PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL

TERPOTONG

Agustinus Simanjuntak

Mahasiswa Program Studi S1 Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau
Kampus Bina Widya Pekanbaru 28293, Indonesia

Agustinus03@rocketmail.com

ABSTRACT

This article discusses mean estimator of truncated exponential distribution

published by Al-athari [Journal of Mathematics and Statistics, 4 (2008), 284-288]
using Maximum Likelihood Estimator (MLE ) and Modified Maximum Likelihood
Estimator (MMLE ). Both of estimators will be determined accurate estimator
by calculated Mean Square Error (MSE ) with numerical simulation. Result of
simulation explain that M M LE is better to estimate of mean of truncated
exponential distribution.
Keywords: Truncated exponential distribution, MLE, MMLE, MSE, Converge
in distribution

ABSTRAK

Artikel ini membahas tentang penaksir rata-rata distribusi eksponensial terpotong

yang dipublikasikan oleh Al-athari [Journal of Mathematics and Statistics, 4
(2008), 284-288] menggunakan Maximum Likelihood Estimator (MLE ) dan
Modified Maximum Likelihood Estimator (MMLE ). Kedua estimator akan
ditentukan estimator yang akurat dengan menghitung Mean Square Error (MSE )
menggunakan simulasi numerik. Hasil simulasi menjelaskan MMLE lebih baik
dalam menaksir rata-rata distribusi eksponensial terpotong.
Kata kunci: Distribusi eksponensial terpotong, MLE, MMLE, MSE, konvergen
dalam peluang

1. PENDAHULUAN

Pendugaan parameter adalah bagian dari statistik inferensi yang merupakan

suatu cara untuk memprediksi karakteristik dari suatu populasi berdasarkan sampel
yang diambil. Secara umum pendugaan parameter digolongkan menjadi dua yaitu
pendugaan titik dan pendugaan selang. Beberapa metode pendugaan titik yang
digunakan untuk menduga parameter diantaranya adalah metode momen, metode

1
kuadrat terkecil, M LE dan metode Bayes. M LE merupakan suatu estimator
pendugaan parameter yang memaksimalkan fungsi likelihood yang diperkenalkan
oleh seorang ahli genetika dan statistik Sir R. A. Fisher antara tahun 1912
sampai 1922 [8]. M LE adalah estimator yang paling populer dari estimasi
parameter dan merupakan alat untuk banyak teknik pemodelan statistik, khusus-
nya dalam pemodelan non-linear dengan data non-normal.
Dalam kasus sederhana persamaan maximum likelihood, untuk menemukan
perkiraan parameter dapat diselesaikan dengan menetapkan derivatif pertama ke
nol. Kasus lainnya tidak dapat diselesaikan dalam situasi dimana model adalah
kompleks dan melibatkan banyak parameter. Mengevaluasi setiap likelihood
untuk semua nilai parameter menjadi sulit dilakukan, bahkan dengan komputer
modern. Inilah sebabnya digunakan algoritma optimasi untuk statistik. Tujuan
dari optimasi algoritma untuk menemukan secepat mungkin nilai-nilai parameter
data yang diamati diperoleh. Ada banyak algoritma tersedia seperti metode
Newton Raphson dan algoritma EM.
Dalam menemukan sebuah estimator yang lebih mungkin dari M LE, diberikan
modifikasi terhadap M LE yaitu M M LE sehingga memenuhi kelayakan pada
parameter yang akan ditaksir. Clifford dan Betty [3] melakukan penelitian mengenai
modifikasi momen dan M LE untuk pendugaan tiga parameter distribusi gamma dan
distribusi Weibull. Dalam penelitian ini M LE dan M M LE digunakan untuk
penaksir rata-rata distribusi ekponensial terpotong.

