BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Pendidikan di Indonesia dewasa ini mengikuti perkembangan jaman yang

diarahkan pada sumber daya manusia, agar nantinya mempunyai kemampuan

melanjutkan pembangunan yang sesuai dengan perkembangan ilmu

pengetahuan dan Teknologi (IPTEK). Untuk mempersiapkan sumber daya

manusia pemerintah mulai meningkatkan jenjang pendidikan dasar 12 tahun,

demikian juga pemerintah meningkatkan kemampuan tenaga pendidik ke

jenjang S 1 (Sarjana).

Pendidikan tersebut juga ditandai dari penyempurnaan kurikulum dari

kurikulum 1975 menjadi kurikulum 1984, kemudian disempurnakan lagi

menjadi kurikulum 1994, dan suplemen menjadi kurikulum 1996, kemudian

disempurnakan menjadi kurikulum pendidikan 2004 atau kurikulum berbasis

kompetensi (KBK). Salah satu usaha untuk memajukan pendidikan maka

pemerintah menyempurnakan kurikulum 2004 menjadi kurikulum 2006 yang

disebut Kurikulum Tingkat Satuan Pendidiikan (KTSP). Kurikulum ini juga

berisi kompetensi atau kemampuan dasar yang dilengkapi dengan materi

standar dan indikator pencapaian hasil belajar.

Matematika merupakan ilmu universal yang mendasari perkembangan

teknologi modern, mempunyai peran penting dalam berbagai disiplin ilmu

dan memajukan daya pikir manusia. Perkembangan pesat di bidang teknologi

4
informasi dan komunikasi dewasa ini dilandasi oleh perkembangan

matematika di bidang teori bilangan, aljabar,analisis, teori peluang dan

matematika diskrit.Untuk menguasai dan mengembangkan teknologi di masa

depan diperlukan penguasaan matematika yang kuat sejak dini.

Mata pelajaran Matematika diberikan mulai dari sekolah dasar untuk

membekali peserta didik dengan kemampuan berpikir logis, analitis,

sistematis,kritis, dan kreatif, serta kemampuan bekerjasama. Kompetensi

tersebut diperlukanagar peserta didik dapat memiliki kemampuan

memperoleh, mengelola, dan memanfaatkan informasi untuk bertahan hidup

pada keadaan yang selalu berubah, tidak pasti, dan kompetitif. Keberhasilan

pembelajaran matematika pada jenjang pendidikan Sekolah Dasar (SD)

menjadi harapan semua pihak khususnya guru matematika.

1. Sejarah Matematika

Kata "matematika" berasal dari bahasa Yunani Kuno μάθημα

(máthēma), yang berarti pengkajian, pembelajaran, ilmu, yang ruang

lingkupnya menyempit, dan arti teknisnya menjadi "pengkajian

matematika", bahkan demikian juga pada zaman kuno. Kata sifatnya adalah

μαθηματικός (mathēmatikós), berkaitan dengan pengkajian, atau tekun

belajar, yang lebih jauhnya berarti matematis. Secara khusus, μαθηματικὴ

τέχνη (mathēmatikḗ tékhnē), di dalam bahasa Latin ars mathematica,

berarti seni matematika.

5
 Bentuk jamak sering dipakai di dalam bahasa Inggris, seperti juga di

dalam bahasa Perancis les mathématiques (dan jarang digunakan sebagai

turunan bentuk tunggal la mathématique), merujuk pada bentuk jamak

bahasa Latin yang cenderung netral mathematica (Cicero), berdasarkan

bentuk jamak bahasa Yunani τα μαθηματικά (ta mathēmatiká), yang

dipakai Aristotle, yang terjemahan kasarnya berarti "segala hal yang

matematis".[9] Tetapi, di dalam bahasa Inggris, kata benda mathematics

mengambil bentuk tunggal bila dipakai sebagai kata kerja. Di dalam ragam

percakapan, matematika kerap kali disingkat sebagai math di Amerika

Utara dan maths di tempat lain.

Evolusi matematika dapat dipandang sebagai sederetan abstraksi yang

selalu bertambah banyak, atau perkataan lainnya perluasan pokok masalah.

Abstraksi mula-mula, yang juga berlaku pada banyak binatang [10], adalah

tentang bilangan: pernyataan bahwa dua apel dan dua jeruk (sebagai

contoh) memiliki jumlah yang sama.

Selain mengetahui cara mencacah objek-objek fisika, manusia

prasejarah juga mengenali cara mencacah besaran abstrak, seperti waktu —

hari, musim, tahun. Aritmetika dasar (penjumlahan, pengurangan,

perkalian, dan pembagian) mengikuti secara alami.

Langkah selanjutnya memerlukan penulisan atau sistem lain untuk

mencatatkan bilangan, semisal tali atau dawai bersimpul yang disebut quipu

dipakai oleh bangsa Inca untuk menyimpan data numerik. Sistem bilangan

ada banyak dan bermacam-macam, bilangan tertulis yang pertama

6
diketahui ada di dalam naskah warisan Mesir Kuno di Kerajaan Tengah

Mesir, Lembaran Matematika Rhind.

Penggunaan terkuno matematika adalah di dalam perdagangan,

pengukuran tanah, pelukisan, dan pola-pola penenunan dan pencatatan

waktu dan tidak pernah berkembang luas hingga tahun 3000 SM ke muka

ketika orang Babilonia dan Mesir Kuno mulai menggunakan aritmetika,

aljabar, dan geometri untuk penghitungan pajak dan urusan keuangan

lainnya, bangunan dan konstruksi, dan astronomi.[11] Pengkajian

matematika yang sistematis di dalam kebenarannya sendiri dimulai pada

zaman Yunani Kuno antara tahun 600 dan 300 SM.

Matematika sejak saat itu segera berkembang luas, dan terdapat

interaksi bermanfaat antara matematika dan sains, menguntungkan kedua

belah pihak. Penemuan-penemuan matematika dibuat sepanjang sejarah dan

berlanjut hingga kini. Menurut Mikhail B. Sevryuk, pada Januari 2006

terbitan Bulletin of the American Mathematical Society, "Banyaknya

makalah dan buku yang dilibatkan di dalam basis data Mathematical

Reviews sejak 1940 (tahun pertama beroperasinya MR) kini melebihi 1,9

juta, dan melebihi 75 ribu artikel ditambahkan ke dalam basis data itu tiap

tahun. Sebagian besar karya di samudera ini berisi teorema matematika

baru beserta bukti-buktinya.

Matematika muncul pada saat dihadapinya masalah-masalah yang rumit

yang melibatkan kuantitas, struktur, ruang, atau perubahan. Mulanya

masalah-masalah itu dijumpai di dalam perdagangan, pengukuran tanah,

7
dan kemudian astronomi; kini, semua ilmu pengetahuan menganjurkan

masalah-masalah yang dikaji oleh para matematikawan, dan banyak

masalah yang muncul di dalam matematika itu sendiri. Misalnya, seorang

fisikawan Richard Feynman menemukan rumus integral lintasan mekanika

kuantum menggunakan paduan nalar matematika dan wawasan fisika, dan

teori dawai masa kini, teori ilmiah yang masih berkembang yang berupaya

membersatukan empat gaya dasar alami, terus saja mengilhami matematika

baru.[13] Beberapa matematika hanya bersesuaian di dalam wilayah yang

mengilhaminya, dan diterapkan untuk memecahkan masalah lanjutan di

wilayah itu. Tetapi seringkali matematika diilhami oleh bukti-bukti di satu

wilayah ternyata bermanfaat juga di banyak wilayah lainnya, dan

menggabungkan persediaan umum konsep-konsep matematika. Fakta yang

menakjubkan bahwa matematika "paling murni" sering beralih menjadi

memiliki terapan praktis adalah apa yang Eugene Wigner memanggilnya

sebagai "Ketidakefektifan Matematika tak ternalar di dalam Ilmu

Pengetahuan Alam".[14]

Seperti di sebagian besar wilayah pengkajian, ledakan pengetahuan di

zaman ilmiah telah mengarah pada pengkhususan di dalam matematika.

Satu perbedaan utama adalah di antara matematika murni dan matematika

terapan: sebagian besar matematikawan memusatkan penelitian mereka

hanya pada satu wilayah ini, dan kadang-kadang pilihan ini dibuat sedini

perkuliahan program sarjana mereka. Beberapa wilayah matematika terapan

telah digabungkan dengan tradisi-tradisi yang bersesuaian di luar

8
matematika dan menjadi disiplin yang memiliki hak tersendiri, termasuk

statistika, riset operasi, dan ilmu komputer.

Mereka yang berminat kepada matematika seringkali menjumpai suatu

aspek estetika tertentu di banyak matematika. Banyak matematikawan

berbicara tentang keanggunan matematika, estetika yang tersirat, dan

keindahan dari dalamnya. Kesederhanaan dan keumumannya dihargai.

