Kajian bandwidth optimal pada pendugaan fungsi intensitas lokal proses poisson periodik:

(1)

PROSES POISSON PERIODIK

SURASNO

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(2)

Dengan ini saya menyatakan bahwa tesis dengan judul Kajian Bandwidth

Optimal Pada Pendugaan Fungsi Intensitas Lokal Proses Poisson Periodik adalah karya saya sendiri dengan arahan dari komisi pembimbing, dan belum disajikan dalam bentuk apapun ke perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain disebutkan di dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Nopember 2009

Surasno G551070351

(3)

SURASNO. A study of the optimal bandwidth in estimation of the local intensity function of a periodic Poisson process. Supervised by I WAYAN MANGKU and SISWANDI

Periodic Poisson process is a Poisson process with periodic intensity function. In many applications, it is needed to find estimators for the intensity function of a periodic Poisson process. In this thesis, bandwidths for the estimators of the local intensity function of a periodic Poisson process are discussed. The behavior of the estimator using optimal bandwidth and estimator using asymptotically optimal bandwidth are compared through Monte Carlo simulations. The results of the simulations show that the behavior of the two estimators are not much different. Finally, asymptotic distribution and confidence interval for the estimator using asymptotically optimal bandwidth of the local intensity function of a periodic Poisson process are discussed.

(4)

SURASNO. Kajian Bandwidth Optimal Pada Penduga Fungsi Intensitas Lokal Proses Poisson Periodik. Dibimbing oleh I WAYAN MANGKU dan SISWANDI

Banyak fenomena yang dapat kita jumpai di kehidupan sehari – hari yang dapat dijelaskan dengan suatu proses stokastik. Proses stokastik merupakan salah satu bentuk model yang berkaitan dengan suatu aturan – aturan peluang dan mempunyai peranan penting dalam berbagai bidang dalam kehidupan sehari – hari seperti proses kedatangan pelanggan ke suatu pusat servis. Proses stokastik dibedakan menjadi dua yaitu proses stokastik dengan waktu diskret dan proses stokastik dengan waktu kontinu. Salah satu bentuk khusus dari proses stokastik dengan waktu kontinu adalah proses Poisson periodik. Proses Poisson periodik adalah suatu proses Poisson dengan fungsi intensitas berupa fungsi periodik. Dalam banyak penerapan, di samping diperlukan penduga bagi fungsi intensitas

suatu proses Poisson periodik, diperlukan juga bandwidth optimal pada penduga

fungsi intensitas lokal proses Poisson tersebut.

Pada karya ilmiah ini dikaji tentang bandwidth optimal pada penduga fungsi intensitas lokal proses Poisson periodik. Pada awalnya ditentukan penduga suatu

fungsi intensitas suatu proses Poisson periodik. (dengan periode ? yang diketahui)

dengan dengan pengamatan pada interval [0,n].

Penduga tipe kernel bagi ????, dirumuskan sebagai berikut:

??_{? ??}??? ? ?

Pada penduga di atas, ?_? disebut bandwidth

Selanjutnya dibuktikan dan dirumuskan sifat – sifat statistika pend uga fungsi intensitas suatu proses Poisson periodik, berupa aproksimasi asimtotik bagi nilai harapan, ragam dan MSE. Untuk memperoleh bandwidth optimal dilakukan dengan meminimumkan MSE penduga fungsi intensitas lokal suatu proses Poisson periodik, dengan terlebih dahulu menentukan turunan pertamanya.

Disamping itu juga dibahas perilaku penduga dengan bandwidth optimal dan

penduga denga n bandwidth optimal asimtotik, melalui simulasi Monte Carlo

menggunakan program R. Dari hasil pengkajian yang dilakukan dengan suatu

syarat tertentu, diperoleh hasil bahwa perilaku penduga fungsi intensitas lokal proses poisson periodik dengan menggunakan bandwidth optimal dan bandwidth optimal asimtotik menunjukkan hasil yang tidak jauh berbeda. Pada bagian terakhir dibahas sebaran asimtotik dan selang kepercayaan penduga fungsi intensitas lokal proses Poisson periodik dengan bandwidth optimal asimtotik.

Sedangkan sifat-sifat statistika dari masing- masing penduga juga telah

didapatkan rumusannya. Hasil simulasi kenormalan asimtotik (studentization)

bagi ??_{? ??}? ??? menunjukkan bahwa sebaran dari penduga fungsi intensitas lokal

(5)

Kata kunci: proses Poisson periodik, fungsi intensitas, bandwidth optimal,

(6)

1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber

a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah.

b. Pengutipan tidak merugikan kepentingan yang wajar Institut Pertanian Bogor.

(7)

Puji syukur kehadirat Allah SWT atas segala karunia-Nya sehingga karya ilmiah ini dapat dilaksanakan dan diselesaikan dengan baik. Judul yang dipilih pada penelitian yang dilaksanakan sejak bulan Juni 2009 ini adalah Kajian Bandwidth Optimal Pada Penduga Fungsi Intensitas Lokal Proses Poisson Periodik. Karya ilmiah ini tidak akan mungkin terselesaikan tanpa adanya dorongan, bantuan dan kritikan membangun dari berbagai pihak. Terimakasih penulis ucapkan kepada Dr. Ir. I Wayan Mangku, MSc dan Drs,Siswandi MS selaku pembimbing serta Dr. Ir. Hadi Sumarno, MS.selaku penguji yang banyak memberikan saran.

