NIM : 2224200022
Kelas : 5C_pendidikan biologi
Jawaban
1. ESTIMASI PARAMETER DISTRIBUSI GAMMA DIPERUMUM UNTUK
SAMPEL TERSENSOR TIPE II DAN TIPE I
2.
a. Estimasi parameter adalah pendugaan karakteristik populasi (parameter) dengan
menggunakan karakteristik sampel (statistik). (Sahafati eka, 2022) Estimasi parameter
merupakan suatu metode yang digunakan untuk memprediksi karakteristik suatu
populasi berdasarkan sampel. Parameter adalah suatu konstanta yang tidak diketahui
yang menggambarkan karakteristik suatu populasi, oleh karena itu untuk
mengetahuinya dilakukan estimasi (pendugaan) terhadap parameter tersebut melalui
data sampel (Sahafati eka, 2022)
Secara umum, parameter diberi notasi 𝜃 dan penduganya dinotasikan dengan 𝜃 .
Estimator yang diperoleh dalam mengestimasi parameter-parameter dikatakan sebagai
estimator yang baik apabila memiliki sifat, yaitu estimator yang tidak bias, estimator
yang efisien dan dan estimator yang konsisten (Fatehkurohman, 2021).Dalam
penelitian ini akan dilakukan estimasi parameter d istribusi gamma diperumum dan
aplikasinya.
b. Berdasarkan arti katanya, hipotesis berasal dari 2 penggalan kata, yaitu “hypo” yang
artinya “di bawah” dan “thesa” yang artinya “kebenaran”. Jadi hipotesis yang kemudian
cara menulisnya disesuaikan dengan Ejaan Bahasa Indonesia menjadi hipotesa, dan
berkembang menjadi hipotesis. Hipotesis merupakan suatu pernyataan yang penting
kedudukannya dalam penelitian. Oleh karena itulah maka dari peneliti dituntut
kemampuannya untuk dapat merumuskan hipotesis ini dengan jelas.
Pada artikel yang saya temukan yaitu mengenai hipotesis untuk menentukan model
yang dapat dipakai untuk menggambarkan model distribusi peluang suatu variabel uji
hidup serta melakukan inferensi terhadap parameter-parameter model (Lawless, 1982).
a) Menurut (Lawless, 1982) fungsi survival didefinisikan sebagai peluang suatu individu
dapat bertahan hidup sampai waktu 𝑡. Jika 𝑇 merupakan variabel acak dari waktu hidup
suatu individu dalam interval [0, ∞).
b) Menurut (Lawless, 1982) fungsi hazard didefinisikan sebagai kelajuan suatu individu
mengalami kejadian dalam interval waktu dari 𝑡 sampai 𝑡 + ∆𝑡 dengan syarat individu
tersebut masih bertahan hidup sampai dengan waktu t
c. Ada dua jenis hipotesis yang digunakan dalam penelitian:
Hipotesis kerja atau alternatif, disingkat Ha. Hipotesis kerja menyatakan adanya
hubungan antara variabel X dan Y, atau adanya perbedaan antara dua kelompok.
Rumusan hipotesis kerja:
- Jika... maka...
- Ada perbedaan antara... dan... dalam...
- Ada pengaruh... terhadap...
Hipotesis nol (null hypotheses) disingkat Ho. Hipotesis ini menyatakan tidak
ada perbedaan antara dua variabel, atau tidak adanya pengaruh variabel X terhadap
variabel Y. Dengan kata lain, selisih variabel pertama dengan variabel kedua adalah nol
atau nihil. Hipotesis nol sering juga disebut hipotesis statistik, karena biasanya dipakai
dalam penelitian yang bersifat statistik, yaitu diuji dengan perhitungan statistik.
Eka Sahafati1), Wayan Somayasa1), Herdi Budiman1) dan Muhammad Kabil Djafar1)
Program Studi Matematika, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Halu Oleo, Kendari, Indonesia
E-mail: ekasahafati@gmail.com
ABSTRAK
Analisis uji hidup merupakan salah satu kumpulan dari prosedur statistika untuk analisis data dimana
variabelnya adalah waktu sampai terjadinya kejadian. Tujuan penelitian ini adalah mendapatkan penduga dari
distribusi Gamma diperumum untuk sampel tersensor tipe II dan tipe I.Estimasi parameter adalah pendugaan
karakteristik populasi (parameter) dengan menggunakan karakteristik sampel (statistik).Dalam penelitian ini,
untuk mengestimasi parameter digunakan metode maksimum likelihood. Karena turunan pertama fungsi log-
likelihood nonlinear, tidak dapat diselesaikan secara analitik, maka dilakukan pendekatan numerik yaitu dengan
metode Newton-Raphson.Dengan menggunakan software R, untuk sampel tersensor tipe II menggunakan data
waktu hidup marmut diperoleh 𝛼 = 1,54827, 𝛽 = 1,44184 dan 𝜃 = 139,52374. Untuk sampel tersensor tipe I
menggunakan data waktu kegagalan sistem pendingin udara pesawat terbang diperoleh 𝛼 = 0,49999 ,𝛽 =
1.25575dan 𝜃 = 26.05336.