Terdapat keindahan di dalam kesederhanaan dan keanggunan bukti yang

diberikan, semisal bukti Euclid yakni bahwa terdapat tak-terhingga

banyaknya bilangan prima, dan di dalam metode numerik yang anggun

bahwa perhitungan laju, yakni transformasi Fourier cepat. G. H. Hardy di

dalam A Mathematician's Apology mengungkapkan keyakinan bahwa

penganggapan estetika ini, di dalamnya sendiri, cukup untuk mendukung

pengkajian matematika murni.[15] Para matematikawan sering bekerja keras

menemukan bukti teorema yang anggun secara khusus, pencarian Paul

Erdős sering berkutat pada sejenis pencarian akar dari "Alkitab" di mana

Tuhan telah menuliskan bukti-bukti kesukaannya.[16][17] Kepopularan

matematika rekreasi adalah isyarat lain bahwa kegembiraan banyak

dijumpai ketika seseorang mampu memecahkan soal-soal matematika

Sebagian besar notasi matematika yang digunakan saat ini tidaklah

ditemukan hingga abad ke-16.[18] Pada abad ke-18, Euler bertanggung

jawab atas banyak notasi yang digunakan saat ini. Notasi modern membuat

matematika lebih mudah bagi para profesional, tetapi para pemula sering

menemukannya sebagai sesuatu yang mengerikan. Terjadi pemadatan yang

9
amat sangat: sedikit lambang berisi informasi yang kaya. Seperti notasi

musik, notasi matematika modern memiliki tata kalimat yang kaku dan

menyandikan informasi yang barangkali sukar bila dituliskan menurut cara

lain.

Bahasa matematika dapat juga terkesan sukar bagi para pemula. Kata-

kata seperti atau dan hanya memiliki arti yang lebih presisi daripada di

dalam percakapan sehari-hari. Selain itu, kata-kata semisal terbuka dan

lapangan memberikan arti khusus matematika. Jargon matematika

termasuk istilah-istilah teknis semisal homomorfisme dan terintegralkan.

Tetapi ada alasan untuk notasi khusus dan jargon teknis ini: matematika

memerlukan presisi yang lebih dari sekadar percakapan sehari-hari. Para

matematikawan menyebut presisi bahasa dan logika ini sebagai "kaku"

(rigor).

Kaku secara mendasar adalah tentang bukti matematika. Para

matematikawan ingin teorema mereka mengikuti aksioma-aksioma dengan

maksud penalaran yang sistematik. Ini untuk mencegah "teorema" yang

salah ambil, didasarkan pada praduga kegagalan, di mana banyak contoh

pernah muncul di dalam sejarah subjek ini. [19] Tingkat kekakuan diharapkan

di dalam matematika selalu berubah-ubah sepanjang waktu: bangsa Yunani

menginginkan dalil yang terperinci, namun pada saat itu metode yang

digunakan Isaac Newton kuranglah kaku. Masalah yang melekat pada

definisi-definisi yang digunakan Newton akan mengarah kepada

munculnya analisis saksama dan bukti formal pada abad ke-19. Kini, para

10
matematikawan masih terus beradu argumentasi tentang bukti berbantuan-

komputer. Karena perhitungan besar sangatlah sukar diperiksa, bukti-bukti

itu mungkin saja tidak cukup kaku.[20]

Aksioma menurut pemikiran tradisional adalah "kebenaran yang

menjadi bukti dengan sendirinya", tetapi konsep ini memicu persoalan.

Pada tingkatan formal, sebuah aksioma hanyalah seutas dawai lambang,

yang hanya memiliki makna tersirat di dalam konteks semua rumus yang

terturunkan dari suatu sistem aksioma. Inilah tujuan program Hilbert untuk

meletakkan semua matematika pada sebuah basis aksioma yang kokoh,

tetapi menurut Teorema ketaklengkapan Gödel tiap-tiap sistem aksioma

(yang cukup kuat) memiliki rumus-rumus yang tidak dapat ditentukan; dan

oleh karena itulah suatu aksiomatisasi terakhir di dalam matematika adalah

mustahil. Meski demikian, matematika sering dibayangkan (di dalam

konteks formal) tidak lain kecuali teori himpunan di beberapa

aksiomatisasi, dengan pengertian bahwa tiap-tiap pernyataan atau bukti

matematika dapat dikemas ke dalam rumus-rumus teori himpunan.[21]

Melalui penggunaan penalaran logika dan abstraksi, matematika

berkembang dari pencacahan, perhitungan, pengukuran, dan pengkajian

sistematis terhadap bangun dan pergerakan benda-benda fisika. Matematika

praktis telah menjadi kegiatan manusia sejak adanya rekaman tertulis.

Argumentasi kaku pertama muncul di dalam Matematika Yunani, terutama

di dalam karya Euklides, Elemen. Matematika selalu berkembang, misalnya

di Cina pada tahun 300 SM, di India pada tahun 100 M, dan di Arab pada

11
 tahun 800 M, hingga zaman Renaisans, ketika temuan baru matematika

berinteraksi dengan penemuan ilmiah baru yang mengarah pada

peningkatan yang cepat di dalam laju penemuan matematika yang berlanjut

hingga kini.[7]

Kini, matematika digunakan di seluruh dunia sebagai alat penting di

berbagai bidang, termasuk ilmu alam, teknik, kedokteran/medis, dan ilmu

sosial seperti ekonomi, dan psikologi. Matematika terapan, cabang

matematika yang melingkupi penerapan pengetahuan matematika ke

bidang-bidang lain, mengilhami dan membuat penggunaan temuan-temuan

matematika baru, dan kadang-kadang mengarah pada pengembangan

disiplin-disiplin ilmu yang sepenuhnya baru, seperti statistika dan teori

permainan. Para matematikawan juga bergulat di dalam matematika murni,

atau matematika untuk perkembangan matematika itu sendiri, tanpa adanya

penerapan di dalam pikiran, meskipun penerapan praktis yang menjadi latar

munculnya matematika murni ternyata seringkali ditemukan terkemudian. [8]

2. Definisi Matematika

Berdasarkan etimologi, matematika berarti ilmu pengetahuan yang

diperoleh dengan bernalar. Pada tahap awal matematika terbentuk dari

pengalaman manusia dalam dunia secara empiris, kemudian diproses dalam

dunia rasio, diolah secara analisis dan sintesis dengan penalaran di dalam

struktur kognitif, sehingga sampai pada konsep-konsep matematika. Agar

konsep yang terbentuk dapat dipahami orang lain dan dengan mudah

12
 dimanipulasi secara tepat, maka digunakan notasi dan istilah yang cermat

yang disepakati secara universal dan dikenal dengan bahasa matematika.

2. Karakteristik Matematika

Walaupun tidak terdapat satu pengertian tentang matematika yang

tunggal dan disepakati oleh semua tokoh atau pakar matematika, namun

dapat terlihat adanya ciri-ciri khusus atau karakteristik yang dapat

merangkum pengertian matematika secara umum. Beberapa karakteristik

matematika adalah sebagai berikut :

a) Memiliki Objek Abstrak

Dalam matematika objek dasar yang dipelajari adalah abstrak dan

sering disebut objek mental. Objek-objek itu merupakan objek pikiran.

Objek dasar itu meliputi fakta, konsep, operasi ataupun relasi dan prinsip.

Dari objek dasar itulah dapat disusun suatu pola dan struktur matematika.

b) Bertumpu pada Kesepakatan

Dalam matematika kesepakatan merupakan suatu tumpuan yang amat

penting. Kesepakatan yang amat mendasar adalah aksioma dan konsep

primitif. Aksioma diperlukan untuk menghindari berputarputarnya

argumentasi dalam pembuktian. Sedangkan konsep-konsep primitif

menghindari berputar-putar dalam pendefinisian. Aksioma juga disebut

postulat atau pernyataan pangkal (yang tidak perlu dibuktikan). Sedangkan

konsep primitif juga disebut undefined term atau pengertian pangkal tidak

perlu didefinisikan.

13
c) Pola Pikir Deduktif

Dalam matematika sebagai “ilmu” hanya diterima pola piker deduktif.