Demikian pula, penulis mengucapkan terimakasih kepada DEPAG RI yang telah memberikan beasiswa. Ungkapan terimakasih juga disampaikan kepada ayah, ibu, istri dan anak-anak tercinta serta seluruh keluarga, atas doa dan kasih sayangnya. Kemudian kepada rekan-rekan seangkatan BUD II DEPAG RI dan kakak tingkat yang telah memberikan dorongan motivasi kepada penulis untuk belajar dan menyelesaikan Program Magister Matematika Terapan di Sekolah Pascasarjana IPB..

Semoga Karya ilmiah ini bermanfaat.

Bogor, Nopember 2009

(8)

Penulis dilahirkan di Jakarta pada tanggal 27 Mei 1964 dari Bapak Djupan dan ibu Muhrimah. Penulis merupakan anak ketiga dari empat bersaudara.

Tahun 1983 penulis lulus dari SMA Negeri 1 Jakarta, melanjutkan kuliah di Institut Agama Islam Negeri (IAIN) Syarif Hidayatullah Jakarta, mengambil program Sarjana Muda Fakultas Tarbiyah Tadris Matematika. Tahun 1988 mendapat SK CPNS sebagai guru di Madrasah Aliyah Negeri (MAN) 1 Purwokerto Filial (sekarang menjadi MAN Sumpiuh) Jawa Tengah. Tahun 2000 menyelesaikan program S1 di Sekolah Tinggi Agama Islam Negeri (STAIN) Purwokerto Fakultas Tarbiyah jurusan Pendidikan Agama Islam. Pada tahun yang sama lulus seleksi Program Penyetaraan Universitas Negeri Semarang pada Jurusan Pendidikan Matematika FMIPA, mendapat beasiswa DMAP Departemen Agama Republik Indonesia dan lulus pada tahun 2003.

(9)

PROSES POISSON PERIODIK

SURASNO

Tesis

sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Matematika Terapan

SEKOLAH PASCA SARJANA

INSTITUT PERTANIAN BOGOR

(10)

NRP : G551070351

Program Studi : Matematika Terapan

Disetujui Komisi Pembimbing

Dr. Ir. I Wayan Mangku, M.Sc. Drs. Siswandi, M.S.

Ketua Anggota

Diketahui

Ketua Program Studi Dekan Sekolah Pascasarjana

Matematika Terapan

Dr. Ir. Endar H. Nugrahani, M.S. Prof. Dr. Ir. Khairil A. Notodiputro, M.S.

(11)

(12)

Halaman

I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Tujuan Penelitian ... 2

II TINJAUAN PUSTAKA ... 3

2.1. Proses Poisson Periodik ... 3

2.6. Pendugaan Fungsi Intensitas Proses Poisson Periodik ... 6

III REVIEW SIFAT-SIFAT STATISTIK PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK 8 3.1. Perumusan Penduga Fungsi Intensitas …... 8

3.2. Sifat-sifat Statistik Penduga Fungsi Intensitas ... 9

3.3. Pemilihan Bandwidth optimal…... 10

IV SIMULASI PEMBANDINGAN PRILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN DUGAAN BANDWIDTH DAN BANDWIDTH OPTIMAL ASIMTOTIK 13 4.1 Simulasi dengan Bandwidth Optimal …... 15

4.2 Simulasi dengan Bandwidth Optimal Asimtotik …... 17

V PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL ASIMTOTIK 21 5.1 Perumusan Penduga dan Sifat-sifat Statistikanya …... 21

5.2 Sebaran Asimtotik bagi ??_{? ??}? ??? …... 22

5.3 Selang Kepercayaan Fungsi Intensitas Lokal dengan Penduga ??_{? ??}? ??? g g 26 5.4 Simulasi Kenormalan Asimtotik bagi ???_{? ??}???... 27

5.5 Simulasi Selang Kepercayaan bagi ???_{? ??}???... 29

VI. KESIMPULAN …... 31

DAFTAR PUSTAKA ... 34

(13)

Lampiran 1 : Beberapa Definisi dan Lema Teknis ……….. 36

Lampiran 2 : Program Simulasi ……… 43

Lampiran 3 : Hasil simulasi dengan

bandwidth

optimal ………. 48

(14)

BAB I PENDAHULUAN

1.1 Latar Belakang

Banyak hal dalam kehidupan sehari- hari dapat dijelaskan dengan

menggunakan kaidah-kaidah peluang. Dalam hal ini secara khusus, dengan proses stokastik dapat dimodelkan perilaku kejadian yang akan datang, misalnya untuk

memodelkan proses kedatangan pelanggan pada suatu pusat servis.

