ii. tinjauan pustaka maximum , penyensoran, bias relatif ...digilib.unila.ac.id/1981/8/bab...
TRANSCRIPT
4
II. TINJAUAN PUSTAKA
Dalam bab ini akan dijelaskan pengertian tentang distribusi Weibull, maximum
likelihood estimation, penyensoran, bias relatif, penduga parameter distribusi
Weibull dan beberapa istilah lain yang berkaitan dengan bahasan dalam penelitian
ini.
2.1 Distribusi Weibull
Distribusi Weibull diperkenalkan oleh seorang matematikawan yang bernama
Wallodi Weibull. Distribusi Weibull sering digunakan dalam pemodelan analisis
kelangsungan hidup yang memiliki daerah fungsi peluang densitas positif dengan
Peubah Acak kontinu. Distribusi Weibull memiliki dua parameter, yaitu:
= parameter bentuk (shape) yaitu menggambarkan bentuk distribusi pada
distribusi Weibull.
= parameter skala (scale) yaitu menggambarkan sebaran data pada distribusi
Weibull.
Menurut Kungdu dan Mangalick (2004), fungsi kepekatan peluang dari suatu
Peubah Acak Weibull ( , ) adalah sebagai berikut:
5
( ) = −0 ; ; > 0, > 0, > 0Fungsi distribusi kumulatif dari distribusi Weibull didefinisikan sebagai:( ) = 1 − exp[− ].Rata-rata (mean) dari distribusi Weibull adalah ( ) = Г + ( ) .
Ragam (variance) distribusi Weibull adalah
( ) = { Г + − Г + }.
2.2 Jenis Penyensoran
Suatu data dikatakan tersensor jika lamanya hidup seseorang yang ingin diketahui
atau diobservasi hanya terjadi pada periode waktu yang telah ditentukan (interval
pengamatan), sedang info yang ingin diketahui tidak terjadi pada interval tersebut.
Dengan demikian kita tidak memperoleh informasi apapun yang diinginkan
selama interval pengamatan.
Ada tiga jenis penyensoran yaitu sensor kanan (right censoring), sensor kiri (left
censoring) dan sensor selang (interval censoring). Right cencoring, terjadi jika
individu yang diamati masih tetap hidup pada saat waktu yang telah ditentukan.
Left cencoring, terjadi jika semua informasi yang ingin diketahui dari seorang
individu telah dapat diperoleh pada awal studi. Interval cencoring, jika informasi
yang dibutuhkan telah dapat diketahui pada kejadian peristiwa didalam selang
pengamatan (Klein dan Moeschberger, 1997).
6
Misalkan, penelitian tentang waktu munculnya kembali tumor setelah operasi.
Tiga bulan setelah operasi pasien diuji apakah tumor muncul lagi. Ternyata pada
beberapa orang pasien, tumor belum juga muncul hingga waktu tiga bulan
berakhir (waktu munculnya tumor lebih besar dari tiga bulan). Sehingga waktu
munculnya tumor untuk pasien tersebut adalah tersensor kanan. Namun pada
beberapa orang pasien, tumor telah muncul sebelum tiga bulan (waktu munculnya
tumor lebih kecil dari tiga bulan). Sehingga waktu munculnya tumor untuk pasien
tersebut adalah tersensor di kiri. Pasien diamati bebas tumor pada waktu tiga
bulan pertama tapi tumor muncul ketika diuji enam bulan setelah operasi, berarti
waktu daya tahan pasien diketahui antara tiga sampai enam bulan, maka waktu
daya tahan pasien tersebut merupakan sensor selang (Lee, 1992).
2.3 Tipe-Tipe Penyensoran
Jenis penyensoran dapat dibagi lagi menjadi tipe-tipe penyensoran. Menurut
Johnson (1982), tipe-tipe penyensoran terdiri dari :
1. Penyensoran Tipe I
Pada penyensoran sebelah kanan tipe I, penelitian diakhiri apabila waktu
pengamatan yang ditentukan tercapai. Jika waktu pengamatan sama untuk semua
unit maka dikatakan penyensoran tunggal. Jika waktu pengamatan untuk setiap
unit berbeda maka dikatakan penyensoran ganda.