Pola pikir deduktif secara sederhana dapat dikatakan pemikiran yang

berpangkal dari hal yang bersifat umum diterapkan atau diarahkan pada

hal yang bersifat khusus.

d) Memiliki Simbol yang Kosong dari Arti

Dalam matematika terdapat banyak sekali simbol yang digunakan baik

berupa huruf ataupun bukan huruf. Rangkaian simbolsimbol dalam

matematika dapat membentuk suatu model matematika. Model matematika

dapat berupa persamaan, pertidaksamaan, bangun geometrik tertentu dan

sebagainya. Kosongnya arti simbol maupun tanda dalam model-model

matematika itu justru memungkinkan “intervensi” matematika ke dalam

berbagai pengetahuan.

e) Memperhatikan Semesta Pembicaraan

Sehubungan dengan kosongnya dari simbol-simbol dan tandatanda

dalam matematika jelas bahwa dalam menggunakan matematika

diperlukan kejelasan dalam lingkup apa simbol itu dipakai. Bila lingkup

pembicaraannya bilangan, maka simbol-simbol itu diartikan bilangan. Bila

lingkup pembicaraannya transformasi maka simbolsimbol itu diartikan

transformasi. Lingkup pembicaraan itulah yang disebut semesta

pembicaraan. Benar atau salahnya atau ada tidaknya penyelesaian suatu

model matematika ditentukan semesta pembicaraannya.

f) Konsisten Dalam Sistemnya

14
 Dalam matematika terdapat banyak sistem. Ada sistem yang

mempunyai kaitan satu sama lain tetapi juga ada sistem yang dapat

dipandang terlepas satu sama lain. Misal dikenal sistem-sistem aljabar atau

sistem-sistem geometri. Di dalam masing-masing sistem dan struktur itu

berlaku kosistensi. Ini juga dikatakan bahwa dalam setiap sistem dan

strukturnya tersebut tidak boleh terdapat kontradiksi. Suatu teorema

ataupun definisi harus menggunakan istilah atau konsep yang telah

ditetapkan terlebih dahulu. Konsistensi itu baik dalam makna maupun hak

nilai kebenarannya. Tetapi antara sistem yang satu dengan yang lain tidak

mustahil terdapat pernyataan yang intesinya saling kontradiksi.

3. Sitem dan Struktur dalam Matematika

Makna kata sistem diartikan sebagai “sekumpulan unsur atau

elemen yang terkait satu sama lain dan mempunyai tujuan tertentu”. Unsur

atau elemen itu sangat tergantung semesta pembicaraan. Sistem aksioma

misalnya, unsurnya adalah aksioma. Dalam matematika terdapat juga

sistem geometri, sistem bilangan, sistem persamaan dan sebagainya. Di

bagian ini yang disebut “struktur” adalah sistem yang di dalamnya memuat

hubungan yang hirarki. Suatu sistem aksioma yang diikuti dengan

teorema-teorema yang diturunkan dari padanya membentuk suatu struktur.

15
4. Fungsi dan Tujuan Pendidikan Matematika

Pendidikan matematika sekolah berfungsi mengembangkan

kemampuan menghitung, mengukur, menurunkan dan menggunakan

rumus matematika yang diperlukan dalam kehidupan sehari-hari.

Matematika juga berfungsi mengembangkan kemampuan

mengkomunikasikan gagasan dengan bahasa melalui model matematika

yang dapat berupa kalimat dan persamaan matematika, diagram,grafik atau

tabel.

Menurut Kurikulum Sekolah 2006 (Standar Isi), mata pelajaran

matematika bertujuan agar peserta didik memiliki kemampuan sebagai

berikut:

1. Memahami konsep matematika, menjelaskan keterkaitan antarkonsep dan

mengaplikasikan konsep atau algoritma, secara luwes, akurat, efisien, dan

tepat, dalam pemecahan masalah

2. Menggunakan penalaran pada pola dan sifat, melakukan manipulasi

matematika dalam membuat generalisasi, menyusun bukti, atau

menjelaskan gagasan dan pernyataan matematika

3. Memecahkan masalah yang meliputi kemampuan memahami masalah,

merancang model matematika, menyelesaikan model dan menafsirkan

solusi yang diperoleh

4. Mengomunikasikan gagasan dengan simbol, tabel, diagram, atau medialain

untuk memperjelas keadaan atau masalah

16
5 Memiliki sikap menghargai kegunaan matematika dalam kehidupan, yaitu

memiliki rasa ingin tahu, perhatian, dan minat dalam mempelajari

matematika, serta sikap ulet dan percaya diri dalam pemecahan masalah.

5. Sejarah Statistika
Penggunaan istilah statistika berakar dari istilah istilah dalam

bahasa latin modern statisticum collegium ("dewan negara") dan bahasa

Italia statista ("negarawan" atau "politikus").

Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman

untuk pertama kalinya sebagai nama bagi kegiatan analisis data

kenegaraan, dengan mengartikannya sebagai "ilmu tentang negara (state)".

Pada awal abad ke-19 telah terjadi pergeseran arti menjadi "ilmu mengenai

pengumpulan dan klasifikasi data". Sir John Sinclair memperkenalkan

nama (Statistics) dan pengertian ini ke dalam bahasa Inggris. Jadi,

statistika secara prinsip mula-mula hanya mengurus data yang dipakai

lembaga-lembaga administratif dan pemerintahan. Pengumpulan data terus

berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk

memberi informasi kependudukan yang berubah setiap saat.

Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak

menggunakan bidang-bidang dalam matematika, terutama peluang.

Cabang statistika yang pada saat ini sangat luas digunakan untuk

mendukung metode ilmiah, statistika inferensi, dikembangkan pada paruh

kedua abad ke-19 dan awal abad ke-20 oleh Ronald Fisher (peletak dasar

statistika inferensi), Karl Pearson (metode regresi linear), dan William

17
 Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan

statistika pada masa sekarang dapat dikatakan telah menyentuh semua

bidang ilmu pengetahuan, mulai dari astronomi hingga linguistika. Bidang-

bidang ekonomi, biologi dan cabang-cabang terapannya, serta psikologi

banyak dipengaruhi oleh statistika dalam metodologinya. Akibatnya

lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau

biostatistika), dan psikometrika.

Meskipun ada pihak yang menganggap statistika sebagai cabang dari

matematika, tetapi sebagian pihak lainnya menganggap statistika sebagai

bidang yang banyak terkait dengan matematika melihat dari sejarah dan

aplikasinya. Di Indonesia, kajian statistika sebagian besar masuk dalam

fakultas matematika dan ilmu pengetahuan alam baik di dalam departemen

tersendiri maupun tergabung dengan matematika.

6. Konsep Dasar

Dalam mengaplikasikan statistika terhadap permasalahan sains,

industri, atau sosial, pertama-tama dimulai dari mempelajari populasi.

Makna populasi dalam statistika dapat berarti populasi benda hidup, benda

mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran

sebuah proses dalam waktu yang berbeda-beda, yakni dikenal dengan

istilah deret waktu.

18
 Melakukan pendataan (pengumpulan data) seluruh populasi

dinamakan sensus. Sebuah sensus tentu memerlukan waktu dan biaya yang

tinggi. Untuk itu, dalam statistika seringkali dilakukan pengambilan

sampel (sampling), yakni sebagian kecil dari populasi, yang dapat

mewakili seluruh populasi. Analisis data dari sampel nantinya digunakan

untuk menggeneralisasi seluruh populasi.

Jika sampel yang diambil cukup representatif, inferensial

(pengambilan keputusan) dan simpulan yang dibuat dari sampel dapat

digunakan untuk menggambarkan populasi secara keseluruhan. Metode

statistika tentang bagaimana cara mengambil sampel yang tepat dinamakan

teknik sampling.

Analisis statistik banyak menggunakan probabilitas sebagai konsep

dasarnya hal terlihat banyak digunakannya uji statistika yang mengambil

dasar pada sebaran peluang. Sedangkan matematika statistika merupakan

cabang dari matematika terapan yang menggunakan teori probabilitas dan

analisis matematika untuk mendapatkan dasar-dasar teori statistika.

Ada dua macam statistika, yaitu statistika deskriptif dan statistika

inferensial. Statistika deskriptif berkenaan dengan deskripsi data, misalnya

dari menghitung rata-rata dan varians dari data mentah; mendeksripsikan

menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah

“dibaca” dan lebih bermakna. Sedangkan statistika inferensial lebih dari

19
 itu, misalnya melakukan pengujian hipotesis, melakukan prediksi

observasi masa depan, atau membuat model regresi.

Statistika deskriptif berkenaan dengan bagaimana data dapat

digambarkan dideskripsikan) atau disimpulkan, baik secara numerik

(misalnya menghitung rata-rata dan deviasi standar) atau secara grafis

(dalam bentuk tabel atau grafik), untuk mendapatkan gambaran sekilas

mengenai data tersebut, sehingga lebih mudah dibaca dan bermakna.

