PENDAHULUAN
jenjang S 1 (Sarjana).
4
informasi dan komunikasi dewasa ini dilandasi oleh perkembangan
pada keadaan yang selalu berubah, tidak pasti, dan kompetitif. Keberhasilan
1. Sejarah Matematika
matematika", bahkan demikian juga pada zaman kuno. Kata sifatnya adalah
5
Bentuk jamak sering dipakai di dalam bahasa Inggris, seperti juga di
mengambil bentuk tunggal bila dipakai sebagai kata kerja. Di dalam ragam
Abstraksi mula-mula, yang juga berlaku pada banyak binatang [10], adalah
tentang bilangan: pernyataan bahwa dua apel dan dua jeruk (sebagai
mencatatkan bilangan, semisal tali atau dawai bersimpul yang disebut quipu
dipakai oleh bangsa Inca untuk menyimpan data numerik. Sistem bilangan
6
diketahui ada di dalam naskah warisan Mesir Kuno di Kerajaan Tengah
waktu dan tidak pernah berkembang luas hingga tahun 3000 SM ke muka
Reviews sejak 1940 (tahun pertama beroperasinya MR) kini melebihi 1,9
juta, dan melebihi 75 ribu artikel ditambahkan ke dalam basis data itu tiap
7
dan kemudian astronomi; kini, semua ilmu pengetahuan menganjurkan
teori dawai masa kini, teori ilmiah yang masih berkembang yang berupaya
Pengetahuan Alam".[14]
hanya pada satu wilayah ini, dan kadang-kadang pilihan ini dibuat sedini
8
matematika dan menjadi disiplin yang memiliki hak tersendiri, termasuk
Erdős sering berkutat pada sejenis pencarian akar dari "Alkitab" di mana
jawab atas banyak notasi yang digunakan saat ini. Notasi modern membuat
matematika lebih mudah bagi para profesional, tetapi para pemula sering
9
amat sangat: sedikit lambang berisi informasi yang kaya. Seperti notasi
musik, notasi matematika modern memiliki tata kalimat yang kaku dan
lain.
Bahasa matematika dapat juga terkesan sukar bagi para pemula. Kata-
kata seperti atau dan hanya memiliki arti yang lebih presisi daripada di
Tetapi ada alasan untuk notasi khusus dan jargon teknis ini: matematika
(rigor).
pernah muncul di dalam sejarah subjek ini. [19] Tingkat kekakuan diharapkan
menginginkan dalil yang terperinci, namun pada saat itu metode yang
munculnya analisis saksama dan bukti formal pada abad ke-19. Kini, para
10
matematikawan masih terus beradu argumentasi tentang bukti berbantuan-
yang hanya memiliki makna tersirat di dalam konteks semua rumus yang
terturunkan dari suatu sistem aksioma. Inilah tujuan program Hilbert untuk
(yang cukup kuat) memiliki rumus-rumus yang tidak dapat ditentukan; dan
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
hingga kini.[7]
2. Definisi Matematika
dunia rasio, diolah secara analisis dan sintesis dengan penalaran di dalam
konsep yang terbentuk dapat dipahami orang lain dan dengan mudah
12
dimanipulasi secara tepat, maka digunakan notasi dan istilah yang cermat
2. Karakteristik Matematika
tunggal dan disepakati oleh semua tokoh atau pakar matematika, namun
Objek dasar itu meliputi fakta, konsep, operasi ataupun relasi dan prinsip.
Dari objek dasar itulah dapat disusun suatu pola dan struktur matematika.
konsep primitif juga disebut undefined term atau pengertian pangkal tidak
perlu didefinisikan.
13
c) Pola Pikir Deduktif
berpangkal dari hal yang bersifat umum diterapkan atau diarahkan pada
berbagai pengetahuan.
diperlukan kejelasan dalam lingkup apa simbol itu dipakai. Bila lingkup
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
berlaku kosistensi. Ini juga dikatakan bahwa dalam setiap sistem dan
ditetapkan terlebih dahulu. Konsistensi itu baik dalam makna maupun hak
nilai kebenarannya. Tetapi antara sistem yang satu dengan yang lain tidak
elemen yang terkait satu sama lain dan mempunyai tujuan tertentu”. Unsur
bagian ini yang disebut “struktur” adalah sistem yang di dalamnya memuat
15
4. Fungsi dan Tujuan Pendidikan Matematika
tabel.
berikut:
16
5 Memiliki sikap menghargai kegunaan matematika dalam kehidupan, yaitu
matematika, serta sikap ulet dan percaya diri dalam pemecahan masalah.