2. DISTRIBUSI EKSPONENSIAL TERPOTONG

Salah satu distribusi probabilitas kontinu adalah distribusi eksponensial. Variabel

random X dikatakan berdistribusi eksponensial dengan parameter θ mempunyai
fkp sebagai berikut [4, h. 194]

f (x; θ) = θe−θx , x > 0, θ > 0. (1)

Ekspektasi dan variansi dari distribusi eksponensial adalah E(X)= 1θ dan

V ar(X) = θ12 .
Distribusi eksponensial telah banyak digunakan sebagai model di berbagai bidang.
Mulai dari studi umur suatu barang produksi [7], studi kelangsungan hidup dan
remisi penyakit kronis [9]. Dalam beberapa situasi, diperlukan perkiraan rata-
rata antara unsur-unsur dari kelompok populasi tertentu. Sebagai contoh,
dalam pengujian masalah distribusi eksponensial adalah estimasi yang terpisah
dari rata-rata umur hidup lampu yang bertahan dalam mendekati kurang
dari waktu suatu konstanta. Dalam kasus seperti ini, keluarga distribusi
terpotong memberikan pemodelan untuk populasi tersebut, kemudian Al-athari
[1] memberikan distribusi eksponensial terpotong (truncated exponential
distribution).
Penelitian ini membahas tentang penaksiran parameter distribusi eksponensial
terpotong yang merupakan kajian dari artikel Al-athari [1]. Distribusi ini merupakan

2
distribusi eksponensial dengan nilai variabel random X terbatas pada interval [a, b]
atau a ≤ X ≤ b. Titik a adalah titik terpotong di sebelah kiri dan titik b adalah
titik terpotong kanan. Penelitian hanya membahas titik terpotong di sebelah kanan
(b). Distribusi terpotong muncul dalam statistika dalam kasus di mana kemampuan
untuk merekam kejadian terbatas pada nilai-nilai yang berada di atas atau di bawah
ambang batas tertentu atau dalam kisaran tertentu. Misalkan X adalah variabel
random dengan fungsi kepadatan probabilitas eksponensial dari rata-rata (1/θ)
pada persamaan (1), maka fkp dari variabel random Y versi terpotong di sebelah
kanan dari X sebagai berikut
{
θe−θy (1 − e−θb )−1 , jika 0 < y ≤ b
f (y; θ) = (2)
0, lainnya .

dengan b adalah bilangan konstan yang diketahui dan θ > 0.

Distribusi eksponensial terpotong mempunyai fungsi kumulatif, ekspektasi dan
variansi berturut - turut sebagai berikut
−e−θx + 1
F (x) = . (3)
1 − e−θb

1
E(Y ) = − b(eθb − 1)−1 . (4)
θ

1 [ θb ]−1 [ θb ]−2
V ar(Y ) = − b2
e − 1 − b 2
e − 1 .
θ2
Selanjutnya akan dibahas penaksir rata-rata dari distribusi eksponensial ter-
potong menggunakan M LE dan M M LE.

3. PENAKSIR DARI MLE DAN MMLE

Misalkan Y1 , Y2 , . . . , Yn merupakan sampel random dari distribusi eksponensial

terpotong dengan fkp pada persamaan (2) maka fungsi likelihood dari distribusi
eksponensial terpotong menjadi
∑n [ ]−n
L(y; θ) = θn e−θ i=1 yi 1 − e−θb . (5)
∑
yi
Rata-rata sampel ȳ = n
,diperoleh fungsi log-likelihood sebagai berikut
( )
ln L(y; θ) = n ln θ − n ln 1 − e−θb − θnȳ. (6)

Untuk memperoleh penaksir parameter θ dilakukan dengan mencari turunan

pertama dari persamaan (6) terhadap θ sehingga diperoleh
( )
∂ 1 −θb
[ ]
−θb −1
ln L(y; θ) = n − be 1−e − ȳ . (7)
∂θ θ