Proses stokastik dibedakan menjadi dua yaitu proses stokastik dengan

waktu diskret dan proses stokastik dengan waktu kontinu. Salah satu bentuk dari

proses stokastik dengan waktu kontinu adalah proses Poisson periodik. Proses

Poisson periodik adalah suatu proses Poisson dengan fungsi intensitas berupa

fungsi periodik. Proses Poisson periodik banyak digunakan untuk memodelkan

fenomena pada berbagai bidang di antaranya bidang komunikasi, asuransi dan seismologi (Helmers et al. 2003).

Data yang diperoleh dari suatu kejadian kadang-kadang tidak dapat dijadikan pedoman untuk memperkirakan kejadian berikutnya, sehingga sulit

untuk dianalisis untuk menghasilkan informasi yang penting. Ada beberapa

pendekatan di dalam menganalisis data jenis ini, bisa menggunakan pendekatan

parametrik dan non parametrik. Pendekatan parametrik, akan mudah digunakan

bila suatu data dapat dimodelkan secara sederhana, dan data mempunyai pola distribusi tertentu seperti yang sudah dikenal di dalam statistika. Tetapi bila data

tersebut sulit untuk dimodelkan dan tidak diketahui distribusi apa yang harus digunakan, maka dapat menggunakan suatu pendekatan non parametrik.

Sebagai contoh, proses kedatangan pelanggan ke pusat servis dapat

dimodelkan dengan suatu proses Poisson periodik dengan periode satu hari. Pada

proses kedatangan pelanggan tersebut, fungsi intensitas lokal ?(s) menyatakan laju

kedatangan pelanggan pada waktu s.

Dalam penerapannya diperlukan penduga bagi fungsi intensitas dari suatu

proses Poisson periodik, di antaranya penduga bagi fungsi intensitas global

maupun fungsi intensitas lokal. Pendugaan fungsi intensitas lokal proses Poisson

(15)

Pada penelitian ini dibahas kajian bandwidth optimal pada penduga fungsi

intensitas lokal proses Poisson periodik.

1.2 Tujuan Penelitian

Tujuan penelitian yang dilakukan adalah

1) Mereview sifat-sifat statistik dan penentuan bandwidth optimal dari penduga

fungsi intensitas lokal suatu proses Poisson periodik.

2) Melakukan simulasi Monte Carlo untuk membandingkan perilaku penduga

dengan dugaan bandwidth optimal dan penduga dengan bandwidth optimal

asimtotik.

3) Menentukan kenormalan asimtotik dan selang kepercayaan penduga dengan

(16)

BAB II

TINJAUAN PUSTAKA

2.1 Proses Poisson Periodik

Definisi 2.1 : Proses stokastik

Proses stokastik X={X(t), t∈T} adalah suatu himpunan dari peubah acak X(t)

yang memetakan suatu ruang contoh p ke suatu ruang state S.

(Ross, 2007)

Dengan demikian, X(t) merupakan suatu peubah acak untuk setiap t pada

himpunan indeks T, dengan t menyatakan waktu dan X(t) kita sebut sebagai

keadaan (state) dari proses pada waktu t.Dalam hal ini ruang state S dapat berupa

himpunan bilangan bulat (atau himpunan bagiannya) atau dapat juga berupa himpunan bilangan real (atau himpunan bagiannya).

Definisi 2.2 : Proses stokastik dengan waktu kontinu

Suatu proses stokastik X disebut proses stokastik dengan waktu kontinu jika T

adalah suatu interval.

Definisi 2.3 : Inkreme n bebas

Suatu proses stokastik dengan waktu kontinu {X(t), t∈T} disebut memiliki

inkremen bebas jika untuk semua t₀ <t₁ <t₂ <...<t_n, peubah acak X(t₁)-X(t₀),

) (t₂

X -X(t₁),…,X(t_n)-X(t_n₋₁) adalah bebas.

(Ross, 2007)

Dengan kata lain, suatu proses stokastik dengan waktu kontinu X disebut

memiliki inkremen bebas jika proses berubahnya nilai pada interval waktu yang

tidak tumpang tindih (tidak overlap) adalah bebas.

Definisi 2.4 : Inkremen stasioner

Suatu proses stokastik dengan waktu kontinu {X(t), t∈T} disebut memiliki

inkremen stasioner jika ? ?? ? ?? ? ? ???memiliki sebaran yang sama untuk

semua nilai t.

(17)

Dengan kata lain, suatu proses stokastik dengan waktu kontinu X disebut

memiliki inkremen stasioner jika sebaran dari perubahan nilai antara sembarang

dua titik hanya tergantung pada jarak antara kedua titik tersebut, dan tidak

bergant ung pada lokasi titik–titik tersebut.

Proses Poisson merupakan salah satu bentuk khusus dari proses stokastik dengan waktu kontinu. Untuk proses Poisson, kita anggap bahwa himpunan

indeks T adalah interval bilangan nyata tak negatif, yaitu [0, 8).

Definisi 2.5 : Proses pencacahan

Suatu proses stokastik {N(t), t=?} disebut proses pencacahan jika N(t)

menyatakan banyaknya kejadian yang telah terjadi sampai waktu t. Proses

pencacahan N(t) harus memenuhi syarat- syarat sebagai berikut.

(i) N(t) = 0 untuk semua t ?[0, 8). (ii)Nilai N(t) adalah integer.

