Sehingga diperoleh :
Untuk itu dilakukan simulasi
2
menghitung Mean Square Error (MSE) 1
ˆ
untuk penaksir parameter dengan metode
momen dan metode maksimum
f ˆ
1
1
likelihood. 1
2
ˆ
PENAKSIR METODE MOMEN
PENAKSIR METODE MAKSIMUM
Dengan mendapatkan rata-rata LIKELIHOOD
distribusi Weibull yang juga merupakan
Misalkan X1, X 2 ,..., X n adalah sampel digunakan perumusan Mean Square Error
berikut ini [3].
random berukuran n yang berasal dari
n 2
distribusi Weibull dengan fungsi densitas MSE Fˆ xi F xi dengan :
pada persamaan (1). Berdasarkan sampel i 1
ˆ
random X1, X 2 ,..., X n ditaksir parameter x
i
dengan menggunakan metode maksimum Fˆ xi 1 e ˆ
, merupakan
fungsi
likelihood. kumulatif distribusi Weibull.
Ambil vektor ( ),
F xi
i
merupakan pendekatan
asumsikan x1 , x2 ,..., xn adalah saling n 1
bebas dalam distribusi Weibull. Maka peringkat waktu gagal dari distribusi
fungsi likelihood adalah Weibull.
n
L( x; , ) f ( xi ; , ) A.Mean Square Error pada Penaksir
i 1
Metode Momen
n
xi
Karena penaksir pada persamaan (2)
i 1
bersifat tak bias, maka Mean Square Error
L( x; , ) xi
n n
1
e sama dengan Variansi [2] sehingga
i 1 i 1 diperoleh
Diasumsikan parameter dan
parameter tidak diketahui, maka
x
penaksir maksimum likelihood dari MS (ˆ ) Var
1
1
parameter adalah: n ˆ
xi
ˆ
1 ˆ
ˆ MLE i 1
n
2 1
2 1 2 1
Selanjutnya, fungsi parameter ˆ ˆ
MSE ˆ
diperoleh dengan mencari turunan 1
n 2 1
pertama ln L(ˆ; x1 , x2 ,.., xn ) pada ˆ
persamaan (2) terhadap sehingga Selanjutnya Mean Square Error untuk
dengan cara mengeliminasi maka taksiran parameter tidak dicari
fungsi parameter diperoleh sebagai dikarenakan taksiran parameter berada
berikut : didalam fungsi parameter f .
x ln x
n
ˆ
i i
1 1 n B.Mean Square Error pada Penaksir
g ˆ i 1
ln xi (6)
ˆ n i 1 Metode Maksimum Likelihood
n
x
i 1
i
ˆ
Mean Square Error untuk penaksir
MEAN SQUARE ERROR pada persamaan (6) adalah:
MSE ̂ = Var ˆ Bias ˆ ,
2
ˆ ˆ ˆ ˆ 2
likelihood akan menghasilkan penaksir
MSE ̂ n 1
1
yang berbeda. Salah satu sifat penaksir ˆ
n
terbaik adalah bersifat tak bias. Namun
dalam hal ber sifat bias, MSE dapat
dikontruksi.Efisiensi pada simulasi
2 Square Errornya juga semakin besar.
n 2
ˆ ˆ
Simulasi ini menunjukkan bahwa metode
2
n momen lebih baik dibandingkan metode
maksimum likelihood dalam menaksir
2
MSE ̂ = ˆ ˆ 2 parameter distribusi Weibull yang
sekaligus mendukung penelitian Razali,
STUDI SIMULASI DAN Salih dan Mahdi [3].
PEMBAHASAN
DAFTAR PUSTAKA
Dengan menggunakan Matlab 7.0.1,
telah digenerate data Weibull random Al-Fawzan, M.A.,(2000). Methods for
dengan n 20 , dan , yang Estimating the Parameters of the
Weibull Distribution, Report ; King
berbeda-beda dan menggunakan nilai Abdulaziz City
tebakan awal 0 dan 1 yang mendekati forScienceandTechnology, Riyadh,
nilai parameter . Dilakukan ulangan Saudi Arabia.
sebanyak 1000 kali selanjutnyanilai Mean Bain, L.J. and Engelhard. M., (1991).
Square Error dari metode momen dan Introduction to Probability
metode Maksimum Likelihood dapat Mathematical Statistics, Second Ed.
diperoleh dan disajikan pada Tabel 1. Duxbury Press. Belmont, California.
Sehingga dapat dilihat bahwa semakin
besar nilai parameter dan maka
Razali, A.M.,Salih, A.A and Mahdi
A.A.,(2009). Estimation Accuracy of
nilai Mean Square Error dari metode Weibull Distribution Parameters,
momen semakin kecil sedangkan untuk JoASR5(7):790 – 795.
metode maksimum likelihood dapat
dilihat bahwa semakin besar nilai
parameter dan maka nilai Mean
Tabel 1. Perbandingan MSE antara metode momen dan metode maksimum likelihood
Metode Momen Metode Maksimum Likelihood
MSE(1
̂ ˆ )
̂ ˆ MSE(2)