Kata Kunci: Distribusi Gamma, Distribusi Gamma Diperumum, Sampel Tersensor Tipe II dan Tipe I, Estimasi
Parameter, Metode Maksimum Likelihood, Metode Newton-Raphson.
ABSTRACT
Lifetime test analysis is a collection of statistical procedures for data analysis where the variable is the
time to failure. The purpose of this study is to obtain an estimation procedure for the parameters of Generalized
Gamma distribution based on type II and type I censored samples. In this study, we propose maximum
likelihood method to estimate the parameters. Since the first derivative of the loglikelihood function cannot be
solved analytically, a numerical approach is used, namely the Newton-Raphson method. By using R software,
for the type II censored samples using the survival time guinea pig data, it was obtained 𝛼 = 1,5483, 𝛽 =
1,4418 dan 𝜃 = 139,5237. For the type I censored samples using the failure times of the air conditioning
system of an airplane data, it was obtained 𝛼 = 0,49999 ,𝛽 = 1.25575dan 𝜃 = 26.05336.
Keywords: Gamma Distribution, Generalized Gamma Distribution, Type I and Type II Censored Samples,
Parameter Estimation, Maximum Likelihood Estimate, Newton-Raphson Method.
1. Pendahuluan Analisis uji hidup pada suatu objek penelitian
Dalam bidang matematika terdapat cabang menghasilkan data waktu hidup. Data uji hidup dapat
statistika yang telah berkembang pesat dengan berupa masa pakai produk di pasar, seperti saat
adanya penemuan-penemuan alat analisis yang dapat produk berhasil dioperasikan atau waktu produk
digunakan untuk menganalisis suatu permasalahan, dioperasikan sebelum gagal. Masa pakai ini dapat
salah satunya adalah analisis uji hidup. Analisis uji diukur dalam jam, mil, siklus kegagalan, siklus stres,
hidup merupakan metode yang digunakan untuk atau metrik lainnya yang dapat digunakan untuk
menganalisis peluang kelangsungan hidup, kematian mengukur masa pakai produk(Murti dkk, 2012).
atau suatu peristiwa lainnya pada periode waktu Data waktu hidup yang diperoleh dari
tertentu. Analisis uji hidup sering digunakan dalam percobaan dapat berbentuk data lengkapdiperoleh
bidang teknik, biologi, kedokteran, dan lain-lain. jika seluruh unit dalam percobaan diuji sampai
Penelitian-penelitian tersebut biasanya menggunakan terjadi kerusakan (failure) dan data tersensor
data yang berkaitan dengan waktu tahan hidup dari diperoleh jika tidak seluruh unit/komponen
suatu individu. Analisis uji hidup mencakup berbagai mengalami kerusakan sampai dengan kondisi
teknik statistik yang berguna untuk menganalisis pengamatan yang ditentukan, dengan kata lain masih
berbagai macam variabel random positif. Variabel terdapat unit/komponen yang hidup saat terjadi
random positif pada analisis uji hidup berupa penyensoran (Solih dkk, 2017).
survival time (waktu tahan hidup) dan failure time Dalam analisis uji hidup dikenal adanya
(waktu kegagalan).Tujuan analisis uji hidup adalah penyensoran. Penyensoran merupakan suatu hal yang
menentukan model yang dapat dipakai untuk membedakan analisis uji hidup dengan analisis
menggambarkan model distribusi peluang suatu statistik lainnya. Penyensoran dilakukan untuk
variabel uji hidup serta melakukan inferensi terhadap mengatasi beberapa permasalahan dalam suatu
parameter-parameter model (Lawless, 1982). analisis, misalnya dalam suatu penelitian dibutuhkan
waktu yang lama untuk mendapatkan data yang Secara umum, parameter diberi notasi 𝜃 dan
lengkap sampai objek pengamatan mengalami suatu penduganya dinotasikan dengan 𝜃 . Estimator yang
kejadian yang diinginkan. Terdapat tiga penyensoran diperoleh dalam mengestimasi parameter-parameter
pada analisis uji hidup, yaitu penyensoran kanan, dikatakan sebagai estimator yang baik apabila
penyensoran kiri dan penyensoran interval. Dalam memiliki sifat, yaitu estimator yang tidak bias,
Analisis data uji hidup terdapat tiga fungsi yaitu estimator yang efisien dan dan estimator yang
fungsi kumulatif, fungsi survival dan fungsi hazard. konsisten (Fatehkurohman, 2021).