(iii)Jika s < t maka N(s ) = N(t), s,t ?[0, 8 ).

(iv)Untuk s < t maka N(t ) - N(s), sama dengan banyaknya kejadian yang terjadi

pada interval (s, t].

(Ross, 2007)

Definisi 2.6 : Proses Poisson

Suatu proses pencacahan {N(t), t=0} disebut proses Poisson dengan laju ?, ?>0,

jika dipenuhi tiga syarat berikut.

(i) N(0) = 0.

(ii)Proses tersebut memiliki inkremen bebas.

(iii)Banyaknya kejadian pada sembarang interval waktu dengan panjang t,

memiliki sebaran Poisson dengan nilai harapan ?t. Jadi untuk semua t, s>0,

? ?? ?? ? ?? ? ? ??? ? ? ? ? ?

? ? ?_?????

? K ? ? ? ? ?? ?? ?g

(Ross, 2007)

Dari syarat (iii) dapat dilihat bahwa proses Poisson memiliki inkremen

stasioner. Dari syarat ini juga kita peroleh bahwa ? ?? ???? ? ?t, yang menjelaskan

bahwa proses Poisson memiliki laju ?.

(18)

Definisi 2.7 : Proses Poisson homogen

Proses Poisson homogen adalah proses Poisson dengan laju ? yang merupakan

konstanta untuk semua waktu t.

(Ross, 2007)

Definisi 2.8 : Proses Poisson tak homogen

Proses Poisson tak homogen adalah suatu proses Poisson dengan laju pada

sembarang waktu t yang merupakan fungsi tak konstan dari t yaitu ?(t).

(Ross, 2007)

Definisi 2.9 : Fungsi intensitas

Laju dari suatu proses Poisson tak homogen {N(t), t ?0}, yaitu ?(t) disebut fungsi intensitas proses Poisson pada t.

(Cressie, 1991)

Definisi 2.10 : Intensitas lokal

Intensitas lokal dari suatu proses Poisson tak homogen N dengan fungsi intensitas

? pada titik s ?_R adalah ?(s), yaitu nilai fungsi ? di s.

(Cressie, 1991)

Definisi 2.11 : Fungsi intensitas global

Misalkan N([0, n]) adalah proses Poisson pada interval [0, n].

Fungsi intensitas global ? dari proses Poisson ini didefinisikan sebagai

? ? ??•

? ? ?

? ? ??? ?? ?? ? ?

jika limit di atas ada.

(Cressie, 1991)

Definisi 2.12 : Fungsi periodik

Suatu fungsi ? disebut periodik jika

? ?? ? ? ?? ? ? ????

untuk semua ? ? ? dan k ? ?, dengan ? adalah himpunan bilangan bulat.

Konstanta terkecil ? yang memenuhi persamaan di atas disebut periode dari fungsi

? tersebut.

(19)

Definisi 2.13 : Proses Poisson periodik

Proses Poisson periodik adalah suatu proses Poisson yang fungsi intensitasnya

adalah fungsi periodik.

(Cressie,1991)

2.4 Pendugaan Fungsi Intensitas Proses Poisson Periodik

Fungsi intensitas dari suatu proses Poisson merupakan laju dari proses

Poisson tersebut. Fungsi intensitas dapat dibedakan menjadi dua, yaitu fungsi intensitas lokal (yang lebih sering hanya disebut fungsi intensitas) dan fungsi

intensitas global. Fungsi intensitas lokal menyatakan laju proses Poisson di titik

tertentu, sedangkan fungsi intensitas global menyatakan rata – rata laju dari suatu proses Poisson pada suatu interval dengan panjang menuju tak hingga.

Untuk menduga fungsi intensitas dapat digunakan pendekatan non parametrik (Diggle, 1985). Salah satu pendekatan non parametrik yang dapat

digunakan adalah pendekatan fungsi kernel. Adapun hal ini karena fungsi

intensitasnya tidak diketahui, sehingga untuk menduga bentuk fungsinya dapat

didekati dengan fungsi penduga Kernel (Hardle, 1993).

Pendekatan yang dipakai pada pendugaan fungsi intensitas lokal dari suatu

proses Poisson di titik s ialah dengan menaksir rata – rata banyaknya kejadian

proses Poisson tersebut dalam interval waktu di sekitar titik s. Secara matematis,

misalkan ?_? ? ? dan N[0,t] menyatakan banyaknya kejadian yang terjadi pada

[0,t], maka intensitas di titik s dapat dihampiri oleh ?

? ?_? ? ??? ? ???? ? ????G Sedangkan pendekatan yang dipakai pada pendugaan fungsi intensitas global

dari suatu proses Poisson ialah dengan menaksir rata – rata banyaknya kejadian

proses Poisson tersebut pada selang waktu [0,n]. Secara matematis, intensitas

global dapat dihampiri dengan ?

