,
biasanya ukuran resampling diambil secara ribuan kali agar dapat mewakili data
populasinya.
Metode Bootstrap digunakan untuk mencari distribusi sampling dari suatu
estimator dengan prosedur resampling dengan pengembalian dari data asli. Metode
Bootstrap dilakukan dengan mengambil sampel dari sampel asli dengan ukuran sama
dengan ukuran sampel asli dalam metode Bootsrap dipandang sebagai populasi.
Metode penyampelan ini biasanya disebut dengan resampling Bootstrap. Bootstrap
juga sering digunakan untuk mengestimasi standar eror estimator dan interval
kepercayaan dari suatu parameter populasi yang tidak diketahui.
Metode Bootstrap
Metode Bootstrap pertama kali ditemukan oleh Efron (1979) untuk
mengestimasi galat baku dan selang kepercayaan. Menurut Efron dan Tibshirani
(1993) Metode bootstrap adalah metode berbasis resampling data sampel dengan
syarat pengembalian pada datanya dalam menyelesaikan statistik ukuran suatu
sampel dengan harapan sampel tersebut mewakili data populasi sebenarnya, biasanya
ukuran resampling diambil secara ribuan kali agar dapat mewakili data populasinya.
Bootstrap memungkinkan seseorang untuk melakukan inferensi statistik tanpa
membuat asumsi distribusi yang kuat dan tidak memerlukan formulasi analitis untuk
distribusi sampling suatu estimator. Jadi jika penyelesaian analitik tidak mungkin
dilakukan dimana anggapan (suatu distribusi, misalnya kenormalan data) tidak
dipenuhi maka dengan menggunakan Boostrap masih dapat dilakukan suatu
inferensi. Bootstrap adalah teknik resampling nonparametrik yang bertujuan untuk
menentukan estimasi galat baku dan selang kepercayaan dari parameter populasi
seperti rataan, rasio, median, proporsi, koefisien korelasi atau koefisien regresi tanpa
menggunakan asumsi Bootstrap (Benitez et al. 2014)..
Secara singkat langkah-langkah Bootstrap yang dinyatakan sebagai berikut :

1. Konstruksikan distribusi empiris dari suatu contoh dengan memberikan

probabilitas pada setiap Xi dimana

2. Ambil contoh Bootstrap berukuran secara random dengan pengembalian dari

distribusi empiris , sebut sebagai sampel Bootstrap pertama .

3. Hitung statistik yang diinginkan dari contoh Bootstrap , sebut sebagai

4. Ulangi langkah 2 dan 3 hingga kali, diperoleh

5. Konstruksi suatu distribusi probabilitas dari dengan memberikan probabilitas

pada setiap Distribusi tersebut merupakan estimator Bootstrap untuk

distribusi sampling dan dinotasikan dengan .

6. Pendekatan estimasi Bootstrap untuk adalah rataan dari distribusi yaitu

7. Berdasarkan contoh Bootstrap dengan replikasi kali diperoleh .

Penduga ragam Bootstrap yaitu

 Gambar 1. Skema Algoritma Standar Error Bootstrap

Galat baku Bootstrap, ,diperoleh dari akar dari ragam. Menurut Sahinler dan

Topuz (2007), selang kepercayaan Bootstrap pendekatan normal

untuk yaitu
Jika ukuran contoh , maka akan digunakan distribusi Z. Dari sebaran penduga

Bootstrap dapat dihitung nilai persentil yang merupakan ide dasar konstruksi selang
kepercayaan Bootstrap persentil. Menurut Benitez et al. (2014), selang kepercayaan

Bootstrap persentil untuk adalah

Dengan adalah persentil ke yang disebut sebagai batas bawah

dan merupakan persentil ke yang disebut sebagai

batas atas dari distribusi .

