RANGKUMAN TUGAS

ANALISIS DATA UJI HIDUP

Disusun Guna Memenuhi Tugas Mata Kuliah Analisis Data Uji Hidup

Dosen Pengampu : Dr. Bambang Avip Priatna, M.Si.

Erika Nur Rahmahdina

(2316732)

PROGRAM STUDI MATEMATIKA

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN

ALAM

UNIVERSITAS PENDIDIKAN INDONESIA

BANDUNG

2024
DISTRIBUSI GOMPERTZ - Several journals

Distribusi Gompertz merupakan suatu asumsi yang digunakan untuk

menentukan percepatan mortalitas dan menentukan besarnya nilai anuitas hidup.
Distribusi ini sangat sering digunakan untuk mendeskripsikan suatu distribusi
kematian. Pada tingkat terendah kematian pada bayi dan anak-anak,
penggambaran percepatan mortalitas Gompertz meluas sampai rentang seumur
hidup pada suatu populasi tanpa mengamati perlambatan pola kematian. Distribusi
Gompertz dapat didefinisikan melalui fungsi survival, yang dapat ditentukan
melalui integrasi dari fungsi Gompertz. Selanjutnya, dapat ditentukan fungsi
distribusi kumulatif (cumulative distribution function) dan fungsi densitas
(probability density function) dari distribusi Gompertz. Distribusi Gompertz-
Makeham (PGM) merupakan varian dari distribusi Gompertz, yang didapat
melalui transformasi power pada distribusi Gompertz-Makeham. PGM memiliki
beberapa sifat statistika yang dapat disajikan dalam bentuk tertutup, seperti fungsi
kuantil, momen, dan momen tak lengkap. Sifat-sifat ini dapat mempermudah
proses komputasi pada sifat tersebut.

Distribusi Gompertz merupakan suatu distribusi yang digunakan untuk

menggambarkan percepatan mortalitas dan nilai anuitas hidup. Distribusi ini dapat
didefinisikan melalui fungsi survival, yang dapat ditentukan melalui integrasi dari
fungsi Gompertz. Distribusi Gompertz dapat diterapkan dalam asuransi, seperti
asuransi syariah, untuk menentukan tingkat investasi dan biaya pengelolaan
berdasarkan usia peserta asuransi. Fungsi survival distribusi Gompertz dapat
ditentukan dengan rumus:

𝜇𝑥 = 𝐵𝑐𝑥, 𝐵 > 0, 𝑐 > 1, 𝑥 ≥ 0

Dimana:

- 𝜇𝑥: tingkat percepatan mortalitas

- 𝐵: parameter tingkat kemungkinan meninggal

- 𝑐: parameter peningkatan
- 𝑥: usia individu

Dengan fungsi ini, dapat diterapkan dalam perhitungan cadangan premi

asuransi jiwa, seperti dalam penelitian yang menggunakan metode Gompertz.
Distribusi Gompertz-Makeham (PGM) merupakan varian dari distribusi
Gompertz, yang didapat melalui transformasi power pada distribusi Gompertz-
Makeham. PGM memiliki beberapa sifat statistika yang dapat disajikan dalam
bentuk tertutup, seperti fungsi kuantil, momen, dan momen tak lengkap.

GOMPERTZ CURVE – by youtube

−ct

f ( t )=ae−be

Fungsi eksponensial ganda dengan tiga parameter a,b,c

a = asimtot (garis lengkung kurva yang mendekati garis lurus) asimtot

horizontal (mendatar)

jika dalam model pertumbuhan populasi f(t) pada waktu tertentu maka asimtot
dapat dianggap carrying capacity (daya dukung dr sistem)

b = perpindahan pada sumbu x

c = tingkat pertumbuhan

Mirip dengan model logistik yang digunakan untuk memodelkan

pertumbuhan populasi manusia, model ini digunakan untuk memodelkan
pertumbuhan populasi terbatas

Note : termasuk dalam kelompok fungsi logistik umum yang disebut dengan
kurva Richard

Perbedaan antara kurva gomperts dan logistik reguler adalah kurva logistik seiring
bertambahnya populasi, tingkat pertumbuhan menurun secara linear. Namun,
dalam kurva gompertz seiring bertambahnya jumlah penduduk, tingkat
pertumbuhan menurun secara eksponensial

Model ini biasa digunakan sebagai model pertumbuhan populasi sel tumor (karena
sel tumor diperkirakan tumbuh secara exponensial)

https://youtu.be/0ifT-7K68sk?si=FrOxkMMbP0t_ULuF

MODEL GOMPERTZ (333) – by analysis survival book

 PH model tetapi bukan AFT (accelerated failure time)

 Satu prediktor (TRT) dalam model:
h ( t )=[ exp ( γt ) ]∗exp ( β 0 + β 1 TRT )

h 0 ( t )=exp ( γt )  spesifik parameter

 γ >0 : hazard meningkat secara eksponensial dengan t
 γ >0 : hazard menurun secara eksponensial dengan t
 γ >0 : hazard konstan (model eksponenasial)