? ? ??? ?? ??G

Penduga fungsi intensitas suatu proses Poisson periodik dapat dibedakan berdasarkan periodenya, yaitu proses Poisson dengan periode yang diketahui dan

periode yang tidak diketahui. Pada periode yang tidak diketahui, pendugaan fungsi intensitasnya lebih rumit dibandingkan dengan pendugaan fungsi intensitas

(20)

telah merumuskan pendekatan dengan tipe kernel yang dapat digunakan untuk

menjelaskan kekonsistenan dan sifat-sifat statistik a dari penduga fungsi intensitas

proses Poisson periodik tersebut.

Beberapa penelitian telah dilakukan dalam pendugaan fungsi intensitas (lokal)

proses Poisson periodik. Fungsi intensitas proses Poisson digunakan dalam pemodelan laju polusi minyak di Laut Utara Belanda (Helmers 1995). Pada

perkembangan berikutnya, setelah didapat rumusan penduga fungsi intensitas,

dilanjutkan dengan pendugaan turunan pertama dan kedua oleh Syamsuri (2007).

Diperoleh rumusan baru yaitu penduga turunan pertama dan kedua terhadap

fungsi intensitas proses poisson periodik, yang kemudian dilanjutkan oleh

Herniwati (2007) dan Arifin (2008) . Herniwati mengkaji tentang kekonsistenan

penduga, sedangkan Arifin mengkaji tentang sebaran asimtotik nya. Dalam

kajiannya diperoleh hasil bahwa penduga turunan pertama fungsi intensitas bersifat konsisten dan memiliki sebaran normal, demikian halnya dengan turunan

kedua. Tahun 2009, Eviliyanida melakukan kajian lanjutan, tetapi lebih mengkhususkan pada fungsi intensitas dengan tren linear. Ternyata, prilaku

penduga yang dikaji memiliki kesamaan dalam hal kekonsistenan, kekonvergenan

MSE maupun sifat-sifat statistiknya, baik tanpa tren maupun dengan tren linear. Kajian tentang fungsi intensitas masih diperkaya lagi dengan penelitian oleh

Surawu (2009) yang memfokuskan penelitian pada sebaran asimtotik bukan terhadap penduga fungsi, tetapi terhadap komponen periodik fungsi intensitas

dengan tren linear. Dari kajiannya diperoleh hal yang hampir sama dengan

peneliti-peneliti sebelumnya. Demikian juga dengan Hidayah (2009). Dengan

penelitiannya diperoleh rumusan selang kepercayaan terhadap penduga fungsi

intensitas. Disimpulkan juga bahwa penduga fungsi intensitas memiliki nilai peluang yang hampir sama pada selang kepercayaan, baik teoritis maupun

simulasi. Penelitian dilanjutkan oleh Marthalena (2009) yang memperoleh

rumusan penduga nonparametric bagi fungsi intensitas proses Poisson periodik

dengan periode ganda. Penduga tersebut juga memiliki prilaku yang hampir sama

(21)

BAB III

REVIEW SIFAT-SIFAT STATISTIK PENDUGA

FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK

3.1 Perumusan Penduga Fungsi Intensitas

Misalkan N adalah proses Poisson pada interval ?? ?? ? dengan fungsi intensitas ?

(tidak diketahui) yang terintegralkan lokal. Diasumsikan bahwa ? adalah periodik

dengan periode diketahui, yaitu ?. Kita tidak mengasumsikan suatu bentuk

parametrik dari ?, kecuali asumsi bahwa ? adalah periodik. Karena ? adalah

periodik maka untuk setiap titik ? ? ?? ?? ? dan untuk semua ? ? ? dengan ?

adalah himpunan bilangan bulat, berlaku:

??? ? ? ?? ? ? ???G (3.1)

Misalkan bahwa untuk suatu ? ? p, hanya terdapat realisasi tunggal N (? ? dari

proses Poisson N yang terdefinisi pada ruang peluang ?p ? ? ?? ? dengan fungsi

intensitas ? yang diamati hanya pada interval terbatas [0, n].

Diasumsikan juga bahwa s adalah titik Lebesgue dari ?, sehingga berlaku:

??•

fungsi kernel yang memenuhi sifat-sifat berikut (Helmers et al., 2003) :

(K1) K adalah fungsi kepekatan peluang

(K2) K terbatas

(K3) K terdefinisi pada daerah [-1,1].

Misalkan juga ?_? merupakan barisan bilangan real positif yang konvergen ke 0,

yaitu:

?_? ? ? ? ??G? ?

untuk ? ? ? G

(22)

??_{? ??}??? ? ?

Penduga yang didefinisikan pada (3.4) dinamakan penduga tipe kernel dari fungsi

intensitas lokal proses Poisson periodik.

Ide di balik perumusan penduga ??_{? ??}??? dapat digambarkan sebagai berikut. Nilai

fungsi???? di titik s dapat didekati dengan nilai rataan dari banyaknya kejadian di sekitar titik s, yaitu banyaknya kejadian pada interval [? ? ?_??? ? ?_? ], untuk

?_? ? ?. Nilai rataan ini dapat dinyatakan sebagai : ?