Statistika inferensial berkenaan dengan permodelan data dan

melakukan pengambilan keputusan berdasarkan analisis data, misalnya

melakukan pengujian hipotesis, melakukan estimasi pengamatan masa

mendatang (estimasi atau prediksi), membuat permodelan hubungan

(korelasi, regresi, ANOVA, deret waktu), dan sebagainya

7. Metode Statistika

Tujuan umum bagi suatu penelitian berbasis statistika adalah

menyelidiki hubungan sebab-akibat, dan lebih khusus menarik suatu

simpulan akan perubahan yang timbul pada peubah (atau variabel) respon

(peubah dependen) akibat berubahnya peubah penjelas (explanatory

variables) (peubah independen).

Terdapat dua jenis utama penelitian: eksperimen dan survei.

Keduanya sama-sama mendalami pengaruh perubahan pada peubah

20
penjelas dan perilaku peubah respon akibat perubahan itu. Beda keduanya

terletak pada bagaimana kajiannya dilakukan.

Suatu eksperimen melibatkan pengukuran terhadap sistem yang

dikaji, memberi perlakuan terhadap sistem, dan kemudian melakukan

pengukuran (lagi) dengan cara yang sama terhadap sistem yang telah

diperlakukan untuk mengetahui apakah perlakuan mengubah nilai

pengukuran. Bisa juga perlakuan diberikan secara simultan dan

pengaruhnya diukur dalam waktu yang bersamaan pula. Metode statistika

yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam

rancangan percobaan (desain eksperimen).

Dalam survey, di sisi lain, tidak dilakukan manipulasi terhadap

sistem yang dikaji. Data dikumpulkan dan hubungan (korelasi) antara

berbagai peubah diselidiki untuk memberi gambaran terhadap objek

penelitian. Teknik-teknik survai dipelajari dalam metode survei.

Penelitian tipe eksperimen banyak dilakukan pada ilmu-ilmu

rekayasa, misalnya teknik, ilmu pangan, agronomi, farmasi, pemasaran

(marketing), dan psikologi eksperimen.

Penelitian tipe observasi paling sering dilakukan di bidang ilmu-

ilmu sosial atau berkaitan dengan perilaku sehari-hari, misalnya ekonomi,

psikologi dan pedagogi, kedokteran masyarakat, dan industri.

21
 Ada empat tipe pengukuran atau skala pengukuran yang digunakan

di dalam statistika, yakni: nominal, ordinal, interval, dan rasio. Keempat

skala pengukuran tersebut memiliki tingkat penggunaan yang berbeda

dalam riset statistik.

 Skala nominal hanya bisa membedakan sesuatu yang bersifat kualitatif

(misalnya: jenis kelamin, agama, warna kulit).

 Skala ordinal selain membedakan juga menunjukkan tingkatan

(misalnya: pendidikan, tingkat kepuasan).

 Skala interval berupa angka kuantitatif namun tidak memiliki nilai nol

mutlak (misalnya: tahun, suhu dalam Celcius).

Skala rasio Bebebarapa ilmu pengetahuan menggunakan statistika

terapan sehingga mereka memiliki terminologi yang khusus. Disiplin ilmu

tersebut antara lain:

 Aktuaria (penerapan statistika dalam bidang asuransi)

 Biostatistika atau biometrika (penerapan statistika dalam ilmu biologi)

 Statistika bisnis

 Ekonometrika

 Psikometrika

 Statistika sosial

 Statistika teknik atau teknometrika

 Fisika statistik

 Demografi

22
 Eksplorasi data (pengenalan pola)

 Literasi statistik

 Analisis proses dan kemometrika (untuk analisis data kimia analis dan

teknik kimia)

Statistika memberikan alat analisis data bagi berbagai bidang ilmu.

Kegunaannya bermacam-macam: mempelajari keragaman akibat

pengukuran, mengendalikan proses, merumuskan informasi dari data, dan

membantu pengambilan keputusan berdasarkan data. Statistika, karena

sifatnya yang objektif, sering kali merupakan satu-satunya alat yang bisa

diandalkan untuk keperluan-keperluan di atas. berupa angka kuantitatif

yang memiliki nilai nol mutlak.

23
 BAB II

PEMBAHASAN

“GENERALIZED LIKELIHOOD RATIO (GLR)”

Generalized Likelihood Ratio (GLR) adalah kriterium kerja yang penting

dalam prosedur uji hipotesis sepertimetode maximum likelihood dalam masalah

penaksiran. Berikut contoh aplikasi GLR dalam model distrubusi uniform.

Misalkan x1, x2, ..., xn sampel random dari distribusiuniform (0, θ), dimana

θ tidak diketahui. Tujuan kita adalah menguji Ho: θ = θo versus H1: θ < θo pada

tingkat signifikansi .

Sebagai titik awal perlu didefinisikan dua ruang parameter w dan Ω,

dimana w himpunan bagian Ω tertentu, yang merupakan himpunan nilai-nilai

parameter yang tak diketahui yang dibolehkan dibawah Ho. Dalam notasi

himpunan ditulis:

w = { θ: θ = θo}. Sehingga fungsi Likelihood nya adalah:

n
∏ f ( xi ; θ)=( 1θ ) ; 0< xi <θ
L(θ) = i=1

Kita ingin memaksimumkan L(θ) dua kali, sekali di bawah w dan sekali lagidi

bawah Ω. Karena θ hanya dapat menjalani satu nilai saja, θo dibawah w, maka:

Max L(θ) = L(θ) =

( )
1 n
θo
; 0<xi<θo

24
Sedangkan memaksimumkan L(θ) di bawah Ω (yakni tanpa pembatasan)

dilakukan dengan substitusi penaksir maximum likelihood untuk θ ke dalam L(θ).

Kita tahu bahwa untuk distribusi uniform W = Xmax adalah penaksir maximum

likelihood, maka:

( )
n
1
x max
Max =

Notasi yang biasa digunakan adalah L(w) untuk menuliskan max L (θ 1, ..., θk) dan

^
L ( Ω) untuk max L (θ1, ..., θk).

Definisi 1

Misalkan x1, x2, ..., xn sampel random dari f( x; θ1, ..., θk).

Genaralized Likelihood Ratio λ didefinisikan sebagai:

maxL(θ1,... ,θk )¿ max¿ L(ω)

¿ ¿= ¿
λ=
ω¿ Ω¿ L(Ω^ )
Untuk distribusi Uniform :

( )
( 1/ θ0 )n x max n
λ= =
( 1/ x max )n θ0

Pada umumnya, λ akan selalu positif tetapi tidak pernah lebih besar dari j.

Lagi pula, nilai likelihood ratio yang dekat dengan 1 menunjukkan bahwa data

sangat cocok dengan Ho. Untuk nilai-nilai λ ini kita harus menerima Ho.

25
 ^
^ L( Ω)
L( ω)/
Sebaliknya, jika dekat dengan nol, data tidak terlalu cocok dengan

nilai parameter dalam ω dan dengan demikian kita menolak Ho.

Definisi 2

Uji Generalized Likelihood Ratio (GLR) adalah uji yang menolak Ho

apabila 0< λ < λ *, dimana λ * dipilih sedemikian hingga P(0< λ < λ l Ho benar) =

α.

Apabila kita tahu distribusi variable random ^ dibawah Ho, misalnya g( λ l

Ho), nilai kritis λ * (dan juga daerah kritis C) dapat ditentukan dengan

α=∫ g( λ
menyelesaikan persamaan l Ho) d λ . Tetapi dalam banyak hal g( λ l

Ho ) tidak diketahui, maka perlu kita tunjukkan bahwa adalah fungsi monoton

dari suatu kuantitas W, dimana distribusi W diketahui. Jika statistik seperti

itutelah kita temukan, setiap uji hipotesisberdasarkan W akan ekuivalen dengan

uji hipotesis berdasarkan ^.

Untuk contoh distribusi uniform di atas, W yang cocok mudah kita

temukan. Perhatikan bahwa:

[( ) ]
n
X max
P( Λ≤λ∗|H O )=P ≤ λ∗|H o
θ0

=P ¿ ¿

26
 X max
W=
Misalkan θ 0 dan W∗¿ √n λ∗¿ ¿ maka, P( λ≤λ∗|H o )=P (W≤W∗|H o )

Jika f(x; θo) fungsi probabilitas Xmax, maka fungsi probabilitas W adalah:

g(w ;θ o )=θ 0 f (θ o w)

θ o n(θ o w )n−1
=
θ0 n

n−1
=nw ;0≤w≤1

w∗¿nw n−1 dw=( W∗)n =α

P( W ≤W ∗|H o ∫ ¿
Dengan demikian 0

n
Jadi nilai kritis W adalah W ∗¿ √ α

X max n
W= ≤√ α
Uji GLR menghendaki menolak Ho apabila θ0

A. MASIMUM LIKELIHOOD ESTIMATION PADA REGRESI

LINIER dan REGRESI LOGISTIK

Prosedur penaksiran parameter menggunakan metode MLE adalah berikut:

1. Menuliskan model dugaan.

2. Menuliskan PDF variabel respon setiap eksperimen, disesuaikan dengan model

dugaan.