3
 Untuk mendapatkan θ̂ maka persamaan (7) disamakan dengan nol, maka
diperoleh
1
θ̂ = . (8)
b (eθb − 1)−1 + ȳ

Solusi θ̂ sulit secara analitik atau dengan kata lain tidak diperolehnya
θ̂ secara eksak, hal ini dikarenakan bentuk solusi persamaan yang sangat
kompleks. Dalam penelitian ini digunakan Pendekatan limit untuk menyelesaikan
solusi θ̂ yaitu dengan menggunakan aturan L’Hopital .
Karena fungsi log-likelihood terdefinisi dan terdeferensial pada interval (0, ∞),
nilai maksimum dari L(y; θ) ada. Dari pengaturan ∂ ln L(y; θ)/∂θ = 0 persamaan
(7) menjadi sebagai berikut
1 [ ]−1
− b eθb − 1 − ȳ = 0. (9)
θ
Sisi kiri Persamaan (9) merupakan persamaan yang monoton turun di θ. Jika
θ → 0, cenderung menuju ke 2b − ȳ. Jika θ → ∞, cenderung menuju -ȳ. Oleh karena
sisi kiri persamaan (9) monoton turun maka solusi persamaannya adalah unik,
jika dan hanya jika 0 < ȳ < b/2. Pada saat 0 < ȳ < b/2, terdapat titik stasioner
yaitu θ∗ dengan ∂ ln L(y; θ)/∂θ = 0 dan tidak terjadi pada sembarang titik batas dari
interval (0, ∞). Rata-rata sampel yaitu ȳ yang diperoleh memberikan representasi
yang memadai untuk rata-rata populasi yaitu Ȳ . M LE dari parameter θ adalah
{
θ∗ , jika Ȳ < b/2
θ̂ =
tidak ada , jika Ȳ ≥ b/2.

Jika n → ∞, Ȳ konvergen dalam peluang rata-rata µ(θ) dari fkp distribusi

eksponensial terpotong diberikan dalam persamaan (2). Fkp distribusi
eksponensial terpotong (2) adalah monoton menurun, argumen geometris sederhana
menunjukkan bahwa rata-rata harus terletak di kiri setengah dari interval (0, b) dan
µ(θ) < b/2. Jika n → ∞ maka P (Ȳ < b/2) → 1 sehingga M LE θ∗ ada dengan
peluang mendekati 1 dengan n → ∞. Oleh karena itu, M LE katakan µˆ1 dari
µ(θ) sebagai berikut
{
Ȳ , jika Ȳ < b/2
µˆ1 = (10)
tidak ada , jika Ȳ ≥ b/2.

Al-athari [1] memberikan modifikasi dari M LE yang diberikan dalam per-

samaan (10) yaitu didasarkan dengan menemukan sebuah estimator yang sedekat
mungkin ke M LE µˆ1 dan lebih mungkin untuk memenuhi Kondisi kelayakan
0 < µ(θ) < b/2. Hal ini menunjukkan M M LE katakan µˆ2 sebagai berikut
{
Ȳ , jika Ȳ < b/2
µˆ2 = (11)
b/2, jika Ȳ ≥ b/2.

4
M M LE dari parameter θ katakan θ̄ adalah
{
θ∗ , jika Ȳ < b/2
θ̄ =
0, jika Ȳ ≥ b/2.

Penaksir rata-rata distribusi eksponensial terpotong dengan M M LE diberikan

pada persamaan (11). Untuk menentukan penaksir terbaik antara penaksir dari
M LE dan penaksir dari M M LE dilakukan perbandingan M SE dari kedua estima-
tor.

4. MEAN SQUARE ERROR (MSE )

Penaksir terbaik antara penaksir yang diperoleh dari M LE dan penaksir yang
diperoleh dari M M LE didapatkan setelah sifat dari penaksir tersebut diketahui.
Sifat penaksir yang digunakan adalah penaksir bias dan penaksir tak bias. Jika
penaksir merupakan penaksir tak bias maka dicari variansi, namun jika penaksir
adalah penaksir bias dicari M SE penaksir tersebut. Berikut diberikan Teorema
M SE:

Teorema 1 [2, h. 309] Jika θ̂ adalah penaksir dari θ maka

[ ]2
M SE(θ̂) = V ar(θ̂) + b(θ̂) .