AFT model : multiplicative

T =exp ( α 0 +α 1 TRT + ε )

T =exp ¿ ¿

Tetapi additive on log scale

 ln ( T )=α 0 +α 1 TRT + ε

T daripada log(T) linear dengan TRT

Pemodelan bentuk parameter (contohnya weillbull dan log logistik)

Tipikal Model Weibull

p−1
h( t )=λp t

di mana λ = exp(β0 + β1 * TRT)

p tidak dipengaruhi oleh prediktor

Model Weibull alternatif

memodelkan parameter tambahan p

h(t) = λ * (t^p) * exp(β0 + β1 * TRT)

di mana λ = exp(β0 + β1 * TRT)

p = exp(δ0 + δ1 * TRT)

Bukan model PH atau AFT jika δ1 ≠ 0 tetapi tetap merupakan model Weibull

Memilih model yang sesuai:

 Evaluasi secara grafis

 Eksponensial
 Weibull
 Log-logistik

> Kriteria Informasi Akaike

  Membandingkan kesesuaian model
 Menggunakan likelihood 2 logaritma

DISTRIBUSI LOG LOGISTIK

Distribusi log-logistik adalah distribusi peluang dari variabel acak yang

logaritmanya memiliki distribusi logistik. Distribusi ini memiliki kesamaan
bentuk dengan distribusi log-normal, tetapi memiliki ekor yang lebih berat. Dalam
statistik, distribusi log-logistik merupakan distribusi peluang kontinu untuk
variabel acak tak-negatif.

Distribusi log-logistik dapat digunakan dalam pembangkitan data dari

distribusi log-logistik, seperti dalam analisis data mutu lingkungan. Distribusi ini
juga dapat digunakan sebagai alternatif untuk distribusi log-normal dan Weibull
dalam analisis data survival.

Dalam manajemen logistik, distribusi log-logistik tidak langsung

berhubungan dengan proses pengiriman barang dari pabrik ke konsumen akhir
melalui jaringan distributor, gudang, dan sistem transportasi. Namun, distribusi
log-logistik dapat digunakan dalam analisis data yang berkaitan dengan
manajemen logistik, seperti analisis data mutu lingkungan atau analisis data
survival dari konsumen atau pengiriman barang.

Cara mengestimasi parameter distribusi log-logistik pada data tahan hidup

melalui metode maksimum likelihood estimation (MLE) dapat dilakukan dengan
langkah-langkah berikut:

1. Memilih data tahan hidup tersensor tipe III, yang diasumsikan memiliki
waktu tahan hidup T dan waktu tersensor L, dengan T dan L merupakan
variabel random kontinu dengan fungsi ketahanan S(t) dan G(t).
2. Menguji kecocokan data apakah mengikuti distribusi log-logistik. Ini
dapat dilakukan dengan menggunakan metode Anderson-Darling.
3. Mengestimasi parameter α dan β dari distribusi log-logistik menggunakan
metode maksimum likelihood.
4. Membentuk model regresi data tahan hidup tersensor tipe III berdistribusi
log-logistik.
 5. Menguji signifikansi koefisien regresi secara simultan dan parsial.
6. Menentukan model regresi terbaik.

Dalam penelitian, menggunakan metode EM untuk menambah wawasan

mengenai estimasi parameter dari distribusi log-logistik pada data tersensor
progressive tipe II.

Kelebihan menggunakan distribusi log-logistik dalam analisis data antara lain:

1. Fleksibilitas: Distribusi log-logistik merupakan distribusi yang fleksibel,

yang mengandung distribusi yang telah dikenal luas seperti distribusi
lognormal, gamma, dan Weibull, serta memiliki hubungan dengan
distribusi umum lainnya seperti distribusi GG dan GB2.
2. Aplikasi dalam Data Mutu Lingkungan: Distribusi log-logistik merupakan
salah satu distribusi yang dapat diaplikasikan untuk data mutu lingkungan.
3. Aplikasi dalam Analisis Survival: Distribusi log-logistik memiliki
kelebihan yang tidak dimiliki oleh distribusi lain, yaitu dapat digunakan
pada analisis survival penyakit. Variabel dependen merupakan waktu
survival yang berdistribusi log-logistik, dan model regresi log-logistik
untuk data survival dapat dinyatakan dengan transformasi dengan Y=lnT.
4. Aplikasi dalam Data Asuransi, Data Survival, dan Data Ekonomi:
Distribusi log-logistik dapat diaplikasikan untuk data asuransi, data
survival, dan data ekonomi.
5. Metode Pembangkitan Data: Distribusi log-logistik merupakan distribusi
yang dapat diaplikasikan untuk data mutu lingkungan, dan pembangkitan
data dari distribusi log-logistik menggunakan metode inverse transform.
6. Aplikasi dalam Analisis Survival Tersensor Tipe II: Distribusi log-logistik
dapat digunakan untuk analisis survival tersensor tipe II.
7. Aplikasi dalam Pemodelan Peluang: Distribusi log-logistik dapat
digunakan dalam pemodelan peluang, seperti dalam pemodelan peluang
data polusi lingkungan.
Kelemahan menggunakan distribusi log-logistik dalam analisis data antara lain:

