Prosiding Semirata FMIPA Universitas Lampung, 2013

Taksiran Parameter Distribusi Weibull dengan

Menggunakan Metode Momen dan Metode Maksimum
Likelihood
Arisman Adnan,Eka Meri Kristin, Sigit Sugiarto
Laboratorium Statistika, Jurusan Matematika, Universitas Riau
E-mail: arisman_adnan@unri.ac.id

Abstrak.Taksiran parameter distribusi Weibull dilakukan dengan menggunakan metode

momen dan metode maksimum likelihood. Dengan menggunakan beberapa ukuran
sampel untuk berbagai parameter bentuk  dan parameter skala  , simulasi
menujukkan bahwa Mean Square Error untuk metode moment lebih kecil dibandingkan
dengan metode kemungkinan maksimum. Hal ini sekaligus mendukung hasil simulasi
yang diajukan oleh Razali, Salih dan Mahdi [3].

Kata Kunci.Distribusi Weibull, metode momen, metode maksimum likelihood, dan

Mean Square Error.

PENDAHULUAN momen pusat pertama, selanjutnya akan

dilakukan penaksiran terhadap parameter
Distribusi Weibull biasanya digunakan  [1]:
dalam pembahasan data uji hidup yang  1
sering digunakan dalam berbagai bidang   E  X   1  
seperti biomedik dan industri. Fungsi  
densitas distribusi ini dinyatakan sebagai : Penaksir untuk parameter 
x
 menggunakan metode momen adalah:
 x  1    
f x      e x  0,   0,   0 ˆ 
x
    1
1  
Dengan x adalah variabel random,   ˆ 
adalah parameter skala dan  adalah Selanjutnya, untuk mendapatkan
parameter bentuk yang keduanya akan taksiran parameter  diperoleh dari
ditaksir. Rata-rata distribusi ini adalah fungsi parameter  dengan cara
 1
  1   dan variansi membandingkan variansi dengan rata-rata
  dikuadratkan [1], sehingga dapat ditulis
Var  X 
 2    1   f   
2
  
Var  X    1    1   
 2
2

      
 
  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

Semirata 2013 FMIPA Unila |25

 Arisman Adnan dkk: Taksiran Parameter Distribusi Weibull dengan Menggunakan
Metode Momen dan Metode Maksimum Likelihood

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

Penaksir yang telah diperoleh dari

 E ˆ 2   E ˆ   E ˆ    
2 2

metode momen dan metode maksimum

2 
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

26| Semirata 2013 FMIPA Unila

 Prosiding Semirata FMIPA Universitas Lampung, 2013

 
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)

1 3 0.9684 4.1630 2.3234 0.9290 2.6670 2.7087

2 5 1.7217 6.3220 4.4481 1.8848 4.8186 5.1113
13.858
5 9 4.9812 3.2252 5.7775 9.2724 3.2440
2
28.541
10 20 9.9080 3.1429 11.4937 18.7982 5.3401
8
30.052 72.075
30 50 3.5500 37.3650 46.9987 6.5072
2 5
39.918 117.89
40 80 4.1070 44.1675 77.8434 6.5016
0 7
49.980 142.73
50 100 1.5454 73.1496 91.1044 6.5079
1 4

Semirata 2013 FMIPA Unila |27