Adapun kelebihan metode Bootstrap sebagai berikut :

1. Membutuhkan tidak banyak asumsi. Asumsi yang paling penting adalah contoh
mempresentasikan populasi dengan baik.
2. Metode ini dapat digunakan untuk ukuran data yang relatif kecil.
3. Tidak mengganti atau menambah data baru.
4. Metode ini menciptakan ukuran-ukuran dari ketidakpastian dan bias, khususnya
pada menduga parameter.
5. Metode Bootstrap lebih baik dari pada metode tradisional lainnya misalnya
metode klasik dan bayes, karena metode bootstrap menghasilkan panjang
interval yang lebih pendek.
Adapun kelemahan metode Bootstrap sebagai berikut :
1. Metode Bootstrap biasanya memerlukan data bangkitan Bootstrap atau resample
(sample diperoleh dari pengacakan saling bebas dan dengan pemulihan dari
distribusi empiris). Data bangkitan bootstrap ini sulit dicari karena memerlukan
beberapa kali perhitungan yang cukup rumit dan membutuhkan ketelitian yang
tinggi.
2. Menuntut proses komputasi yang berat (namun dengan bantuan program
komputer hal ini menjadi mudah dilakukan) (Sungkono, 2013).
3. Bootstrap tidak dapat dilakukan ketika data yang dimiliki sangat kecil sehingga
kurang mendekati nilai di dalam populasi, data yang kotor karena berisi banyak
pencilan yang akan meningkatkan variasi hasil estimasi, serta data yang
memiliki struktur saling tergantung satu sama lain (asumsi Bootstrap adalah
independensi data)( Sahinler dan Topuz, 2007))

Contoh:
Bentuk sebaran ", yaitu sebaran Khi-kuadrat dengan db=1,
eksponensial (10), gamma(5; 3), t dengan db=10, F (2; 5), normal dengan ragam
yang berbeda.
Berbagai ukuran contoh (n), yaitu untuk n1 = 10; n2 = 15; n3 = 20; n4
= 25; n5 = 30; n6 = 35; n7 = 40; n8 = 45; n9 = 50.
Berbagai nilai B, yaitu untuk B = 5; 10; 15; 20; 25; 30; 35; 40; 45; 50:
Hasil dan Pembahasan:
Penentuan banyaknya ulangan bootstrap (B) dilakukan dengan simulasi
Monte Carlo dalam 500 kali ulangan. Pendugaan terbaik didasarkan pada kriteria
ragam dari koe sien regresi yang akan diduga. Data populasi pada penelitian ini ber-
ukuran 500 data, berupa data berpasangan (X i; Yi) yang dibangkitkan dengan
menggunakan paket program Minitab, dimana
Yi = 0 + 1Xi + "i:
 Untuk data populasi ini, ditetapkan nilai parameter 0 = 3 dan 1 = 2 se-dangkan
untuk nilai galat dibangkitkan dari berbagai sebaran, yaitu sebaran Khi-kuadrat
dengan derajat bebas 10, sebaran Eksponensial (10), sebaran Gamma (5,3), sebaran-t
dengan derajat bebas 10 , sebaran-F (2,5), dan sebaran Normal dengan nilai ragam
yang bervariasi. Dengan kata lain, simulasi ini dilakukan pada kondisi dimana
asumsi mengenai sebaran galat terlanggar.

Simulasi dengan galat menyebar ("i210)

Dalam kasus ini, terjadi pelanggaran asumsi, dimana galat yang seharusnya
menye-bar menurut sebaran Normal dengan nilai tengah nol dan ragam yang
konstan, diatur sehingga menyebar menurut sebaran Khi-kudrat dengan derajat
bebas 10 (sehingga memiliki nilai tengah 10).

Gambar 1. Ragam Penduga Parameter Regresi ("i210)

Dari Gambar 1 terlihat pada penduga parameter 0 dan 1 untuk n > 40, tidak
perlu memperhatikan banyaknya ulangan bootstrap yang akan dilakukan, karena
berapapun banyaknya ulangan bootstrap yang dilakukan sudah menghasilkan ragam
yang kecil. Untuk sampel yang berukuran lebih kecil, dapat dilakukan 25 kali ulangan
bootstrap. Namun untuk ukuran sampel sebesar 10 sebaiknya tidak dilakukan, karena
masih menghasilkan ragam yang cukup besar.