BAB 1

PENDAHULUAN

1.1 Latar Belakang

Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta
yang diketahui. Inferensi juga dikatakan suatu konklusi logis atau implikasi ber-
dasarkan informasi yang tersedia. Istilah inferensi digunakan untuk menunjukkan
dari hal yang khusus menuju ke hal yang umum. (Sarwoko, 2002).

Inferensi statistik merupakan salah satu bidang statistik yang berhubungan

dengan analisis data sampai pada peramalan dan penarikan kesimpulan mengenai
suatu populasi. Pada umumnya Inferensi Statisitik sepenuhnya menggunakan data
yang diperoleh dari penelitian saat ini, akan tetapi dalam kasus penelitian yang
jarang terjadi misalnya penyakit kanker, aids atau flu burung atau untuk kasus
penelitian yang membutuhkan jangka waktu panjang seperti misalnya peluruhan
radio aktif, inferensi dari data sampel saja tidak cukup karena akan membutuhkan
waktu yang lama untuk dapat menganalisis kasus tersebut.

Inferensi dalam kasus seperti di atas menggunakan metode klasik (frequen-

tist) yang didasarkan sepenuhnya pada informasi yang diperoleh melalui sampel,
ini dapat menghasilkan error yang besar karena data sampel yang diambil ter-
lalu sedikit, akibatya nanti inferensi yang dihasilkan nantinya kurang baik. Untuk
mendapatkan inferensi yang lebih baik akan lebih tepat jika data yang digunakan
adalah data gabungan antara data sampel saat ini dengan data penelitian sebelum-
nya (data prior).

Penggabungan data dilakukan dengan tujuan untuk meminimalkan tingkat

kesalahan sehingga inferensi yang dihasilkan mendekati sempurna. Metode infe-
rensi yang menggunakan data sampel dan data prior inilah yang disebut dengan
metode Bayes. Tujuan dari inferensi statistik adalah untuk menarik kesimpulan
dari data sampel yang diketahui tentang populasi yang tidak ada datanya. Sebagai
contoh, dari 55 persen sampel cenderung untuk memilih pilihan A, tapi sebenarnya
berapa banyak pemilih secara keseluruhan yang cenderung memilih A?

1
Universitas Sumatera Utara
 2

Saat ini, terdapat dua pendekatan filosofis utama dalam statistik inferens,
yang pertama disebut sebagai pendekatan frequentist atau kadang-kadang disebut
sebagai pendekatan klasik (karena berkembang lebih dulu). Dalam pendekatan
ini, prosedur dikembangkan hanya dengan melihat performa seluruh kemungkinan
sampel acak (all possible random sample) saat ini. Informasi sampel acak yang
diperoleh sebelumnya (pada percobaan/observasi lain di masa lalu) diabaikan. Ke-
mudian pendekatan kedua, dikenal sebagai Bayesian, yang akan dibahas selanjut-
nya.

Adapun Pendekatan frequentist berlandaskan pada ide-ide :

1. Parameter, yaitu karakteristik dari populasi, adalah konstan namun tidak

diketahui.

2. Probabilitas selalu diinterpretasikan sebagai frekuensi relatif jangka panjang,

tak peduli datanya.

3. Prosedur statistik dinilai dengan seberapa baik prosedur itu dalam jangka
panjang dengan mengulang-ulang percobaan sampai tak hingga.

Karena dalam pendekatan ini parameter adalah tetap, maka tidak bisa mem-
buat pernyataan tentang peluang dari nilai parameter tersebut (bagaimana di-
nyatakannya dalam peluang jika nilai parameter adalah tetap dengan kata lain
pasti). Interval kepercayaan tidak memiliki arti peluang akan nilai parameter, na-
mun hanya digunakan untuk uji hipotesis apakah nilai penduga parameter bisa
diterima atau tidak.

Sifat Optimal yang dimiliki Inferensi Relatif Surprise memiliki interpretasi

langsung dalam hal meminimalkan kemungkinan nilai nilai palsu sebelumnya dan
ini adalah cara yang tepat untuk menilai ulang sifat sampling prior sebelumnya.
Daerah Relatif Surprise, probabilitas prior nilai nilai salah sebelumnya selalu di-
batasi oleh probabilitas prior nilai nilai benar. Keduanya dalam satu himpunan,
bersifat umum pada batas tertentu dan tidak bias.

Misal diperoleh P (a < θ ≤ b) = 0.95, tidak bisa mengatakan peluang θ di-

antara [a, b] adalah 95 persen karena jika dikatakan demikian berarti θ adalah suatu

Universitas Sumatera Utara

 3

nilai acak. Karena itu dalam frequentist interval itu selalu diartikan begini: dari
100 percobaan dengan random sampel iid maka 95 percobaan akan mendapatkan
nilai penduga parameter θ̂ berada pada interval [a, b].