Untuk menganalisis data uji hidup dengan data Paper ini ditulis dengan susunan sebagai
tersensor diperlukan asumsi tertentu tentang berikut, pada bagian 2 membahas tentang kajian
distribusi populasinya. Beberapa distribusi pustaka, bagian 3 membahas tentang hasil dan
parametrik yang populer dan dapat digunakan untuk pembahasan dan bagian 4 penutup.
menganalisis model uji hidup adalah distribusi
weibull, distribusi eksponensial, distribusi gamma, 2. Kajian Pustaka
distribusi log-logistik, distribusi generalized gamma 2.1 Distribusi Gamma Diperumum
dan lain-lain. Salah satu distribusi waktu ketahanan Distribusi generalized gamma atau distribusi
hidup dalam industri yang dapat digunakan adalah gamma diperumum merupakan perumuman dari
distribusi generalized gamma atau distribusi gamma distribusi gamma. Distribusi gamma diperumum
yang diperumum. memiliki tiga paramater yaitu parameter bentuk
Distribusi generalized gamma atau distribusi 𝛼, 𝛽 dan parameter skala 𝜃 (Stacy, 1962).
gamma diperumum merupakan perumuman dari Misalkan 𝑇 berdistribusi gamma diperumum
distribusi gamma. Distribusi gamma merupakan tiga parameter atau dinotasikan 𝑇~𝐺𝐺 𝛼, 𝛽, 𝜃 ,
salah satu keluarga distribusi peluang kontinu yang maka fungsi probabilitas (pdf) dapat dinyatakan
biasa digunakan dalam pemodelan data kelangsungan sebagai
hidup. Akan tetapi distribusi gamma terkadang tidak 𝛽 𝑥 𝛽𝛼 −1 − 𝑥 𝛽
selalu tepat untuk mengemas data kelangsungan 𝑓 𝑥 = 𝑒 𝜃 ; 𝑥, 𝛼, 𝛽, 𝜃 > 0 (2.1)
hidup dalam suatu model peluang untuk dapat 𝛤 𝛼 𝜃𝛽𝛼
mengatasinya maka dibutuhkan suatu perumuman Berdasarkan Persamaan (2.1) fungsi distribusi
dari distribusi gamma untuk dapat digunakan dalam kumulatif dari distribusi gamma diperumum dapat
setiap keadaan data tersebut yaitu yang biasa disebut ditulis sebagai.
𝑥
distribusi generalized gamma atau distribusi gamma 𝛽 𝑥 𝛽𝛼 −1 − 𝑥 𝛽
𝐹 𝑥; 𝛼, 𝛽, 𝜃 = 𝑒 𝜃 𝑑𝑥
yang diperumum. Distribusi gamma diperumum 𝛤 𝛼 𝜃𝛽𝛼
memiliki model khusus yaitu distribusi Eksponensial, 0
𝑥
Weibull, dan Gamma (Stacy, 1962). 𝛽 𝑥 𝛽
= 𝑥 𝛽𝛼 −1 𝑒 − 𝜃 𝑑𝑥
Dalam penelitian ini akan dilakukan estimasi 𝛤 𝛼 𝜃𝛽𝛼
parameter distribusi gamma diperumum dan 0
aplikasinya. Estimasi parameter merupakan suatu Karena banyaknya parameter dalam fungsi integral,
metode yang digunakan untuk memprediksi maka perlu disederhanakan sebagai berikut:
𝑥 𝛽
karakteristik suatu populasi berdasarkan sampel. 𝜃
Parameter adalah suatu konstanta yang tidak 1 𝑥 𝛽
diketahui yang menggambarkan karakteristik suatu 𝐹 𝑥; 𝛼, 𝛽, 𝜃 = 𝑢𝛼−1 𝑒 −𝑢 𝑑𝑢 ; >0
𝛤 𝛼 𝜃
populasi, oleh karena itu untuk mengetahuinya 0
dilakukan estimasi (pendugaan) terhadap parameter atau
tersebut melalui data sampel. Ada beberapa metode 𝑥 𝛽
𝛤 𝛼,
estimasi parameter yang sering digunakan yaitu 𝜃
𝐹 𝑥; 𝛼, 𝛽, 𝜃 = 1 − (2.2)
metode momen, metode kuadrat terkecil, metode 𝛤 𝛼
Bayes dan metode Maximum likelihood estimator Nilai harapan dari distribusi gamma diperumum
(MLE). adalah:
Metode estimasi parameter yang digunakan 𝜃 1
𝐸𝑥 = 𝛤 𝛼+
dalam penelitian ini adalah metode maximum 𝛤 𝛼 𝛽
likelihood estimator (MLE). Metode MLE adalah Ragam distribusi gamma diperumum adalah:
metode yang paling sering digunakan dalam 2
mengestimasi parameter. Pada intinya metode ini 𝜃2 2 1 1
𝑉𝑎𝑟 𝑥 = 𝛤 𝛼+ − 𝛤 𝛼+
adalah mendapatkan estimasi parameter dengan cara 𝛤 𝛼 𝛽 𝛤 𝛼 𝛽
memaksimumkan fungsi likelihood.Fungsi likelihood
Menurut (Lawless, 1982) fungsi survival
adalah fungsi probabilitas bersama dari
didefinisikan sebagai peluang suatu individu dapat
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 , 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑛 dimana dianggap sebagai
bertahan hidup sampai waktu 𝑡. Jika 𝑇 merupakan
fungsi dalam parameter 𝜃. variabel acak dari waktu hidup suatu individu dalam
interval [0, ∞), maka fungsi survival 𝑆 𝑡 dapat terjadi pada interval tersebut, dengan demikian tidak
dinyatakan sebagai: diperoleh informasi apapun yang diinginkan selama
𝑆 𝑡 =𝑃 𝑇≥𝑡 interval pengamatan. Dalam analisis uji hidup
∞ penyensoran yang sering digunakan dalam
= 𝑓 𝑡 𝑑𝑡 (2.3) ekperimen uji hidup adalah panyensoran kanan. Ada
𝑡
dua tipe penyensoran kanan yaitu:
Dengan demikian diperoleh persamaan yang
2.2.1 Penyensoran Tipe II
menyatakan hubungan antara fungsi survival dan
Menurut (Lawless, 1982) pada penyensoran tipe
fungsi distribusi kumulatif, yaitu
II, pengamatan diakhiri setelah sejumlah kegagalan
𝑆 𝑡 =1−𝐹 𝑡 (2.4)
yang telah ditetapkan diperoleh, atau dapat dikatakan
Berdasarkan Persamaan (2.3) maka fungsi
banyaknya kegagalan adalah tetap dan waktu
survival distribusi gamma diperumum untuk sampel
pengamatan adalah acak. Pada sensor kanan tipe II,
tersensor dinyatakan sebagai berikut.