Bukti: Pembuktian dari Teorema 1 dapat dilihat pada buku Bain [2, h. 309].

5. SIMULASI

Nilai sampel random distribusi eksponensial terpotong dapat diperoleh dengan

metode transformasi invers fungsi kumulatif distribusi. Dengan menggunakan fkp
distribusi eksponensial terpotong pada persamaan (2) dan U i adalah variabel
random distribusi Uniform (0,1) diperoleh
1 [ ]
Yi = − log 1 − Ui (1 − e−θb ) . (12)
θ
Setelah mendapatkan nilai sampel random pada persamaan (12), selanjutnya
akan dicari M SE dari M LE dan M M LE. Software yang digunakan adalah
M atlab [5] versi 7.0.1. Simulasi dilakukan dengan menggunakan ukuran sampel
n= 5, 20, 80 dan 150. Nilai parameter θ= 0.05, 0.25, 0.5, 1, batas kanan
terpotong b=1 serta pengulangan(replace) sebanyak R=30.
Dari Tabel 1 dapat dilihat bahwa pada saat nilai-nilai θ yang berbeda, nilai
M SE(θ̄) lebih kecil dibandingkan dengan nilai M SE(θ̂). Untuk θ=0.05 ukuran
sampel 5, maka diperoleh nilai M SE(θ̂)= 0.0054 dan nilai M SE(θ̄)= 0.0048. Pada
ukuran sampel 20 nilai M SE(θ̂)= 0.0060 dan M SE(θ̄)=0.0055. Hingga pada

5
 Tabel 1: M SE dari M LE dan M M LE dengan b=1, θ=0.05, 0.25, 0.5 dan 1.
θ = 0.05 θ = 0.25
n
M SE(θ̂) M SE(θ̄) Selisih Nilai M SE(θ̂) M SE(θ̄) Selisih Nilai
5 0.0054 0.0048 0.0006 0.0051 0.0044 0.0007
20 0.0060 0.0055 0.0005 0.0057 0.0051 0.0006
80 0.0067 0.0063 0.0004 0.0062 0.0058 0.0004
150 0.0073 0.0070 0.0003 0.0068 0.0065 0.0003
θ = 0.5 θ=1
n
M SE(θ̂) M SE(θ̄) Selisih Nilai M SE(θ̂) M SE(θ̄) Selisih Nilai
5 0.0044 0.0037 0.0007 0.0034 0.0026 0.0008
20 0.0049 0.0044 0.0005 0.0040 0.0034 0.0006
80 0.0055 0.0051 0.0004 0.0046 0.0042 0.0004
150 0.0062 0.0059 0.0003 0.0053 0.0051 0.0002

ukuran sampel 80 nilai M SE(θ̂) dan M SE(θ̄) semakin naik yaitu 0.0067 dan 0.0063
serta pada ukuran sampel 150 nilai M SE(θ̂) menjadi 0.0073 dan 0.0070. Selisih nilai
M SE untuk ukuran sampel 5 yaitu 0.0006, hingga pada ukuran sampel 150 selisih
nilai M SEnya menurun mencapai 0.0003. Ketika θ=1 ukuran sampel yang diambil 5
nilai M SE(θ̂)= 0.0034 dan nilai M SE(θ̄)= 0.0026. Sampai pada ukuran yang besar
yaitu 150 nilai M SE(θ̂) adalah 0.0053 sedangkan nilai M SE(θ̄) bernilai 0.0051.
Hal ini menunjukkan bahwa nilai M SE(θ̂) akan mendekati nilai M SE(θ̄) untuk
ukuran sampel yang besarnya tak hingga.
Penaksir rata-rata menggunakan M M LE memiliki nilai M SE lebih kecil dari
nilai M SE penaksir M LE. Untuk setiap nilai θ berbeda, semakin besar ukuran
sampel maka selisih dari nilai dan akan mendekati nol. Hal ini menunjukan bahwa
nilai akan mendekati nilai untuk ukuran sampel yang semakin kecil.