5. Sejarah Statistika
Penggunaan istilah statistika berakar dari istilah istilah dalam
Pada awal abad ke-19 telah terjadi pergeseran arti menjadi "ilmu mengenai
Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak
Cabang statistika yang pada saat ini sangat luas digunakan untuk
kedua abad ke-19 dan awal abad ke-20 oleh Ronald Fisher (peletak dasar
17
Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan
bidang yang banyak terkait dengan matematika melihat dari sejarah dan
6. Konsep Dasar
Makna populasi dalam statistika dapat berarti populasi benda hidup, benda
18
Melakukan pendataan (pengumpulan data) seluruh populasi
dinamakan sensus. Sebuah sensus tentu memerlukan waktu dan biaya yang
teknik sampling.
19
itu, misalnya melakukan pengujian hipotesis, melakukan prediksi
7. Metode Statistika
simpulan akan perubahan yang timbul pada peubah (atau variabel) respon
20
penjelas dan perilaku peubah respon akibat perubahan itu. Beda keduanya
pengukuran (lagi) dengan cara yang sama terhadap sistem yang telah
21
Ada empat tipe pengukuran atau skala pengukuran yang digunakan
Skala interval berupa angka kuantitatif namun tidak memiliki nilai nol
Statistika bisnis
Ekonometrika
Psikometrika
Statistika sosial
Fisika statistik
Demografi
22
Eksplorasi data (pengenalan pola)
Literasi statistik
Analisis proses dan kemometrika (untuk analisis data kimia analis dan
teknik kimia)
sifatnya yang objektif, sering kali merupakan satu-satunya alat yang bisa
23
BAB II
PEMBAHASAN
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 .
parameter yang tak diketahui yang dibolehkan dibawah Ho. Dalam notasi
himpunan ditulis:
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:
24
Sedangkan memaksimumkan L(θ) di bawah Ω (yakni tanpa pembatasan)
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).
( )
( 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
Definisi 2
apabila 0< λ < λ *, dimana λ * dipilih sedemikian hingga P(0< λ < λ l Ho benar) =
α.
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
[( ) ]
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
n
Jadi nilai kritis W adalah W ∗¿ √ α
X max n
W= ≤√ α
Uji GLR menghendaki menolak Ho apabila θ0
dugaan.
27
3. Mengalikan n PDF variabel respon (bila terdapat n eksperimen); ini merupakan
fungsi likelihood.
koefisien regresi (b0 & b1) dan variansi error(s2), bila model dugaan adalah
= b0 + b1Xi
s2 = var(Yi)
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
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
n
σ^ =∑ ( ε i )2 /( n−2)
2
i=1
30
Pengujian hipotesis secara sequensial menggunakan sta-tistik uji
Contoh :
x 1 2 3 4 5 6 7 8
Nilai penaksir :
2 −n/2
Nilai likelihood, yaitu L(y;b0,b1, s12) = (2 π σ^ e) = (10,7397)-4
likelihood :
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 )
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.
Regresi Logistik ialah regresi dengan variabel respon ter-diri dari dua
kejadian, sukses atau gagal, disebut respon biner; sehingga hasil kejadian tersebut
kejadian sukses.
i = 1, 2, ... , s
1
P( x i )=
−xTi β
1+ e
dengan : P(xi) adalah probabilitas terjadi sukses pada
kelompok ke i,
33
atau u-nit eksperimen, dan diantaranya terdapat ri sukses. Dengan asumsi
terjadinya sukses atau tidak sukses ber-distribusi binomial, maka PDF banyak
][ ]
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
][ ]
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
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
[ ]
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
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
L( β )~ χ 2s−k−1
- 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
1
^ x )(1− P^ (x ))
ni P( i i
^ 0= 1
P −( β^ 0 + ^β1 x0 )
1+ e
Contoh :
37
streptoni-grin
menyimpang
( P^ i )
Lymphoblasts menyimpang
(mg/kg berat
(ni) (ri)
badan)
0 600 15 0,025
30 500 96 0,192
( )
^ 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
38
Lakukan pengolahan data menggunakan WLS dan Mak-simum Likelihood, untuk
Kunci Jawaban :
( )
^ x)
P( i
ln
^
1− P( x i )
= -2,56488 + 0,02806 X
jalan pada saat itu. Sehingga kita dapat memutuskan akan menyeberang atau
tidak, para manajer pun berbuat hal yang sama. Mereka harus menaksir jumalah
pelaku pesaingnya, dan sebagainya. Apa yang mereka putuskan biasanya dilandasi
oleh estimasi-estimasi yang berasal dari informasi yang tidak lengkap dan
39
memadai. Dengan penguasaan dan pemikiran teknik estimasi yang lebih baik
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
sampel yang representatif, sebelum estimasi dilakukan, perlu diketahui lebih dulu