1 ∞ jumlah individu pada saat awal ditentukan dan waktu
𝑆 𝑡 = 𝑢𝛼 −1 𝑒 −𝑢 𝑑𝑢 (2.5) penelitian ditentukan sampai terjadinya kematian
𝛤 𝛼 𝑡 𝛽 dengan jumlah tertentu. Data tersensor tipe II adalah
𝜃
Berdasarkan Persamaan (2.4) yang menyatakan suatu data waktu hidup yang terdapat r buah
hubungan antara fungsi survival dan fungsi distribusi observasinya dalam sampel random yang berukuran
kumulatif, maka 𝑛 dengan 1 ≤ 𝑟 ≤ 𝑛 . Dalam data tersensor tipe II,
𝑥 𝛽 tardapat 𝑟 pengamatan dari 𝑛 sampel yang diamati,
𝛤 𝛼, dan eksperimen akan dihentikan setelah kegagalan
𝜃
𝑆 𝑡 = 1−𝐹 𝑡 = (2.6) ke-𝑟 yang terjadi sebelum waktu 𝑡𝑖 . Data terdiri dari
𝛤 𝛼
Menurut (Lawless, 1982) fungsi hazard 𝑟 tahan hidup terkecil 𝑇 1 ≤ 𝑇 2 ≤ ⋯ ≤ 𝑇 𝑟 dari
didefinisikan sebagai kelajuan suatu individu sampel acak yang terdiri dari 𝑛 tahan hidup
mengalami kejadian dalam interval waktu dari 𝑡 𝑇1 , 𝑇2 , ⋯ 𝑇𝑛 . Fungsi densitas peluang bersama dari
sampai 𝑡 + ∆𝑡 dengan syarat individu tersebut masih 𝑇1 , 𝑇2 , ⋯ 𝑇𝑛 adalah:survival 𝑆(𝑡), serta merupakan
bertahan hidup sampai dengan waktu 𝑡, dinyatakan sampel terurut, maka fungsi kepadatan peluang
sebagai berikut. bersama dari 𝑇 1 , 𝑇(2), … , 𝑇(𝑟) adalah sebagai berikut.
𝑃 𝑡 ≤ 𝑇 ≤ 𝑡 + ∆𝑡 𝑇 ≥ 𝑡 𝑛! 𝑛−𝑟
𝑡 = lim 𝑓 𝑡(1) … 𝑓 𝑡(𝑟) 𝑠 𝑡(𝑟) (2.9)
∆𝑡→0 ∆𝑡 𝑛−𝑟 !
1 𝑓(𝑡) Berdasarkan Persamaan (2.9) maka fungsi
= 𝐹′ 𝑡 = (2.7)
𝑠 𝑡 𝑆(𝑡) likelihood distribusi gamma diperumum berdasarkan
sampel tersensor tipe II adalah:
Berdasarkan Persamaan (2.7) fungsi hazard 𝑟 r
𝑓 𝑡 𝑛! β 1 𝛽α−1 −
1 𝑟
𝑖=1 𝑡 𝑖
𝛽
diperoleh dari 𝑆 𝑡 . Dengan menggunakan Persamaan 𝐿= 𝑡𝑖 𝑒 𝜃𝛽
𝑛−𝑟 ! Γ α 𝜃𝛽𝛼
i=1
(2.1) dan (2.5), maka fungsi hazard distribusi gamma 𝛽 𝑛−𝑟
𝑡 𝑟
diperumum adalah sebagai berikut. 𝛤 𝛼,
𝜃
𝑥 𝛽 (2.10)
𝛽 𝑥 𝛽𝛼 −1 − 𝛤 𝛼
𝑓 𝑡 𝑒 𝜃
𝜃 𝛽𝛼
𝑡 = = (2.8)
𝑆 𝑡 𝑥 𝛽 Maka fungsi logaritma likelihood adalah sebagai
𝛤 𝛼, berikut.