? ?_? ? ??? ? ?? ?? ? ????. (3.5)

Karena fungsi ? adalah periodik dengan periode ?, maka untuk menduga nilai

fungsi ? ???dapat juga digunakan nilai rataan dari banyaknya kejadian di sekitar

titik s+k?, asalkan s+k? ? ?? ?? ?. Sehingga untuk setiap k? ?, nilai rataannya dapat dinyatakan sebagai :

?

fungsi kernel umum K yang memenuhi (K1), (K2), dan (K3), sehingga diperoleh

persamaan (3.4).

3.2 Sifat-sifat Statistik Penduga Fungsi Intensitas

Sifat-sifat statistika penduga tipe kernel dari fungsi intensitas suatu proses

(23)

Teorema 3.1 : Aproksimasi asimtotik bagi nilai harapan ??_{? ??}???

Misalkan fungsi intensitas ? adalah periodik, terintegralkan lokal dan memiliki

turunan kedua ??? berhingga di s. Jika kernel K adalah simetrik dan memenuhi

Teorema 3. 2 : Aproksimasi asimtotik varians ??_{? ??}???

Misalkan fungsi intensitas ? adalah periodik, terintegralkan lokal , berhingga di s.

Jika kernel K adalah memenuhi kondisi (K1), (K2), (K3), ?_? ? ? maka Bukti: (Lihat Mangku 2006)

3.3 Pemilihan Bandwidth Optimal

Dalam penelitian ini, yang dimaksud bandwidth (?_?? adalah jarak antara titik s

dengan titik terjauh yang disertakan dalam pendugaan fungsi intersitas di titik s,

dimana ?_? ? ? dan N[0,t] menyatakan banyaknya kejadian yang terjadi pada [0,t].

Penentuan bandwidth optimal diperlukan, agar pendugaan fungsi intensitas

sedekat mungkin terhadap fungsi intensitasnya. Nilai optimum dari ?_? tergantung

pada kriteria yang digunakan untuk mengukur akurasi dari ??_{? ??} ???. Kriteria yang

bisa digunakan adalah mean square error (MSE) (Cressie, Hardle, 1991).

Untuk menduga bandwidth optimal dilakukan dengan meminimumkan

? ?? ???_{? ??}????, dengan terlebih dahulu menentukan turunan pertamanya. Rumus umum yang digunakan adalah sebagai berikut :

? ?? ???_{? ??}???? ? ? ???_{? ??} ??? ? ? ?????_G _(3.10)

? ? ? ? ???_{? ??}???? ? ?? ??? ???_{? ??} ?????

?

G (3.11)

(24)

? ?? ???_{? ??} ???? ? ? ? ???

sehingga diperoleh sebagai berikut :

(25)

?_?? ?

Selanjutnya untuk menentukan jenis optimumnya, ditentukan turunan

kedua ? ?? ???_{? ??}???? terhadap ?_? sebagai berikut

sehingga syarat ? ?? ???_{? ??}???? minimum terpenuhi. Dengan demikian diperoleh

(26)

BAB IV

SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL

ASIMTOTIK

Pada bagian ini dilakukan simulasi untuk membandingkan perilaku

penduga dengan bandwidth optimal dan penduga dengan bandwidth optimal

asimtotik, yaitu bandwidth yang nilainya sama dengan panjang interval

pengamatan pangkat -1/5 atau ?_? ? ?? ?? ? ??. Simulasi komputer dilakukan

dengan menggunakan program R dalam membangkitkan realisasi proses Poisson

periodik, dengan ukuran sampel yang terbatas. Dalam simulasi ini digunakan

fungsi intensitas

???? ? ? ??? ?? ???? ? ?

? ? ? ?? (4.1) Dipilih A = 2, ? ? ? ?? ? ? ? ? • ? ? , dan ? ? ? . Dengan pemilihan parameter-parameter tersebut, maka fungsi intensitas (4.1) menjadi

???? ? ? ??? ? ???? ? ?

? ?? untuk ? ? ? ? ? ? • (4.2)

???? ? ? ??? ? ???? ? ?

? ? ?? untuk ? ? ? ? . (4.3)

Gambar 1. Grafik fungsi yang diberikan oleh persamaan (4.2)

s

(27)

Gambar 2. Grafik fungsi yang diberikan oleh persamaan (4.3)

Pada simulasi untuk membandingkan perilaku penduga fungsi intensitas lokal proses Poisson periodik ini digunakan metode Monte Carlo untuk

membangkitkan realisasi dari proses Poisson periodik tersebut. Pembangkitan

realisasi ini dilakukan pada interval [0, n] serta dipilih n = 100, n = 500, dan n =

1000.

Penduga fungsi intensitas lokal proses Poisson periodik yang digunakan

adalah penduga yang didefinisikan pada persamaan (3.4) dengan fungsi kernel

? ? ?

Pendugaan ? pada simulasi ini dilakukan pada tiga titik, yaitu di s = 2.6 (mewakili

nilai ? ??? yang kecil), di s = 4 (mewakili nilai ???? yang sedang), dan di s = 4.9 (mewakili nilai ? ??? yang besar) dengan periode ? ? ?.

Sedangkan pendugaan ? untuk periode ? ? ? ? dilakukan pada tiga titik, yaitu di s = 5.2 (mewakili nilai ? ??? yang kecil), di s = 8 (mewakili nilai ? ??? yang sedang), dan di s = 9.8 (mewakili nilai ???? yang besar) .