27
3. Mengalikan n PDF variabel respon (bila terdapat n eksperimen); ini merupakan

fungsi likelihood.

4. Melakukan operasi ln pada fungsi likelihood.

5. Menurunkan fungsi ln likelihood terhadap parameter yang akan ditaksir, yaitu :

koefisien regresi (b0 & b1) dan variansi error(s2), bila model dugaan adalah

model regresi sederhana.

Penerapan metode MLE pada regresi linier sederhana

1. Model dugaan setiap eksperimen :

Yi = b0 + b1Xi + ei, ei ~ N(0,s2)

Yi ~ N(mi, ,s2), mi = E(Yi) = E(b0 + b1Xi + ei)

= b0 + b1Xi

s2 = var(Yi)

2. PDF variabel respon setiap eksperimen :

Eksperimen PDF
ke

( ( ))
2
1 1 y 1−μ 1
f Y ( y 1 )= exp −
1
1 2
(2 πσ )0 ,5
2 σ

=
1
(2 πσ 2 )0, 5 ( ( y 1−( β0 + β 1 X 1 ))2
exp − 2
2σ )

28
 ( ( ))
2
1 1 y 2 −μ 2
f Y ( y 2 )= exp −
2
(2 πσ 2 )0 ,5 2 σ

2 =
1
(2 πσ 2 )0, 5
exp − 2
2σ (
( y 1−( β0 + β 1 X 2 ))2
) .

( ( ))
2
1 1 y n−μn
f Y ( y n )= exp −
n
(2 πσ 2 )0 ,5 2 σ
n
=
1
( 2 πσ 2 )0, 5
exp − 2
2σ (
( y n−( β 0 + β 1 X n ) )2
)

3. Fungsi Likelihood :

L
=
( 2
1
πσ 2 0, 5
)
exp −(( y 1−( β 0 + β 1 X 1 ))2
2 σ2 X
)
1
( 2 πσ 2 )0 , 5
exp −
(( y 2 −( β 0 + β 1 X 2 ))2
2 σ2 )
X...X

1
( 2 πσ 2 )0 , 5 (
exp −
( y n −( β0 + β 1 X n ))2
2 σ2 .
)
( )
n
1 1
L= 2 0, 5 n
exp − 2 ∑ ( y i −( β 0 + β1 X i ) )2
( 2 πσ ) 2 σ i=1

29
 ( )
4. ln fungsi likelihood: :
2 −1 n
(σ )
¿ n ¿¿=ln(2πσ ) + − ∑ (yi−(β0+β1 Xi ))2 ¿¿
2 −0,5 n
2 i=1
n
∑ ( y i−( β 0+β 1 X i ))2
lnL maksimum bila i=1 minimum; ini

merupakan jumlah kuadrat error metode least square, sehingga rumus penaksir

koefisien regresi seperti pada metode least square; termasuk rumus untuk

standart error penaksir koefisien regresi.

5. Penurunan fungsi likelihood

n
d ln L
2
d (σ )
n1
2σ
1
=− 2 −(−1) (σ 2 )−2
2 ( )∑ ( y −( β + β X ))
i=1
i 0 1 i
2

n
=−
n1
2σ 2
1
2 (
−(−1 ) ( σ 2 )−2 ) ∑ ( ε ) =0
i=1
i
2

n n
n 1
2σ 2
1
2 (
= σ −2 ) ∑ ( ε i ) maka σ^ 2=∑ ( ε i )2 / n
i=1
2

i=1

Penaksir ini bias, yang tak bias ialah :

n
σ^ =∑ ( ε i )2 /( n−2)
2

i=1

Penaksir parameter mejadi takbias bila n besar.

Selang kepercayaan parameter didapatkan seperti pada metode least square,

begitu pula dengan pengujian hipo-tesis secara parsial.

30
Pengujian hipotesis secara sequensial menggunakan sta-tistik uji

perbandingan nilai likelihood. Nilai likelihood ialah nilai yang didapatkan

dengan cara mensubstitusikan nilai penaksir parameter pada fungsi likelihood.

Contoh :

x 1 2 3 4 5 6 7 8

y 1 1,2 1,8 2,5 3,6 4,7 6,6 9,1

Model dugaan : Yi = b0 + b1Xi + e, atau Yi = b0 + b1Xi

Nilai penaksir :

b0 = -1,20 b1 = 1,11 SSE = 5,03 s12 = SSE/8 = 0,6288

MSE = SSE/6 = 0,84

2 −n/2
Nilai likelihood, yaitu L(y;b0,b1, s12) = (2 π σ^ e) = (10,7397)-4

Nilai likelihood untuk model-model yang lain :

L(y;b0,s02) = (121,8426)-4 , L(y;b0,b1,b2 ,s22) = (0,4270)-4

Perumusan hipotesis dan statistik uji menggunakan per-bandingan nilai

likelihood :

Perumusan Statistik uji, dinotasikan X2

hipotesis

H0: b1 = 0

31
 ( ) ()
H1: b1 ≠ 0 L( y ; β 0 , s 20 ) s 20
−2 ln =n ln
L( y ; β 0 , β1 , s21 ) s21

= 19,43

( ) ()
H0: b2 = 0 L( y ; β 0 , β 1 , s 21 ) s 21
−2 ln =n ln
L( y ; β 0 , β1 , β 2 , s 22 ) s 22
H1: b2 ≠ 0

= 25,8

( ) ()
H0: b1 = b2 = 0 L( y ; β 0 , s20 ) s 20
−2 ln =n ln
L( y ; β 0 , β1 , β 2 , s 22 ) s 22

= 45,23

L( y ; β0 , s 20 )< L( y ; β 0 , β 1 , s 21 )< L( y ; β 0 , β 1 , β2 , s 22 )

Catatan : L(y;b0,b1,b2 ,s22) untuk model kuadratik.

Distribusi Daerah
Perumusan
Statistik uji bila Titik Kritis Penolakan H0 Kesimpulan
hipotesis
H0 benar

H0: b1 = 0 ...
X 2 ~ χ 21 χ 21 , α = . . . X 2 > χ 21 , α
H1: b1 ≠ 0

H0: b2 = 0 ...
X 2 ~ χ 21 χ 21 , α = . . . X 2 > χ 21 , α

32
 H1: b2 ≠ 0

H0: b1 = b2 ...
X 2 ~ χ 22 χ 22 , α = . . . X 2 > χ 22 , α
=0

Isilah titik-titik pada tabel di atas dengan hasil tabel atau perhitungan yang benar.

Model mana yang terbaik? Berilah alasan.

Penerapan metode MLE pada Regresi Logistik.

Regresi Logistik ialah regresi dengan variabel respon ter-diri dari dua

kejadian, sukses atau gagal, disebut respon biner; sehingga hasil kejadian tersebut

dapat didekati o-leh distribusi Binomial. Selanjutnya, yang dimodelkan ialah

probabilitas terjadi sukses, dengan prediktor yang diduga berkontribusi terhadap

kejadian sukses.

Model regresi logistik dinyatakan dengan persamaan :

i = 1, 2, ... , s
1
P( x i )=
−xTi β
1+ e
dengan : P(xi) adalah probabilitas terjadi sukses pada

kelompok ke i,

xiT b = b0 + b1xi , bila digunakan satu prediktor.

Proses penaksiran parameter didahului oleh pembentukan fungsi

likelihood. Misal eksperimen menggunakan s ke-lompok, setiap kelompok

dinamai kelompok ke i, i = 1, 2, ... , s. Pada setiap kelompok terdapat ni subyek

33
atau u-nit eksperimen, dan diantaranya terdapat ri sukses. Dengan asumsi

terjadinya sukses atau tidak sukses ber-distribusi binomial, maka PDF banyak

sukses setiap ke-lompok ke i, dengan ni subyek dan probabilitas setiap subyek

sukses P(xi), adalah :

][ ]
T ni −r i

[
ri −x i β
ri ni−r i 1 e
¿ [ P( x i ) ] [ 1−P( x i ) ] =¿ T
−x i β
T
− xi β
1+ e 1+e

Tanda * pada persamaan di atas seharusnya diisi kombi-nasi(ni,ri) atau ( ¿ ri ) , tetapi

ni

ini akan hilang pada proses hasil pendeferensialan disamadengankan 0, sehingga

ti-dak perlu dituliskan.