𝜃
𝑛!
ln 𝐿 𝛼, 𝛽, 𝜃 = ln + 𝑟 ln 𝛽 − 𝑟𝛽𝛼 ln 𝜃 −
2.2 Penyensoran 𝑛−𝑟 !
𝑟
Penyensoran dilakukan untuk memperpendek
waktu percobaan karena dalam mengukur waktu 𝑟 ln Γ α + 𝛽𝛼 − 1 ln 𝑡 𝑖 −
kematian individu kadang-kadang diperlukan waktu 𝑖=1
𝑟
yang lama dan biaya yang besar. Pengamatan tidak 1 𝛽
tersensor merupakan waktu tahan hidup yang dicatat 𝑡𝑖 − 𝑛 − 𝑟 ln 𝛤 𝛼 +
𝜃𝛽
dari individu yang mati selama waktu percobaan, 𝑖=1
𝛽
yaitu waktu dari awal hingga mengalami kematian. 𝑡𝑟
𝑛 − 𝑟 ln 𝛤 𝛼, (2.11)
Sedangkan pengamatan tersensor merupakan 𝜃
pengamatan waktu tahan hidup suatu individu yang 2.2.2 Penyensoran Tipe I
tidak diketahui secara pasti, sehingga pengamatannya Menurut (Lawless, 1982) pada penyensoran tipe
harus dibatasi oleh waktu (Murti dkk, 2012). I, penelitian diakhiri apabila waktu pengamatan yang
Menurut (Lawless, 1982)data dikatakan ditentukan tercapai. Jika waktu pengamatan sama
tersensor jika lamanya hidup seseorang yang untuk semua unit maka dikatakan penyensoran
diobservasi hanya terjadi pada waktu yang telah tunggal. Jika pengamatan untuk setiap unit berbeda
ditentukan, sedang info yang ingin diketahui tidak maka dapat dikatakan penyensoran ganda.
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 ln 𝐿 𝑎, 𝛽, 𝜃
=0
𝜕𝛼 2 𝜕𝛼𝜕𝛽 𝜕𝛼𝜕𝜃 𝜕𝛼
2 𝑛
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃
𝐻= ⟺ −𝑟𝛽 ln 𝜃 − 𝑟𝜓 𝛼 + 𝛽 ln 𝑡 𝑖 = 0 (4.4)
𝜕𝛽𝜕𝛼 𝜕𝛽2 𝜕𝛽𝜕𝜃
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 2
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝑖=1
𝜕 ln 𝐿 𝑎, 𝛽, 𝜃
𝜕𝜃𝜕𝛼 𝜕𝜃𝜕𝛽 𝜕𝜃 2 =0
Sehingga iterasi metode Newton-Rapshon tiga 𝜕𝛽
𝑛
variabel sebagai berikut: 𝑟
𝛼𝑖+1 𝛼𝑖 ⇔ − 𝑟𝛼 ln 𝜃 + 𝛼 ln 𝑡 𝑖
𝛽
𝑖=1
𝛽𝑖+1 = 𝛽𝑖 𝑛 𝛽 𝑛 𝛽
𝑖=1 𝑡 𝑖 ln 𝑡 𝑖 − ln 𝜃 𝑖=1 𝑡 𝑖
𝜃𝑖+1 𝜃𝑖 − =0 (4.5)
−1 𝜃𝛽
− 𝐻 𝛼 𝑖 ,𝛽 𝑖 ,𝜃 𝑖 𝑔 𝛼 𝑖 ,𝛽 𝑖 ,𝜃 𝑖 𝜕 ln 𝐿 𝑎, 𝛽, 𝜃
=0
Di mana 𝜕𝜃 𝑛
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝑟𝛽𝛼 𝛽
⇔− + 𝛽𝜃 − 𝛽+1 𝑡𝑖 =0 (4.6)
𝜕𝛼 𝜃
𝑖=1
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 Dari Persamaan (2.36) didapatkan penyelesaian
𝑔 𝛼 𝑖 ,𝛽 𝑖 ,𝜃 𝑖 =
𝜕𝛽 untuk 𝜃, sebagai berikut:
𝑛
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝑟𝛽𝛼