6. KESIMPULAN

Berdasarkan hasil pembahasan bab-bab sebelumnya, maka diperoleh kesimpulan

bahwa estimasi rata-rata distribusi eksponensial terpotong telah didapatkan dari
M LE dan M M LE. Penyelesaian θ̂ pada M LE diselesaikan dengan pendekatan
limit yaitu aturan L’Hopital. Selanjutnya M M LE diberikan oleh Al-athari [1] den-
gan memodifikasi M LE sehingga memenuhi nilai kelayakan untuk penaksir rata-rata
distribusi eksponensial terpotong. Simulasi dilakukan dengan menggunakan uku-
ran sampel n = 5, 20, 80 dan 150. Nilai parameter θ adalah 0.05, 0.25, 0.5 dan
1. Hasil simulasi menunjukkan bahwa nilai M SE M M LE lebih kecil diband-
ing nilai M SE M LE. Beberapa keunggulan M M LE yaitu estimatornya selalu
ada, cepat dan mudah untuk menghitung dan lebih mungkin untuk menghasilkan
nilai layak untuk estimasi rata-rata. Jadi dapat disimpulkan penaksir M M LE
lebih baik dari M LE untuk penaksir rata-rata distribusi eksponensial terpotong.

6
Ucapan Terimakasih Penulis mengucapkan terima kasih kepada dosen
Pembimbing Drs. Sigit Sugiarto, M.Si. dan Bapak Drs. Bustami, M.Si. yang telah
memberikan arahan dan bimbingan dalam penulisan skripsi penulis yang menjadi
acuan artikel ini.

7
 DAFTAR PUSTAKA
[1] F. M. Al-athari, Estimation of the mean of truncated exponential distri-
bution, Journal of Mathematics and Statistics, 4 (2008), 284-288.

[2] L. J. Bain dan M. Engelhardt, Introduction to Probability and Math-

ematical Statistics, Second Edition, Duxbury, USA, 1993.

[3] A. C. Cohen dan B. Whitten, Modified maximum likelihood and modified mo-
ment estimators for the three-parameter weibull distribution, Communications
in Statistics - Theory and Methods, 11 (1982), 2631-2656.

[4] J. L. Devore dan K. N. Berk, Modern Mathematical Statistics with Applica-

tions, Duxbury, California, 2007.

[5] E. P. Enander, A. Sjoberg dan P. Isaksson, The MATLAB, Addison Wesley,

Longman, 1996.

[6] R. V. Hogg dan T. C. Allen, Introduction to Mathematical Statistics, Fifty

Edition, Prentice-Hall, New Jersey, 1995.

[7] J. F. Lawless, Statistical Models and Methods for Lifetime Data, Second Edi-
tion, John Wiley and Sons, Inc., Hoboken, New Jersey, 2003.

[8] K. M. Ramachandran dan C. P. Tsokos, Mathematical Statistics with Appli-

cations, Elsevier Academic Press, San Diego, USA, 2009.

[9] R. Shanker, H. Fesshaye dan S. Selvaraj, On modeling of lifetimes data using

exponential and lindley distributions, Biometrics & Biostatistics International
Journal, 2 (2015), 00042.

[10] R. E. Walpole, R. H. Myers, S. L. Myers dan K. Ye, Ilmu Peluang dan Statistika
untuk insiyur dan Ilmuwan, Edisi Keempat, Terj. dari Probability and
Statistics for Engineers and Scientists, Fourty Edition, oleh R. E. Walpole dan
R. H. Myers, Penerbit ITB, Bandung, 1995.