Fungsi Likelihood menjadi :

][ ]
T ni −r i

[
s ri −x i β
1 e
∏
i=1
−x T β − xi β
T

L(b) = 1+ e i
1+e

∑ ¿¿ ¿
ln L(b) = i=1

Khusus untuk satu prediktor, xiT b = b0 + b1xi, sehingga ln fungsi likelihood

menjadi :
s
ln L ( β ) =∑ ¿ ¿ ¿
i=1

s s s
−( β 0 +β 1 x )
=∑ ni [−( β 0 +β 1 x 1 )]−∑ ni ln(1+e )−∑ r i [−( β 0 + β1 x 1 )]
i=1 i=1 i=1

34
Selanjutnya ln fungsi likelihood diturunkan terhadap b0 dan b1 , kemudian

masing-masing disamadengankan 0, sehingga didapatkan :

[ ]
s −( β +β x ) s
∂ ln L( β ) e 0 1 i
=∑ ni 1− −( β +β x )
−∑ r i =0
∂ β0 i=1 ( 1+ e 0 1 i i=1

[ ]
s −( β +β x ) s
∂ ln L( β ) e 0 1 i

=∑ ni 1− −( β +β x )
xi −∑ r x i =0
∂ β1 i=1 ( 1+ e 0 1 i i=1

Buktikan!

Penaksir b0 dan b1 didapatkan dari solusi dua persamaan di atas. Solusi tidak

dapat dihitung secara langsung, teta-pi harus melalui iterasi yang lazim digunakan

pada meto-de numerik.

Adapun perumusan hipotesis dan statistik uji (dilakukan dengan menggunakan

perbandingan nilai likelihood) a-dalah sebagai berikut :

H0 : b1 = 0 , artinya pengaruh prediktor terhadap kejadian

sukses tidak bermakna,

H1 : b1 ¹ 0

Statistik uji :

35
λ ( β )=−2 ln
^
L( P) [ ]
L( β^ )

s
n −r
( )
r
i n i −r i i
^
L( P)= ∏ i)
( ¿ n
ri
ni
i

dengan : i=1

][ ]
T ni−r i

[
s ri − xi β
1 e
L( β^ )=∏ −x Ti β T
−x i β
i=1
1+e 1+ e

Distribusi Statistik uji bila H0 benar adalah :

L( β )~ χ 2s−k−1

Langkah selanjutnya seperti pada Tabel di atas.

Regresi logistik juga dapat dipandang sebagai regresi terboboti dengan :

- variabel respon
ln
( P( x i )
1−P( x i ) )
- variabel prediktor X

- model regresi:
ln
( P ( xi)
1− P ( x i ) ) = b0 + b1xi + ei.

36
 (( ))
^ xi )
P(
ln 1
^ xi)
1− P( ^ x )(1− P^ (x ))
- var
n P(
~ i i i

n ^ x )(1− P(
P( ^ x ))
- pembobot, w = 1/var =
i
i i i

- V adalah matrik diagonal dengan elemen :

1
^ x )(1− P^ (x ))
ni P( i i

Proses selanjutnya seperti regresi WLS.

Penaksir probabilitas sukses pada prediktor bernilai x0 :

^ 0= 1
P −( β^ 0 + ^β1 x0 )
1+ e

Contoh :

Suatu penelitian dilakukan untuk memodelkan hubungan antara proporsi

lymphoblasts yang menyimpang dengan dosis pemaparan streptonigrin. Unit

eksperimen yang di-gunakan adalah kelinci. Data eksperimen sbb :

Dosis Banyak Banyak yg Proporsi yang

37
 streptoni-grin
menyimpang
( P^ i )
Lymphoblasts menyimpang
(mg/kg berat
(ni) (ri)
badan)

0 600 15 0,025

30 500 96 0,192

60 600 187 0,312

75 300 100 0,333

90 300 145 0,483

Hasil perhitungan respon dan pembobot adalah sbb :

( )
^ xi)
P( Pembobot
ln Dosis
^ xi)
1− P( (wi)

-3,6636 0 14,625

-1,4373 30 77,568

-0,7908 60 128,794

-0,6946 75 66,633

-0,0680 90 74,913

Sumber : Classical And Modern Regression With Appli-

cations, Second Edition, oleh Raymond H

Myers, 1990, halaman 320.

38
Lakukan pengolahan data menggunakan WLS dan Mak-simum Likelihood, untuk

mendapatkan model dan meng-evaluasi kemaknaan pengaruh prediktor.

Kunci Jawaban :

( )
^ x)
P( i
ln
^
1− P( x i )
= -2,56488 + 0,02806 X

B. PERBANDINGAN METODE BAYES DENGAN METODE

MAKSIMUM LIKELIHOOD DALAM MENGESTIMASI

PARAMETER DISTRIBUSI NORMAL (P-38)

Setiap orang dalam hidupnya sering membuat estimasi. Apabila akan

menyeberang jalan, kita menaksir berapa kecepatan kendaraan yang melewati

jalan pada saat itu. Sehingga kita dapat memutuskan akan menyeberang atau

tidak, para manajer pun berbuat hal yang sama. Mereka harus menaksir jumalah

konsumennya dan kemampuan debiturnya, kelengkapan produk yang dijualnya,

pelaku pesaingnya, dan sebagainya. Apa yang mereka putuskan biasanya dilandasi

oleh estimasi-estimasi yang berasal dari informasi yang tidak lengkap dan

diselubungi oleh ketidakpastian yang besar, sehingga hasilnya pun kurang

39
memadai. Dengan penguasaan dan pemikiran teknik estimasi yang lebih baik

diharapkan juga hasilnya akan bertambah baik.

Dalam alam realitas, parameter yang sebenarnya ingin diketahui jarang

diperoleh. Parameter pada umumnya tidak diketahui karena populasinya tidak

berhingga besarnya, atau kalau berhingga jumaksimum likelihoodahnya terlalu

besar untuk diteliti seluruhnya dibanding biaya, waktu, dan tenaga yang tersedia

(Tiro, 2000: 75). Di samping itu besarnya populasi seringkali tidak dapat

diketahui, seperti banyaknya ikan di Laut Jawa, banyaknya kayu meranti di Hutan

Kalimantan, jumlah total produksi lampu yang ada, dan sebagainya.

Untuk mengestimasi parameter suatu populasi maka diambil sebuah

sampel yang representatif, sebelum estimasi dilakukan, perlu diketahui lebih dulu

keadaan populasi variabel random tersebut secara apriori, seperti bentuk

distribusinya, dan karakteristik parameter-parameter lain. Walaupun kerapkali

informasi tentang populasinya sangat minimal, informasi yang diperoleh secara

apriori itu kemudian dapat ditambahkan pula dengan informasi yang diperoleh

dari sampel itu sendiri.

Dalam statistika inferensial, ada dua bagian penting yang menjadi pusat

perhatian yaitu estimasi parameter dan pengujian hipotesis. Jika parameter

populasi tidak diketahui maka dilakukan estimasi tapi jika parameter diketahui

maka dilakukan pengujian hipotesis untuk menguji kebenaran dari asumsi tentang

parameter. Dalam mengestimasi parameter, maka perlu memilih metode yang

tepat sesuai dengan keadaan dari populasi yang diteliti. Dalam statistika inferensi,

40
biasanya diasumsikan bahwa distribusi populasi diketahui. Teknik yang

digunakan untuk menaksir nilai parameter bila distribusi populasi diketahui

adalah metode maximum likelihood. Metode ini hanya mendasarkan inferensinya

pada sampel. Tetapi jika distribusi populasi tidak diketahui maka metode

maksimum likelihood tidak dapat digunakan. Bayes memperkenalkan suatu

metode dimana kita perlu mengetahui bentuk distribusi awal (prior) dari populasi

yang dikenal dengan metode Bayes. Sebelum menarik sampel dari suatu populasi

terkadang kita peroleh informasi mengenai parameter yang akan diestimasi.

Informasi ini kemudian digabungkan dengan informasi dari sampel untuk

digunakan dalam mengestimasi parameter populasi.

Menurut Bayes, parameter populasi berasal dari suatu distribusi, sehingga

nilainya tidaklah tunggal (merupakan variabel random), sedangkan menurut

metode klasik parameter populasi diasumsikan tetap (konstan) walaupun nilainya

tidak diketahui. Masing-masing pendekatan sudah tentu mempunyai kelebihan

dan kekurangan masing-masing. Pada metode maksimum likelihood, teknik

estimasi parameternya lebih mudah, sehingga orang banyak menggunakan teknik

ini. Akan tetapi teknik ini hanya dapat digunakan bilamana distribusi populasi

diketahui. Selain itu, metode maksimum likelihood sangat sensitive terhadap data

ekstrim. Data ekstrim ini sangat berpengaruh terhadap nilai rata-rata ataupun

variansi. Pada metode Bayes, karena nilai parameternya berasal dari suatu

distribusi, maka kesulitan pertama yang dijumpai adalah bagaimana bentuk

distribusi parameter tersebut. Walaupun untuk menentukan distribusi prior dari

parameter adalah sulit, tetapi estimasi parameter dengan metode Bayes tampaknya

41
lebih menjanjikan karena peneliti tidak perlu tahu tentang distribusi prior dari

populasi.