− + 𝛽𝜃 −𝛽 −1
𝑡𝑖 𝛽 =0
𝜕𝜃 𝜃
𝐻 −1 𝑖=1
𝑛
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃
−1 𝑟𝛽𝛼 𝛽
= 𝛽𝜃 −𝛽 −1 𝑡𝑖
𝜕𝛼 2 𝜕𝛼𝜕𝛽 𝜕𝛼𝜕𝜃 𝜃
𝑖=1
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝑛
= 𝛽
𝜕𝛽𝜕𝛼 𝜕𝛽2 𝜕𝛽𝜕𝜃 𝑟𝛼 = 𝛽𝜃 −𝛽 𝑡𝑖
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝑖=1
𝑛
𝜕𝜃𝜕𝛼 𝜕𝜃𝜕𝛽 𝜕𝜃 2 1 𝛽
𝜃𝛽 = 𝑡𝑖
𝑟𝛼
Selanjutnya akan ditentukan nilai penduga 𝑖=1
1
parameter 𝛼, 𝛽dan 𝜃 menggunakan metode iterasi 1
𝑛 𝛽
𝛽
Newton-Rapshon pada data tersensor tipe II yang 𝜃= 𝑡𝑖 (4.7)
berasal dari populasi berdistribusi gamma 𝑟𝛼
𝑖=1
diperumum yang diselesaikan dengan bantuan Persamaan (4.7) disubtitusi ke Persamaan (4.4)
software R. dan (4.5) seperti pada persamaan berikut:
𝑛
3.1.2 Sampel Tersensor Tipe I 𝜕 ln L 𝛼, 𝛽 1
Fungsi likelihood distribusi gamma diperumum = −𝑟 𝑙𝑛 𝑡 𝑖 𝛽 − 𝑟𝜓 𝛼
𝜕𝛼 𝑟𝛼
berdasarkan sampel tersensor tipe I dapat dilihat pada 𝑖=1
𝑛
Persamaan (2.14) sebagai berikut. 𝛽
𝑟 𝑛 +𝛽 ln 𝑡 𝑖 =0 (4.8)
𝛽 1 𝛽α−1 −
1 𝑛
𝑖=1 𝑡 𝑖
𝛽
𝐿 𝛼, 𝛽, 𝜃 = 𝑡𝑖 𝑒 𝜃𝛽 𝑖=1
𝛤 𝛼 𝜃𝛽𝛼 𝜕 ln L 𝛼, 𝛽 𝑟 𝑛 𝛽
𝑖=1 𝑖=1 𝑡 𝑖 ln 𝑡 𝑖
Maka logaritma fungsi likelihood seperti pada = − 𝑟𝛼 𝑛 𝛽
𝜕𝛽 𝛽 𝑖=1 𝑡 𝑖
Persamaan (2.15) sebagai berikut. 𝑛
ln 𝛼, 𝛽, 𝜃 = 𝑟 ln 𝛽 − 𝑟𝛽𝛼 ln 𝜃 − 𝑟 ln Γ α +𝛼 ln 𝑡 𝑖 = 0 (4.9)
𝑛 𝑛
1 𝛽 𝑖=1
+ 𝛽𝛼 − 1 ln 𝑡 𝑖 − 𝛽 𝑡𝑖 Dari Persamaan (4.8) dan (4.9) MLE untuk 𝑎
𝜃
𝑖 =1 𝑖=1 dan 𝛽 tidak dapat dihitung secara analitik, karena
Berdasarkan fungsi logaritma likelihood untuk
(4.8) dan (4.9) merupakan sistem persaamaan
sampel tersensor tipe I maka penduga maksimum
nonlinear. Maka akan digunakan metode numerik
likelihood 𝛼, 𝛽 dan 𝜃 diperoleh dari
𝜕 ln 𝐿 𝛼,𝛽 ,𝜃
yaitu metode Newton-Rapshon untuk menyelesaikan
penyelesaiansistem persamaan = 0, persamaan tersebut. Dalam iterasi Newton-Rapshon
𝜕𝛼
𝜕 ln 𝐿 𝛼,𝛽 ,𝜃 𝜕 ln 𝐿 𝛼,𝛽 ,𝜃 diperlukanmatriks Hessian yang elemen-elemennya
= 0 dan = 0.
𝜕𝛽 𝜕𝜃 terdiri dari turunan kedua fungsi logaritma likelihood
Berikut ini adalah turunan pertama terhadap yang dievaluasi pada titik 𝛼 dan 𝛽 .
parameter 𝛼, 𝛽 dan 𝜃. Menurut (Seber dan Wild, 2003) matriks
Hessian diperoleh seperti pada persamaan berikut.