apriori itu kemudian dapat ditambahkan pula dengan informasi yang diperoleh
Dalam statistika inferensial, ada dua bagian penting yang menjadi pusat
populasi tidak diketahui maka dilakukan estimasi tapi jika parameter diketahui
maka dilakukan pengujian hipotesis untuk menguji kebenaran dari asumsi tentang
tepat sesuai dengan keadaan dari populasi yang diteliti. Dalam statistika inferensi,
40
biasanya diasumsikan bahwa distribusi populasi diketahui. Teknik yang
pada sampel. Tetapi jika distribusi populasi tidak diketahui maka metode
metode dimana kita perlu mengetahui bentuk distribusi awal (prior) dari populasi
yang dikenal dengan metode Bayes. Sebelum menarik sampel dari suatu populasi
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
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 &
distribusi prior ini harus berdasarkan alur berpikir yang logis (Bernando & Smith,
1994). Setelah informasi dari data (yang didapat dari pengambilan sampel)
informasi yang dikandung dalam sampel. Informasi prior tidak dimasukkan dalam
dalam sampel dengan informasi lain yang telah tersedia sebelumnya. Dari segi
42
membuat pernyataan probabilitas tentang , sedangkan metode klasik membuat
Distribusi diffuse terjadi jika informasi prior tidak ada atau sangat sedikit bila
informasi sampel. Jadi, dalam keaadaan distribusi diffuse, metode Bayes dan
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
memenuhi syarat dalam estimasi maksimum likelihood dan Bayes serta untuk
situasi yang sebenarnya, kalau distribusi populasi tidak diketahui, maka bentuk
43
C. MAXIMUM LIKELIHOOD ESTIMATORS ( ADVANCED )
untuk mendapatkan mean 0 dan variansi 2 I. Jika diasumsikan bahwa 1,2,....,
4. Ditemukan ln ( L )
44
Maksimalkan ln(L) dengan memperhatikan 2untuk memperoleh estimator
1 ¿
e−
f ( ) = σ √ 2 π
i
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
45
1
− ( y− Xβ ) '( y −Xβ )
1 2 σ2
n
e
n 2
L (1, 2,....,n;2) σ (2π )
menjadi:
n 1
− ln 2 π−n ln σ− 2 [ ( y− Xβ )'−( y−Xβ ) ]
L (1, 2,....,n;2) = 2 2σ
dua bentuk pertama dari ln(L) adalah 0. Karena itu masalahsebenarnya adalah
untuk menggunakan aturan penurunan yang diberikan pada bagian 2.2 untuk
dan
∂Q
=−2( X ' y )+2( X ' X )β=0
∂β
46
Teorema 3.4.1
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
2
sedikit square estimators untuk σ . Berbeda dengan yang diperoleh melalui
Teorema 3.4.2
2
berdistribusi normal nx1 dengan mean 0 dan variansi σ . Estimator
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
seperti yang akan dilihat kemudian,terdapat alasan teoritis yang kuat untuk
mengasumsikan nilai 0 (lihat latihan 31 dan 32 ). Dalam masalah ini kita bisa
semua system parameters. Hasil estimator dengan FIML adalah consitent dan
(1)
48
dimana δh adalah koefisien yang akan diestimasi dalam persamaan sistem
atau overidenfied. Bilamana kita gunakan notasi bintang (*) sebagai stacking
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 (*)
(4)
(5)
(6)
(7)
50
sedangkan yang diperlukan adalah logaritma fungsi likelihood variabel
dengan transformasi:
(8)
dimana
asumsi persamaan (5) dan (6). Dengan demikian logaritma fungsi likelihood
adalah:
(9)
(10)
51
maka diperoleh estimator yang konsiten dan effisien:
(11)
Dekonvolusi Maximum-Likelihood
Dari asumsi-asumsi model tersebut, kita dapat menurunkan fungsi objektif yang
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,
diasumsikan bersifat jarang , berarti sebuah spike yang diharapkan diatur oleh
parameter λ yang merupakan rasio dari jumlah spike tidak nol yang diharapkan
untuk mendeskripsi perilaku yang diharapkan adalah R , ukuran RMS spike besar,
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
diatas diilustrasikan pada data model (Gambar 4 dan 5) pada Gambar 4 prosedur
penambahan koefisien refleksi satu persatu sampai satu set koefisien sparse yang
dengan nama Single Most Likely Addition (SMLA) karena setiap selesai satu
54
Gambar 4 : Algoritma Single Most Likely Addition (SMLA) yang
masukan ditunjukkan pada bagian atas gambar, dan reflektivitas serta fasa yang
Perhatikan bahwa hasil akhir yang diperoleh cukup bisa mengestimasi wavelet
model.
Maximum-Likelihood
55
BAB III
PENUTUP
α=∫ g( λ
ditentukan dengan menyelesaikan persamaan l Ho) d λ .
2. Misalkan x1, x2, ..., xn sampel random dari distribusi uniform (0, θ),
56
w = { θ: θ = θo}. Sehingga fungsi Likelihood nya:
n
∏ f ( xi ; θ)=( 1θ ) ; 0< xi <θ
L(θ) = i=1
DAFTAR PUSTAKA
1999/2000.
57
Hall, London, 1990.
wiwiek@statistika.its.ac.id
admin dhin.wordpress.com
perbandingan-metode-bayes-dengan-metode.html
58
59