Pada metode Bayes seorang peneliti harus menentukan distribusi prior dari

parameter yang ditaksir. Penentuan distribusi parameter ini menurut Hogg &

Craig (1978) sangatlah subyektif. Semakin berpengalaman seseorang, maka

semakin mudahlah ia menentukan distribusi priornya. Sudah tentu penentuan

distribusi prior ini harus berdasarkan alur berpikir yang logis (Bernando & Smith,

1994). Setelah informasi dari data (yang didapat dari pengambilan sampel)

digabungkan dengan informasi prior dari parameter, akan didapat distribusi

posterior dari parameter.

Metode maksimum likelihood mendasarkan inferensinya hanya pada

informasi yang dikandung dalam sampel. Informasi prior tidak dimasukkan dalam

analisa statistik formal. Metode tersebut pada dasarnya menafsirkan probabilitas

sebagai frekuensi relatif (probabilitas obyektif). Bayes menggunakan interpretasi

probabilitas secara subyektif di dalam analisa statistika formal. Pendekatan Bayes

terhadap metode estimasi statistik menggabungkan informasi yang dikandung

dalam sampel dengan informasi lain yang telah tersedia sebelumnya. Dari segi

asumsi statistikawan klasik memandang bahwa parameter populasi mempunyai

harga tertentu yang tidak diketahui sehingga pernyataan probabilitas tentang

parameter populasi tidak mempunyai arti. Sebaliknya para pengikut Bayes

mengakui adanya ketidakpastian tentang parameter populasi sehingga kita dapat

membuat pernyataan probabilitas tentang parameter populasi. Metode Bayes

42
membuat pernyataan probabilitas tentang , sedangkan metode klasik membuat

pernyataan probabilitas tentang hasil sampel.

Dalam mengestimasi parameter pemilihan metode estimasi sangat penting.

penggunaan metode harus sesuai dengan kondisi populasi, misalnya apakah

distribusi populasi diketahui atau tidak.

Distribusi diffuse terjadi jika informasi prior tidak ada atau sangat sedikit bila

dibandingkan dengan informasi dalam sampel (likelihood-nya). Jika distribusi

diffuse digunakan dalam metode Bayes maka distribusi posterior akan

mempunyai bentuk yang sama dengan fungsi likelihood, akibatnya estimasi

maksimum likelihood akan sama dengan estimasi Bayes.

Dasar inferensi dan keputusan di dalam statistika klasik hanyalah

informasi sampel. Jadi, dalam keaadaan distribusi diffuse, metode Bayes dan

metode klasik pada hakikatnya mempunyai informasi yang sama. Walaupun

demikian, masih terdapat perbedaan interpretasi diantara dua hasil yang “sama”

pada kedua metode tersebut. Parameter yang akan diestimasi adalah rata-rata dan

variansi khusus pada distribusi normal. Pada studi ini dikhususkan pada distribusi

normal karena distribusi lain dapat diturunkan atau diperluas dari distribusi

normal, kaitannya dengan teorema limit sentral, penyederhanaan masalah, untuk

memenuhi syarat dalam estimasi maksimum likelihood dan Bayes serta untuk

mempermudah penurunan formula-formula matematiknya. Akan tetapi, pada

situasi yang sebenarnya, kalau distribusi populasi tidak diketahui, maka bentuk

distribusi haruslah diestimasi.

43
C. MAXIMUM LIKELIHOOD ESTIMATORS ( ADVANCED )

Dibagian 3.2 kita mengembangkan Square Estimators paling sedikit untuk

1, 2,....,n . Untuk melakukannya, vektor  dari kesalahan acak dibutuhkan

untuk mendapatkan mean 0 dan variansi 2 I. Jika diasumsikan bahwa 1,2,....,

n berdistribusi normal ,maka estimator kemungkinan maksimum dapat ditemukan

untuk parameter ini. Dengan mengasumsikan normalitas dan kovarian nol,

kitasebenarnya dapat mengasumsikan bahwa 1, 2,....,n adalah variable acak

berdistribusi normal independen dengan mean 0 dan variansi 2 .

Teknik umum untuk menurunkan estimator kemungkinan maksimum :

1. Tuliskan ekspresi untuk densitas, f (i) dari kesalahan acak ke-i.

2. Fungsi kemungkinan L ditentukan untuk menjadi densitas gabungan pada

kesalahan acak. Karena diasumsikan menjadi independen, densitas gabungan

adalah hasil dari marginal dan karenanya L diberikan oleh :

L (1, 2,...., n;2)  f(i)

i=1

3. Ekspresikan L sebagai fungsi dan 2 

4. Ditemukan ln ( L )

5. Maksimalkan ln (L) dengan memperhatikan untuk memperoleh estimator

kemungkinan maksimum untuk 1,2,...., k

44
Maksimalkan ln(L) dengan memperhatikan 2untuk memperoleh estimator

kemungkinan maksimum untuk 2.

Caranya dapat didemonstrasikan dengan menentukan estimator kemungkinan

maksimum untuk :

1. Jika  idiasumsikan variabel acak berdistribusi normal dengan mean 0 dan

variansi 2 densitasnya diberikan oleh:

1 ¿

e−
f ( ) = σ √ 2 π
i

2. Fungsi kemungkinan diberikan oleh :

n
∏
L (1, 2,...., n;2)  i=1 f(i)

1n −
¿

∏ σ 2π e
= i=1 √
n
1
2∑
− εi 2
1 2σ
n
e i =1

n 2
  σ (2π )

∑ εi 2

3. Misal ,y - X i= 1 = ε ' ε = ( y – X β)' ( y – X β)sehingga menjadi:

45
 1
− ( y− Xβ ) '( y −Xβ )
1 2 σ2
n
e
n 2
L (1, 2,....,n;2)  σ (2π )

4. Mengambil logoritma natural dari setiap sisi kemudian disederhanakan

menjadi:

n 1
− ln 2 π−n ln σ− 2 [ ( y− Xβ )'−( y−Xβ ) ]
L (1, 2,....,n;2) = 2 2σ

5. Untuk memaksimalkan ln(L), kita harus menurunkannya terhadap , tetapkan

persamaan derivatif = 0 dan selesaikan .Perhatikanlah bahwaderivatif dan

dua bentuk pertama dari ln(L) adalah 0. Karena itu masalahsebenarnya adalah

untuk menggunakan aturan penurunan yang diberikan pada bagian 2.2 untuk

menurunkan ( y X)'( y X) . Catatan bahwa

( y X)' ( y X) y' y 2( X ' y )' ( X ' X )Q

dan

∂Q
=−2( X ' y )+2( X ' X )β=0
∂β

Untuk memaksimalkan, persamaan :

^ X ' X )−1 X ' y

β=(
−1
Yakni estimator kemungkinan maksimum untuk adalah ( X ' X ) X ' y .Ini

juga Squaree estimator paling sedikit untuk .

46
Teorema 3.4.1

Biarkan y Xdimana X adalah matriks berordo n x (k+1). adalah

vektor (k+1) x 1 dari parameter yang tidak diketahui (sembarang). Dan

adalah vector random yang berdistribusi normal dengan mean 0 dan variansi

^
2 I. Estimator kemungkinan maksimum untuk dinotasikan β diberikan

^ −1
oleh: β=( X ' X ) X' y

Apakah paling sedikit square estimators dan estimator kemungkinan

maksimum selalu sama? Sebagaimana dalam Teorema 3.4.2 akan ditunjukkan

jawabannya adalah tidak. Teorema 3.4.2 menunjukkan bahwa s2 , paling

2
sedikit square estimators untuk σ . Berbeda dengan yang diperoleh melalui

metode dari estimator kemungkinan maksimum. Bukti dari Teorema tersebut

akan digambarkan di latihan 25.

Teorema 3.4.2

Biarkan y Xdimana X matriks berordo n x (k+1),adalah vektor (k+1)

x 1 yang parameternya tidak diketahui, dan adalah vektor random

2
berdistribusi normal nx1 dengan mean 0 dan variansi σ  . Estimator

kemungkinan maksimum untuk σ 2 adalah dinotasikan σ^ 2 dan diberikan

oleh :

SS Re s
σ^ 2=
n

47
 SS Re s 2
SS Re s
s=2 ^
σ =
Karena ( n−p ) dan n berbeda, ada satu pilihan untuk
membuat ketika penduganya . Kembali bahwa model yang full rank n p .Jika

n (ukuran sampel) adalah lebih besar dari p (angka parameter) dan relativ besar

untuk p,kemudian s dan σ^ akan menghasilkan perkiraan bahwa mendekati

2 2

nilai. Setiap memberikan suatu estimasi yang sesuai untuk .Bagaimanapun,

seperti yang akan dilihat kemudian,terdapat alasan teoritis yang kuat untuk

kesukaan s daripada σ^ dalam masalah-masalah yang memerlukan lebih dari

2 2

penilaian simple. Tetapi jika n = p kemudian s tidak ada dan σ^ selalu

2 2

mengasumsikan nilai 0 (lihat latihan 31 dan 32 ). Dalam masalah ini kita bisa

menduga tetapi kita tidak bisa menduga .