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 1 10 25 116 49 197
𝜕𝛼 2 𝜕𝛼𝜕𝛽 2 33 26 120 50 202
𝐻 𝑎, 𝛽 = 2 2
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 3 44 27 121 51 213
𝜕𝛽𝜕𝛼 𝜕𝛽 2 𝛼=𝛼 𝑖 4 56 28 122 52 215
𝛽 =𝛽 𝑖 5 59 29 122 53 216
Sehingga iterasi metode Newton-Rapshon dua 6 72 30 124 54 222
variabel sebagai berikut:
𝛼 𝛼 7 74 31 130 55 230
𝑖+1 𝑖
= 8 77 32 134 56 231
𝛽 𝑖+1 𝛽𝑖
−1 9 92 33 136 57 240
− 𝐻 𝛼 𝑖 ,𝛽 𝑖 𝑔 𝛼 𝑖 ,𝛽 𝑖
10 93 34 139 58 245
di mana 11 96 35 144 59 251
𝜕 ln L 𝛼, 𝛽 12 100 36 146 60 253
𝜕𝛼 13 100 37 153 61 254
𝑔 𝛼 𝑖 ,𝛽 𝑖 =
𝜕 ln L 𝛼, 𝛽
14 102 38 159 62 254
𝜕𝛽 15 105 39 160 63 278
−1
𝐻 𝛼 𝑖 ,𝛽 𝑖 16 107 40 163 64 293
−1 17 107 41 163 65 327
𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 18 108 42 168 66 342
𝜕𝛼 2 𝜕𝛼𝜕𝛽 19 108 43 171 67 347
= 2
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 20 108 44 172 68 361
𝜕𝛽𝜕𝛼 𝜕𝛽 2 𝛼=𝛼 𝑖
21 109 45 176 69 402
𝛽 =𝛽 𝑖
22 112 46 183 70 432
Selanjutnya akan ditentukan nilai penduga
parameter 𝛼, 𝛽dan 𝜃 menggunakan metode iterasi
23 113 47 195 71 458
Newton-Rapshon pada data tersensor tipe I yang 24 115 48 196 72 555
berasal dari populasi berdistribusi gamma Berdasarkan data pada Tabel 4.1 akan
diperumum yang diselesaikan dengan bantuan ditentukan penduga parameter 𝛼, 𝛽dan 𝜃 dari
software R. distribusi gamma diperumum berdasarkan
penyensoran tipe II. Pendugaan parameter ini
3.2 Analisis Data dilakukan dengan metode iterasi Newton-Rapshon
Pada bagian ini akan diberikan aplikasi dari yang diselesaikan dengan bantuan software R. hasil
prosedur estimasi parameter distribusi gamma perhitungan ditampilkan pada lampiran (3), nilai
diperumum berdasarkan sampel tersensor tipe II dan estimasi untuk 𝛼, 𝛽 dan 𝜃 diperoleh setelah
tipe I menggunakan metode estimasi maksimum melakukan 20 kali iterasi, di mana nilai 𝛼 =
likelihood, kemudian dengan sifat asimtotik dari 1,54827,𝛽 = 1,44184 dan 𝜃 = 139,52374.
MLE akan ditentukan estimasi intervalnya. Selanjutnya estimasi interval untuk parameter
3.2.1 Analisis Data untuk Sampel TersensorTipe 𝛼, 𝛽 dan 𝜃 dapat diturunkan secara asimtotik dengan
II menggunakan sifat asimtotik dari penduga
maksimum likelihood. Maka berlaku:
Data yang dianalisa merupakan hasil
pengukuran terhadap waktu bertahan hidup marmut 𝛼 , 𝛽 , 𝜃 ~𝑁3 𝛼, 𝛽, 𝜃 , 𝐼0 −1 (4.10)
sejak terinfeksi virulent tubercle Bacilli yang diukur Di mana 𝐼0 adalah matriks informasi yang diberikan
dalam satuan hari. Data ini bersumber dari jurnal On oleh persamaan berikut:
Modeling Of Lifetime Data Using Three-Parameter
Generalized Lindley and Generalized Gamma 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃
− − −
Distribution (Shanker dkk., 2016). Banyaknya marmut 𝜕𝛼 2 𝜕𝛼𝜕𝛽 𝜕𝛼𝜕𝜃
2
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃
yang diamati adalah 85 ekor. Pengamatan dihentikan − − −
jika telah terdapat sebanyak 72 ekor marmut yang 𝜕𝛽𝜕𝛼 𝜕𝛽2 𝜕𝛽𝜕𝜃
mati. Marmut yang masih bertahan hidup dikatakan 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃 2
𝜕 ln 𝐿 𝛼, 𝛽, 𝜃 𝜕 2 ln 𝐿 𝛼, 𝛽, 𝜃
− − −
tersensor.Data hasil percobaan ditampilkan pada 𝜕𝜃𝜕𝛼 𝜕𝜃𝜕𝛽 𝜕𝜃 2
Tabel 4.1. Akan ditentukan estimasi interval untuk 𝛼, 𝛽
dan 𝜃 dari data waktu bertahan hidup marmut yang
Tabel 3.1 Data Waktu Bertahan Hidip Marmut terinfeksi virulent tubercle Bacilli. Diperoleh matriks
Item Item Item informasi dan inversnya sebagai berikut.