Untuk kernel K yang merupakan fungsi kepekatan peluang seragam pada

interval [-1,1]: yang akan digunakan untuk aplikasi (3.8) dan (3.9).

? ???

(28)

Sehingga pendekatan asimtotik bagi nilai harapan penduga, berdasarkan

Teorema 3.1, diperoleh

? ??_???? ? ???? ? ?

Sedangkan pendekatan asimtotik bagi varian penduga, berdasarkan Teorema 3.2,

diperoleh

4.1 Simulasi dengan bandwidth optimal

Analog dengan (3.34) , tetapi menggunakan kernel seragam ? ? ?

????? ? ?? ??,

diperoleh bandwith optimal dengan rumus

?_? ? ? ? ?? ??? ?? ???_??????

? ??

?? ?? ? ?? G ?? G? ?

Selanjutnya dari (4.2) dan (4.3) diperoleh turunan kedua dari fungsi intensitas

sebagai berikut

dipilih, yaitu 100, 500, dan 1000 maka diperoleh nilai bandwidth optimal (4.9).

(29)

Hasil yang diperoleh dari simulasi disajikan dalam Tabel 1, berikut ini :

Tabel 1. Hasil simulasi dengan bandwidth optimal (M=1000)

t au t it ik n ?_? ? ?????? ? ? ? ???????? ? ??? ???????? ? ? ? ???? ??????

proses Poisson periodik semakin baik. Dari hasil simulasi dengan bandwidth

optimal, diperoleh bahwa MSE terkecil terdapat pada ? ? ?, s =2.6, dan n=1000,

juga pada ? ? ?, s =5.2, dan n=1000, yaitu ? ?? ???_{? ??}???? ? ? G? ? ?. Secara

umum dapat dikatakan bahwa semakin besar n pada setiap titik, diperoleh nilai

(30)

semakin besar maka data yang digunakan semakin banyak, sehingga

menyebabkan nilai ? ?? ???_{? ??}???? semakin kecil.

4.2 Simulasi dengan bandwidth optimal asimtotik.

Pada simulasi ini digunakan bandwidth sama dengan panjang interval

pengamatan pangkat -1/5 atau dapat dinyatakan dengan ?_? ? ?? ?? ? ? ?, yang

disebut bandwidth optimal asimtotik. Periode ? untuk ? tetap sama dan dilakukan

pada tiga titik yang sama pula dengan simulasi yang menggunakan bandwidth

optimal. Pendugaan pada setiap titik untuk setiap kasus diulang sebanyak

M=1000 kali.

Hasil yang diperoleh dari simulasi disajikan pada Tabel 2 berikut ini : Tabel 2. Hasil simulasi dengan bandwidth optimal asimtotik (M=1000)

t au t it ik n ?_? ? ?????? ? ? ? ???_???? ? ? ? ? ???_????? ? ? ? ???_{? ??}????

5 2.6

100 0.39811 0.73554 0.04514 -0.00604 0.04517

500 0.28854 0.74097 0.01349 -0.00061 0.01349

1000 0.25119 0.75219 0.00766 0.01061 0.00777

4

100 0.39811 2.66656 0.16522 -0.05762 0.16854

500 0.28854 2.73569 0.04783 0.01152 0.04796

1000 0.25119 2.73696 0.02691 0.01279 0.02708

4.9

100 0.39811 4.90477 0.26842 -0.48909 0.50763

500 0.28854 5.23245 0.09875 -0.16142 0.12481

1000 0.25119 5.28154 0.05206 -0.11232 0.06468

10 5.2

100 0.39811 0.68009 0.08768 -0.06149 0.09146

500 0.28854 0.73432 0.02228 -0.00727 0.02234

1000 0.25119 0.73821 0.01494 -0.00337 0.01495

8

100 0.39811 2.45901 0.28194 -0.26516 0.35225

500 0.28854 2.67575 0.08927 -0.04842 0.09162

(31)

9.8

besarnya nilai n pada setiap titik. Hal ini juga dikarenakan pada setiap titik, jika

n semakin besar maka data yang digunakan semakin banyak, sehingga

memperkecil nilai ? ?? ???_{? ??} ????G

Perbandingan nilai ? ?? dari penduga dengan bandwidth optimal dan penduga

dengan bandwidth optimal asimtotik disajikan pada Tabel 3, Tabel 4, dan Tabel 5

Tabel 3. Perbandingan MSE (bandwidth optimal & asimtotik) pada n = 100

n t au t it ik indeks ? ? ? ? ??? ??????

(32)

Perbandingan MSE tersebut diilustrasikan dengan gambar berikut :

Gambar 3. Grafik perbandingan MSE pada n = 100

(33)

Dari tabel dan grafik di atas dapat disimpulkan bahwa kedua jenis penduga fungsi

intensitas lokal proses Poisson periodik memiliki MSE yang relatif sama, baik

menggunakan bandwidth optimal maupun bandwidth optimal asimtotik.

Maka pada bab berikutnya dibahas pendugaan fungsi intensitas lokal proses

Poisson periodik dengan bandwith optimal asimtotik.