Pada penyensoran sebelah kiri tipe I, pengamatan dilakukan jika telah melampaui
awal waktu yang ditentukan. Karakteristik penyensoran tipe I adalah bahwa
kegagalan adalah acak.
7
2. Penyensoran Tipe II
Pada penyensoran tipe II, pengamatan diakhiri setelah sejumlah kegagalan yang
telah ditetapkan diperoleh, atau dapat dikatakan banyaknya kegagalan adalah tetap
dan waktu pengamatan adalah acak.
Pada sensor kanan jenis II, jumlah individu pada saat awal ditentukan dan waktu
penelitian ditentukan sampai terjadinya kematian dengan jumlah tertentu. Pada
sensor kiri jenis II, titik awal penelitian dilakukan saat waktu kegagalan terurut( < ).3. Penyensoran Maju (Progressive Censoring)
Pada penyensoran maju, suatu jumlah yang ditentukan dari unit-unit bertahan
dikeluarkan dari penelitian berdasarkan kejadian dari tiap kegagalan terurut.
Secara konseptual, hal ini sama dengan suatu praktek yang dikenal sebagai
sudden-death testing, dimana tes secara serempak memuat beberapa pengetesan
dan apabila terjadi kegagalan pertama maka seluruh pengetesan dianggap gagal.
(Johnson, 1982).
2.4 Metode Kemungkinan Maksimum (Maximum Likelihood Estimation)
Misalkan X adalah Peubah Acak kontinu (atau diskrit) dengan fungsi kepadatan
peluang ( ; ) dengan adalah satu parameter yang tidak diketahui. Misalkan, , … , merupakan sebuah sampel acak berukuran n.
Maka fungsi kemungkinan (likelihood function) dari sampel acak itu adalah:
( ) = ( ; ) ( ; ) … ( ; )
8
Dalam hal ini, fungsi kemungkinan adalah fungsi dari parameter ( ) yang tidak
diketahui. Biasanya untuk memudahkan penganalisisan, fungsi kemungkinan( ) diberi ln (Nar Herrhyanto, 2003).
Fungsi ln-Likelihood dideferensiasikan terhadap yaitu:
= ln ( ) = ln ( 1: ) = 0Dengan mencari solusi dari persamaan di atas maka akan ditemukan penduga
yang memaksimumkan fungsi Likelihood (Hogg dan Craig, 1986).
2.5 Ketakbiasan
Menurut Herrhyanto (2003), dikatakan penduga tak bias bagi parameter , jika :=Sebaliknya dikatakan penduga bias bagi parameter , jika:≠2.6 Metode Kemungkinan Maksimum pada Distribusi Weibull
Parameter yang diduga pada distribusi Weibull adalah dan . Metode
kemungkinan maksimum (maximum likelihood estimation) diawali dengan
membentuk fungsi kemungkinan (likelihood estimation) dari distribusi Weibull,
yaitu sebagai berikut:
9
( , ) = ( ; , )Dimana fungsi kepekatan peluang dari Weibull adalah:
( ; , ) = −0 ; ; > 0, > 0, > 0Sehingga fungsi kemungkinan yang dapat dibentuk dari fungsi kepekatan peluang
distribusi Weibull adalah:( , ) = ∏ ( )= ∏ ∑
Untuk mempermudah penganalisisan, fungsi kemungkinan tersebut diberi fungsi
logaritma natural, sehingga diperoleh:ln ( , ) = ln − n β ln + ln ∏ − ∑= ln − n β ln + (β − 1) ln − 1
= ln − n β ln + (β − 1) ln( . … ) − 1= ln − n β ln + (β − 1) ∑ ln x − ∑ (2.1)
Selanjutnya penduga kemungkinan maksimum dari distribusi Weibull diperoleh