1. Kompleksitas: Distribusi log-logistik dapat menjadi kompleks karena

memiliki parameter yang lebih banyak dibandingkan dengan distribusi
lain.
2. Kesulitan dalam Penjelasan: Distribusi log-logistik dapat menjadi sulit
untuk dipahami oleh pengguna yang tidak familiar dengan distribusi
tersebut.
3. Kesulitan dalam Penggunaan: Distribusi log-logistik dapat menjadi sulit
untuk digunakan dalam praktis, karena memerlukan pengetahuan dan
pengalaman yang lebih tinggi.
4. Kesulitan dalam Pengujian Hipotesis: Distribusi log-logistik dapat menjadi
sulit untuk digunakan dalam pengujian hipotesis, karena memerlukan
metode yang lebih kompleks.
5. Kesulitan dalam Penggunaan dalam Analisis Survival: Distribusi log-
logistik dapat menjadi sulit untuk digunakan dalam analisis survival,
karena memerlukan pengetahuan dan pengalaman yang lebih tinggi.
6. Kesulitan dalam Penggunaan dalam Analisis Data Ekonomi: Distribusi
log-logistik dapat menjadi sulit untuk digunakan dalam analisis data
ekonomi, karena memerlukan pengetahuan dan pengalaman yang lebih
tinggi.

Cara menentukan apakah distribusi log-logistik tepat untuk data yang

dihasilkan dapat dilakukan dengan melakukan analisis statistik dan perhitungan
matematika. Berikut adalah langkah-langkah untuk menentukan apakah distribusi
log-logistik tepat untuk data yang dihasilkan:

1. Pengolahan Data:
Pertama, data yang dihasilkan perlu diproses dan dikategorikan sesuai
dengan kriteria yang diperlukan. Data tersensor tipe III berdistribusi log-
 logistik dapat diketahui dengan menggunakan fungsi densitas (1) dan
fungsi distribusi kumulatif (2) dari distribusi log-logistik.

2. Uji Kecocokan Distribusi:

Selanjutnya, dapat dilakukan uji kecocokan distribusi log-logistik dengan
data yang dihasilkan. Metode maksimum likelihood estimation dapat
digunakan untuk menentukan nilai parameter μ, σ, α, dan β dari fungsi
densitas dan distribusi kumulatif log-logistik.

3. Pengujian Signifikansi Koefisien Regresi: Setelah menentukan nilai

parameter, dapat dilakukan pengujian signifikansi koefisien regresi secara
simultan dan parsial untuk menentukan apakah model regresi log-logistik
yang dibangun tepat.

4. Penentuan Model Regresi Terbaik:

Jika nilai koefisien regresi signifikan, maka model regresi log-logistik
dapat diterjemahkan ke dalam bentuk model regresi biasa.

5. Pemeriksaan Hipotesis:
Setelah menentukan model regresi terbaik, dapat dilakukan pemeriksaan
hipotesis untuk menentukan apakah data yang dihasilkan berdistribusi log-
logistik.

6. Pengujian Keputusan:
Jika data yang dihasilkan diterima sebagai berdistribusi log-logistik, maka
distribusi log-logistik tepat untuk data yang dihasilkan. Jika tidak, maka
dapat dilakukan pengujian lainnya atau perlu dilakukan pengolahan data
yang lebih lanjut.
 Selain itu, distribusi log-logistik juga dapat digunakan dalam analisis survival,
data mutu lingkungan, data asuransi, dan data ekonomi, sehingga dapat
diperhatikan apakah data yang dihasilkan cocok dengan aplikasi tersebut.

Distribusi logistik menurut Kus dan Kaya (2006) adalah distribusi yang biasa
digunakan dalam analisis data tahan hidup karena logaritma natural dari variabel –
variabel tahan hidupnya berdistribusi logistik. Adapun fungsi kepadatan
probabilitas (fkp) distribusi log logistik dengan parameter skala α dan parameter
bentuk β sebagai berikut :

Distribusi log-logistik adalah distribusi peluang dari variabel acak yang

logaritmanya memiliki distribusi logistik. Distribusi ini memiliki kesamaan
bentuk dengan distribusi log-normal tetapi memiliki ekor yang lebih berat. Dalam
statistik, distribusi log-logistik (dikenal sebagai distribusi risk dibidang ekonomi)
merupakan distibusi peluang kontinu untuk variabel acak tak-negatif. Sebagai
contoh angka kematian akibat diagnosis kanker atau perawatan, berikutnya juga
telah digunakan dalam hidrologi untuk model debit air dan curah hujan dan dalam
ekonomi sebagai model sederhana dari distribusi kekayaan atau pendapatan.