Artikel Agusprint
Artikel Agusprint
TERPOTONG
Agustinus Simanjuntak
Agustinus03@rocketmail.com
ABSTRACT
ABSTRAK
1. PENDAHULUAN
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 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 .
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
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.
4
M M LE dari parameter θ katakan θ̄ adalah
{
θ∗ , jika Ȳ < b/2
θ̄ =
0, jika Ȳ ≥ b/2.
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:
Bukti: Pembuktian dari Teorema 1 dapat dilihat pada buku Bain [2, h. 309].
5. SIMULASI
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
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.
[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.
[7] J. F. Lawless, Statistical Models and Methods for Lifetime Data, Second Edi-
tion, John Wiley and Sons, Inc., Hoboken, New Jersey, 2003.
[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.