dengan cara mencari turunan pertama dari logaritma natural fungsi kemungkinan
terhadap dan dan menyamakan dengan nol. Penduga untuk dan diuraikan
sebagai berikut:
10
2.6.1 Penduga untuk
Penduga parameter dari distribusi Weibull dapat diperoleh dari
memaksimumkan logaritma natural fungsi kemungkinan dari distribusi Weibull
yaitu dengan turunan pertama λ dari logaritma natural fungsi kemungkinannya
yang sama dengan nol. Yaitu sebagai berikut:
( , ) = 0Persamaan (2.1) disubstitusikan ke persamaan di atas, sehingga didapat:
( , ) = ln − n β ln + (β − 1) ∑ ln x − ∑= 0Untuk mempermudah proses perhitungan maka digunakan permisalan berikut ini:
= − 1= −= ( )= ( )
Selanjutnya,− + ( ) ∑ = 0 (2.2)− = − ( )
= ( )
11
. = ( ) .= ∑
n = ∑= ∑
= ∑Maka diperoleh penduga parameter pada distribusi Weibull sebagai berikut:
= ∑ (2.3)Untuk melihat apakah = ∑
merupakan titik maksimum dari maka
dibuktikan turunan kedua dari adalah kurang dari nol, yaitu :
( , ) < 0Persamaan (2.2) disubstitusikan ke persamaan diatas, sehingga didapat:ln ( , ) = − + ( ) < 0
− ( + 1) ( ) < 0− ( + 1) ∑( ) < 0
12
Karena turunan kedua dari logaritma natural fungsi kemungkinan dari distribusi
Weibull kurang dari nol maka terbukti bahwa = ∑merupakan
penduga yang maksimum pada .
2.6.2 Penduga untuk
Penduga parameter dari distribusi Weibull dapat diperoleh dari
memaksimumkan logaritma natural fungsi kemungkinan dari distribusi Weibull
yaitu dengan turunan pertama dari logaritma natural fungsi kemungkinannya
yang sama dengan nol. Yaitu sebagai berikut:
( , ) = 0Persamaan (2.1) disubstitusikan ke persamaan diatas, sehingga didapat:ln ( , ) = ln − n β ln + (β − 1) ln x − 1
= ln − n β ln + (β − 1) ln x −= 0
Karena untuk menurunkan persamaan di atas tidak mudah maka digunakan
permisalan:
=ln = ln
13ln = ln1 = ln= ln= ln
Sehingga diperoleh,
− ln + ln − ln = 0− ln − ln + = − ln
ln + ln − = lnln( ) − ln + ln − = ln
Persamaan (2.3) disubstitusikan ke persamaan diatas, sehingga didapat:∑ ln − ln + ln − = ∑ ln∑ ln∑ – = ln∑ ln∑ – 1 = ∑ ln (2.4)Nilai dugaan parameter bagi diperoleh melalui pendeketan iterasi metode
Newton – Raphson dengan menganggap bahwa:( ) = ( , ) = 0
14
Langkah-langkah metode Newton-Raphson untuk mencari dugaan parameter
adalah sebagai berikut:
1. Menentukan nilai awal
2. Menentukan persamaan ( )( ) = ∑ ln∑ – 1 − ∑ ln
Dan turunan pertama dari ( ) adalah( ) = ( )∑ ∑ ( ) ∑∑ +
3. Masukkan persamaan ( ) dan turunan pertamanya ( ) ke dalam
rumus metode Newton-Raphson= − ( )( )Sehingga diperoleh nilai dugaan parameter bagi sebagai berikut:
= − ( )( )= − ∑ ln∑ – 1 − ∑ ln
∑ ∑ (ln ) − ∑ ln∑ + 1 (2.5)Persamaan (2.5) adalah penduga bagi distribusi Weibull (Sinurat, 2008).
15
2.7 Fungsi Kemungkinan Maksimum pada Distribusi Weibull TersensorKiri
Menurut Engelhardt dan Bain (1991), fungsi kemungkinan maksimum Distribusi
Weibull pada data tersensor kiri adalah:
( ) = ( ; ) . ( )