𝑡 𝑡 𝑡
ke ke ke
kegagalan sistem pendingin udara pesawat terbang 𝛾 = 5% dimana 𝛼 = 0.49999, 𝛽 = 1.25575 dan
yang dapat diamati yaitu sebanyak 𝑟 = 29. 𝜃 = 26.05336 maka
Tabel 3.2Data waktu kegagalan sistem pendingin
udara pesawat terbang ⇔ 𝑃 𝛼 − 𝑧1−𝛼 𝑰−1
0 11 ≤ 𝛼 ≤ 𝛼 − 𝑧𝛼 𝑰−1
0 11
2 2
Item Waktu Item Waktu
ke (Minggu) ke (Minggu) =1−𝛾
1 3 19 62 ⇔ 𝑃 0.49999 − 𝑧0.975 0.01005 ≤ 𝛼
2 5 20 71 ≤ 0.49999 − 𝑧0.025 0.01005
3 7 21 71 = 95%
4 11 22 87 ⇔ 𝑃 0.30351 ≤ 𝛼 ≤ 0.69648 = 95%
5 11 23 90 Jadi, interval kepercayaan dua sisi 1 − 𝛾 100%
6 11 24 95 untuk 𝛼 pada sampel tersensor tipe I adalah
7 12 25 120 0.30351, 0.69648 . Kemudian interval
8 14 26 120 kepercayaan untuk 𝛽
9 14 27 225
⇔ 𝑃 𝛽 − 𝑧1−𝛼 𝐼0 −1 22
≤ 𝛽 ≤ 𝛽 − 𝑧𝛼 𝐼0 −1 22
10 14 28 246 2 2
11 16 29 261 =1−𝛾
12 16 30 261* ⇔ 𝑃 1.25575 − 𝑧0.975 0.04929 ≤ 𝛽
13 20 31 261* ≤ 1.25575 − 𝑧0.025 0.04929
14 21 32 261* = 95%
15 23 33 261* ⇔ 𝑃 0.82061 ≤ 𝛽 ≤ 1.69089 = 95%
16 42 34 261* Jadi, interval kepercayaan dua sisi 1 −
17 47 35 261* 𝛾 100% untuk 𝛽 pada sampel besar tersensor tipe I
18 52 adalah 0.82061, 1.69089 . Selanjutnya interval
Berdasarkan data pada tabel 4.2 akan ditentukan kepercayaan untuk 𝜃
penduga parameter 𝛼, 𝛽dan 𝜃 dari distribusi gamma
diperumum berdasarkan penyensoran tipe I. ⇔ 𝑃 𝜃 − 𝑧1−𝛼 𝐼0 −1 33
≤ 𝜃 ≤ 𝜃 − 𝑧𝛼 𝐼0 −1 33
2 2
Pendugaan parameter ini dilakukan dengan metode =1−𝛾
iterasi Newton-Rapshon yang diselesaikan dengan ⇔ 𝑃 26.05336 − 𝑧0.975 43.73006 ≤ 𝜃
bantuan software R. hasil perhitungan ditampilkan
pada lampiran (5), nilai estimasi untuk 𝛼 dan 𝛽 ≤ 26.05336 − 𝑧0.025 43.73006
diperoleh setelah melakukan 18 kali iterasi, di mana = 95%
nilai 𝛼 = 0.49999 dan 𝛽 = 1.25575. Kemudian ⇔ 𝑃 13.0924 ≤ 𝜃 ≤ 39.01432 = 95%
untuk mengetahui nilai 𝜃 , maka nilai 𝛼 = 0,49999 Jadi, interval kepercayaan dua sisi 1 −
𝛾 100% untuk 𝜃 pada sampel besar tersensor tipe I
dan 𝛽 = 1.25575 disubstitusi pada persamaan (4.7),
adalah (13,0924 , 39,01432).Dari hasil estimasi
sehingga diperoleh 𝜃 = 26.05336.
nilai parameter dapat diperoleh fungsi survival dan
Selanjutnya estimasi interval untuk parameter fungsi hazard distribusi gamma diperumum.
𝛼, 𝛽 dan 𝜃 dapat diturunkan secara asimtotik dengan
Misalkan diberikan sembarang 𝑡 dalam satuan
menggunakan sifat asimtotik dari penduga waktu minggu, maka fungsi survival (tahan hidup)
maksimum likelihood.
dari sistem pendingin udara pesawat terbang dapat
Berdasarkan Persamaan (4.11) akan ditentukan
diestimasi dengan fungsi 𝑠 𝑡 sebagai berikut.
estimasi interval untuk 𝛼, 𝛽 dan 𝜃 dari data waktu 1 ∞
kegagalan sistem pendingin udara pesawat terbang. 𝑆 𝑡 = 𝑢𝛼 −1 𝑒 −𝑢 𝑑𝑢
Diperoleh matriks informasi dan inversnya sebagai 𝛤 𝛼 𝑡 𝛽
𝜃
berikut.
𝐼0 𝑆 0
∞
143.114144 −6.198481 1.3977756 1
= 𝑢0.49999−1 𝑒 −𝑢 𝑑𝑢 = 1
= −6.198481 337.085461 −11.0234021 𝛤 0.49999 0 1.25575
26.05336
1.397776 −11.0234021 0.3933433
0.01005 −0.01177 −0.36546 𝑆 10
𝐼0 −1 = −0.01177 0.04929 1.42334 1 ∞
−0.36546 1.42334 43.73006 = 𝑢0.49999−1 𝑒 −𝑢 𝑑𝑢
−1 −1
𝛤 0.49999 10 1.25575
diperoleh 𝐼0 11
= 0.01005, 𝐼0 22
= 0.04929 26.05336
−1 = 0.4382
dan 𝐼0 33
= 43.73006. Misalkan diambil