D. Estimator Maximum Likelihood

Metoda Full Information Maximum Likelihood (FIML) mendapatkan

estimasi suatu parameter dengan cara memaksimalkan fungsi likelihood untuk

semua system parameters. Hasil estimator dengan FIML adalah consitent dan

asymptotical efficient (Intriligator, Bodkin, Hsio, 1996). Untuk

mendapatkan penaksir FIML, misalkan ada persamaan ke-h dalam suatu

system yang mengandung gh variabel endogen dan kh variabel eksogen dapat

dinyatakan sebagai berikut:

(1)

48
dimana δh adalah koefisien yang akan diestimasi dalam persamaan sistem

tersebut. Persamaan (1) diasumsikan semua persamaan adalah just idenfied

atau overidenfied. Bilamana kita gunakan notasi bintang (*) sebagai stacking

vektor, maka g vektor variable dependen (variabel endogen) , stochastic error

term dan vektor koofisien adalah:

dimana k* adalah jumlah koefisien yang akan diestimasi, yaitu:

sedangkan δ* adalah semua koefisien yang akan diestimasi. Sedangkan

matrik explanatory variable yang dinyatakan dalam notasi bintang (*), yaitu:

(3)

49
yang merupakan matrik diagonal yang berisi semua data variabel ekplanatori

dalam suatu persamaan. Sehingga persamaan (1) dengan notasi bintang (*)

sebagai persamaan sistem adalah:

(4)

dan vektor stokastik error ε* untuk semua persamaan diasumsikan bahwa:

(5)

Demikaian pula error term diasumsikan berdistribusi normal:

(6)

sehingga logaritma fungsi likelihood adalah:

(7)

50
sedangkan yang diperlukan adalah logaritma fungsi likelihood variabel

endogen y*. Fungsi likelihood y* dapat diperoleh dari fungsi likelihood ε*

dengan transformasi:

(8)

dimana

adalah nilai absolut determinan matrik Jacobian bernilai 1 jika memenuhi

asumsi persamaan (5) dan (6). Dengan demikian logaritma fungsi likelihood

adalah:

(9)

Fungsi likelihood ini dimaksimumkan dengan pilihan parameter δ* dan

. Sehingga dengan first order condition untuk memaksimumkan

fungsi likelihood yaitu:

(10)

51
 maka diperoleh estimator yang konsiten dan effisien:

(11)

Dekonvolusi Maximum-Likelihood

Gambar 1 mengilustrasikan asumsi fundamental dekonvolusi maximum-

likelihood, yakni reflektivitas bumi tersusun atas event-event besar yang

bercampur dengan latar belakang event-event kecil Gaussian.

Gambar 1 : Asumsi dasar metoda Maximum-Likelihood

Dari asumsi-asumsi model tersebut, kita dapat menurunkan fungsi objektif yang

dapat diminimalkan untuk menghasilkan reflektivitas yang paling mirip dan

kombinasi wavelet yang konsisten dengan asumsi statistika. Perhatikan bahwa

metoda ini memberikan estimasi reflektivitas sparse dan wavelet.

Fungsi objektif J diberikan oleh :

52
dimana r(k) = koefisien refleksi pada sampel ke-k, m = jumlah refleksi, L =

jumlah total sampel, N = akar kuadrat variasi bising, n = noise pada sampel ke-k,

λ = likelihood bahwa sampel mempunyai sebuah refleksi. Urutan reflektivitas

diasumsikan bersifat jarang , berarti sebuah spike yang diharapkan diatur oleh

parameter λ yang merupakan rasio dari jumlah spike tidak nol yang diharapkan

diatur oleh jumlah sampel trace.

Biasanya λ mempunyai nilai kurang dari 1. Parameter lainnya yang diperlukan

untuk mendeskripsi perilaku yang diharapkan adalah R , ukuran RMS spike besar,

dan N, ukuran RMS dari noise. Setelah parameter-parameter tersebut

dispesifikasi, semua solusi dekonvolusi dapat diuji untuk melihat apakah ia

merupakan hasil proses statistika dengan parameter-parameter tersebut.

Gambar 2a & b menunjukkan dua kemungkinan solusi untuk input trace seismik

yang sama.

53
 Gambar 2 : (a) Fungsi objektif untuk satu alternatif solusi pada input trace

seismik (b) Fungsi objektif untuk aternatif kedua solusi trace seismik

Prinsipnya kita mulai dengan estimasi wavelet awal, estimasi reflektivitas sparse,

selanjutanya di-iterasi sampai sebuah fungsi objektif yang rendah dapat tercapai

dan dapat diterima. Hal ini ditunjukkan dengan Gambar 3 .

Gambar 3 : Diagram alir untuk memperoleh reflektivitas dan wavelet,

iterasi dilakukan sampai diperoleh konvergenitas

Terdapat dua tahap prosedur yakni estimasi wavelet, memperbaharui reflektivitas

sehingga diperoleh refektivitas estimasi, dan memperbaharui wavelet. Prosedur

diatas diilustrasikan pada data model (Gambar 4 dan 5) pada Gambar 4 prosedur

untuk memperbaharui reflektivitas ditunjukkan. Ia terdiri atasperosedur

penambahan koefisien refleksi satu persatu sampai satu set koefisien sparse yang

optimum diperoleh. Algoritma untuk memperbaharui reflektivitas ini dikenal

dengan nama Single Most Likely Addition (SMLA) karena setiap selesai satu

tahapan ia akan mencoba menemukan spike optimum untuk ditambahkan.

54
 Gambar 4 : Algoritma Single Most Likely Addition (SMLA) yang

mengilustrasikan model reflekivitas sederhana

Gambar 5 menunjukkan prosedur untuk memperbaharui fasa wavelet. Model

masukan ditunjukkan pada bagian atas gambar, dan reflektivitas serta fasa yang

diperbaharui ditujukkan setelah iterasi kesatu, kedua, kelima, dan kesepuluh.

Perhatikan bahwa hasil akhir yang diperoleh cukup bisa mengestimasi wavelet

model.

Gambar 5 : Prosedur untuk memperbaharui wavelet pada metoda

Maximum-Likelihood

55
 BAB III

PENUTUP

1. Uji Generalized Likelihood Ratio (GLR) adalah uji yang menolak Ho

apabila 0< λ < λ *, dimana λ * dipilih sedemikian hingga P(0< λ < λ l Ho

benar) = α . Apabila kita tahu distribusi variable random ^ dibawah Ho,

misalnya g( λ l Ho), nilai kritis λ * (dan juga daerah kritis C) dapat

α=∫ g( λ
ditentukan dengan menyelesaikan persamaan l Ho) d λ .

2. Misalkan x1, x2, ..., xn sampel random dari distribusi uniform (0, θ),

dimana θ tidak diketahui. Sebagai titik awal perlu didefinisikan dua

ruang parameter w dan Ω, dimana w himpunan bagian Ω tertentu, yang

merupakan himpunan nilai-nilai parameter yang tak diketahui yang

dibolehkan dibawah Ho. Dalam notasi himpunan ditulis:

56
 w = { θ: θ = θo}. Sehingga fungsi Likelihood nya:

n
∏ f ( xi ; θ)=( 1θ ) ; 0< xi <θ
L(θ) = i=1

DAFTAR PUSTAKA

Cahyono, Yudi Endro. 2007. Exponential Distribution, Type II Double

Consored Sample, Test Life Quickened, Maximum Likelihood Estimator,

Generalized Likelihood Ratio. Airlangga University Library: Surabaya

Hadi, Yonathan.2003.Analisis Vector Auto Regression (VAR) Terhadap Korelasi

Antara Pendapatan dan Investasi Pemerintah di Indonesia, 1983/1984 –

1999/2000.

H. Akaike. Information theory and extension of maximum likelihood theory.

In B.N. Petrov and F. Csahi, editors, 2nd Symposium on Information Theory,

pages 267–281. Buddapest, 1972.

A.J. Dobson. An Introduction to Generalized Linear Models. Chapman and

57
Hall, London, 1990.

wiwiek@statistika.its.ac.id

admin dhin.wordpress.com

perbandingan-metode-bayes-dengan-metode.html

58
59