Misalkan ada suatu data yang akan dianalisis dengan tepat oleh analisis
Bayesian.Akan diamati data x dari model statistik {fθ : θ ∈ Θ} dimana fθ adalah
suatu populasi yang mendukung nilai nilai µ dari sampel space X dan φ adalah
populasi prior dari θ yang berkaitan dengan nilai dari Θ. Dari unsur unsur yang
ada sini dapat di buat suatu distribusi untuk mengobservasi nilai x dari (θ, X)
yaitu :

(θ, X) = fθ (x)φ(θ)

= ×µ

Andaikan sebelumnya dianggap prior dari sampel space X adalah M (B) =

EΠ (Pθ (B)) dan posterior dari θ adalah Π(A | x) maka banyaknya τ = Υ(θ) menjadi
bagian T dan selanjutnya jika batasan posterior dan prior Υ berturut-turut adalah
ΠΥ (. | x) dan ΠΥ maka dari hubungan ΠΥ (. | x) dan ΠΥ akan didapat nilai T dari
T.

Bayesian adalah suatu pendekatan statistik yang berlandaskan pada ide-ide

berikut:

1. Sejak orang tak pernah yakin akan nilai sebenarnya dari parameter, maka
parameter dianggap sebagai suatu random variabel.

2. Aturan probabilitas digunakan secara langsung untuk melakukan inferens

tentang parameter.

3. Pernyataan probabilitas tentang parameter diinterpretasikan sebagai derajat

kepercayaan. Distribusi prior adalah subyektif. Setiap orang bisa memilih
priornya sendiri, yang mengandung bobot relatif yang diberikannya pada
parameter tersebut, yang mengukur bagaimana sejauh mana bisa diterima /
dipercaya setiap parameter tersebut sebelum percobaan.

4. Setelah itu menyesuaikan kepercayaan/penerimaan kita pada parameter terse-

but setelah memperoleh data dengan menggunakan teorema Bayes, sehingga

Universitas Sumatera Utara

 4

akan menghasilkan distribusi posterior, yang memberikan bobot relatif tiap

parameter setelah data dianalisis. Distribusi posterior diperoleh dari dua
sumber, yaitu : distribusi prior dan data pengamatan.

Dengan pendekatan Bayesian ini bisa membuat pernyataan probabilitas dari

parameter karena memang parameter adalah random variabel. P (a < θ ≤ b) =
0.95 memang berarti peluang nilai parameter θ berada pada interval [a, b] dengan
syarat data seperti pada data observasi adalah 95 persen. Hanya dengan teorema
Bayes bisa secara konsisten memperbaiki kepercayaan pada parameter berdasarkan
data yang benar-benar terjadi! Selain itu pendekatan Bayesian sangat berman-
faat dalam menangani parameter pengganggu (nuisance parameter). Parameter
pengganggu adalah suatu parameter yang tidak tertarik untuk melakukan infer-
ens atasnya, tapi tidak ingin parameter tersebut mempengaruhi inferens tentang
parameter utama (tidak bahas dalam artikel ini).

Teorema bayes adalah atau prinsip probabilitas bersyarat menyatakan bahwa

setiap pernyataan probabilitas tentang θ yang tidak diketahui setelah mengamati
x haruslah berdasarkan posterior Π(· | x). Akan tetapi unsur unsur pokok ini
sendiri tidak menetapkan apakah daerah kredibel Bγ(x) ⊂ T pasti berasal dari
τ = Υ(θ) karena dari sini biasanya banyak subset dari T yang mengandung γ
sehingga dibutuhkan suatu ukuran untuk memilih diantaranya.

Tampak jelas bahwa Teorema Bayes hanya mengatakan setiap pernyataan

probabilitas yang dibuat tentang θ haruslah dihitung dengan menggunakan dis-
tribusi posterior. Sebagai contoh misalnya jika akan menyebutkan berapa banyak
himpunan C ⊂ yang mempunyai probabilitas 0,95 mengandung τ yang sebenarnya
maka Teorema Bayes tidak dapat menyatakan bagaimana untuk memperoleh him-
R
punan C tetapi hanya dinyatakan C harus memenuhi C πΥ (τ |x0 ) vT (dτ ) = 0, 95.

Dalam (Evans, 1997) dikatakan bahwa ada suatu pendekatan khusus un-
tuk menaksir sebuah hipotesis H0 : τ = τ0 dengan menghitung Observed Relatif
Surprise (ORS). Dikatakan bahwa Inferensi Relatif Suprise memiliki sifat optimal
dalam Teorema Bayes.

Universitas Sumatera Utara

 5

1.2 Rumusan Masalah

Dari latar belakang yang telah diuraikan maka rumusan masalahnya adalah
bagaimana memperoleh inferensi relatif surprise sehingga Teorema Bayes menjadi
optimal.

1.3 Tujuan Penelitian

Adapun tujuan penelitian ini adalah diperolehnya Inferensi Relatif Surprise

dengan Teorema Bayes yang optimal.

1.4 Manfaat Penelitian

Hasil penelitian ini diharapkan dapat memberikan konstribusi bagi sejumlah

individual ataupun kelompok yang menggunakan Inferensi Relatif Surprise dalam
pendekatan Bayes.

1.5 Metode Penelitian

Metode Penelitian yang digunakan adalah tinjauan literatur dan tahapan

penelitian yang dilakukan adalah menentukan latar belakang pemilihan judul, ke-
mudian melakukan studi literatur, selanjutnya merumuskan masalah, tujuan dan
manfaat penelitian, setelah itu membuat tinjauan pustaka dari Inferensi Relatif
Surprise, kemudian menjelaskan tentang Inferensi Relatif Surprise, membahasnya
dan terakhir membuat kesimpulan dan saran dari pembahasan yang sudah di-
lakukan.

Universitas Sumatera Utara