0 0,02 0,04 0,06 0,08 0,1 0,12

1 2 3 4 5 6

opt imal

asimt ot ik

MSE

(34)

BAB V

PENDUGAAN FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK

DENGAN BANDWIDTH OPTIMAL ASIMTOTIK

5.1 Perumusan Penduga dan Sifat-sifat Statistikanya

Pada bagian ini dibahas pendugaan fungsi intensitas lokal proses Poisson

periodik dengan bandwidth optimal asimtotik, yaitu ?_? ? ?? ?? ? ??. Dengan mensubstitusi bandwidth tersebut pada (3.4) diperoleh :

??_{? ??}? ??? ? ?

Berdasarkan pembahasan pada bab III, sifat-sifat statistik penduga fungsi

intensitas lokal proses Poisson periodik adalah sebagai berikut :

Berdasarkan Teorema 3.1 dengan ?_? ? ?? ?? ? ? ? diperoleh hasil berikut :

turunan kedua ??? berhingga di s. Jika kernel K adalah simetrik dan memenuhi

kondisi (K1), (K2), (K3), maka dari (3.12) diperoleh :

? ???_{? ??} ??? ? ?(s)+?

??

??_{????? ?}? ? ??

?_{? ?}? ??? ?? ?? ? ? ? ??? ?? ? ? ??, (5.2) jika n? ? .

Pembuktian (5.2) analog dengan pembuktian (3.12) pada bab III.

Sehingga diperoleh juga

Misalkan fungsi intensitas ? adalah periodik, terintegralkan lokal , berhingga di s.

Jika kernel K adalah memenuhi kondisi (K1), (K2), (K3), maka dari (3.13)

(35)

jika n? ? , asalkan s adalah titik Lebesgue dari ?.

Sebagaimana (3.15) untuk menghitung MSE menggunakan rumus :

? ?? ???_{? ??} ???? ? ? ? ? ???_{? ??}???? ? ?? ??? ???_{? ??} ?????

?

G

Dengan mensubstitusikan (5.5) dan (5.6) diperoleh sebagai berikut :

? ?? ????_{? ??} ???? ? ?? ???

turunan kedua ??? berhingga di s. Misalkan pula kernel K adalah simetrik dan memenuhi kondisi (K1), (K2), (K3), maka

(36)

jika ? ? ? ? dengan

Untuk membuktikan Teorema 5.1, ruas kiri pada (5.6) dapat ditulis dalam bentuk :

?? ?? ? ? ????_{? ??}??? ? ? ???? ? ?? ?? ? ?_????

Sehingga, untuk membuktikan (5.6) cukup ditunjukkan

?? ?? ?? ????_{? ??}??? ? ? ???_{? ??}_????_{? ? ? ? ? ? ? ?? ? ?}? ?_? _(5.8)

Terlebih dahulu dibuktikan (5.8) yang ruas kirinya dapat dinyatakan dalam

bentuk :

?? ?? ??? ? ? ? ????_{? ??}_{???? ?}??? ??? ???? ? ??? ??? ???

? ? ? ? ???_{? ??}? ????

? G (5.10)

Sehingga untuk membuktikan (5.8), akan ditunjukkan

???? ??

Bukti dari (5.11) adalah sebagai berikut :

(37)

Untuk ? ? ? dan setiap ? ? ? interval ?? ? ? ? ? ?? ?? ? ???? ? ? ? ? ?? ?? ? ??? dan

?? ? ?? ? ?? ?? ? ???? ? ?? ? ?? ?? ? ? ?? adalah saling lepas. Hal ini mengakibatkan

untuk setiap ? ? ?? peubah acak ?_? dan ?_? adalah saling lepas. Selanjutnya

diperoleh bahwa ??_??, k = 0,1,2,… adalah barisan dari peubah acak yang

memenuhi i.i.d (independent and identically distributed), dengan nilai harapan

? ?_? ? ? ? ?? ? ?? ? ? ?

yang berhingga, karena kernel K terbatas dan memiliki daerah definisi [-1,1].

Sehingga penduga ???_{? ??} ??? dapat dinyatakan dengan

merupakan jumlah peubah acak i.i.d dikalikan dengan suatu konstanta.

Dengan menggunakan Teorema Limit Pusat dapat diperoleh (5.11).

Untuk membuktikan (5.12), terlebih dahulu ruas kirinya dinyatakan sebagai berikut :

? ?? ?? ? ?_{? ? ? ???} ? ??

? _????

Selanjutnya dengan menggunakan (5.4) persamaannya menjadi :

? ?? ?? ?? _??? ???

Selanjutnya untuk membuktikan (5.9), dengan menggunakan (5.2), ruas kiri pada

(5.9) dapat dinyatakan dengan

(38)

? ?? ?? ?? ?? Dengan demikian Teorema 5.1 terbukti.

Teorema 5.2 (Kenormalan asimtotik (Studentization) bagi ??_{? ??}? ????

turunan kedua ?? berhingga di s. Jika kernel K adalah simetrik dan memenuhi

kondisi (K1), (K2),(K3), maka berlaku

?? ?? ??

? ????_{? ??} _{??? ?}? _??_{?? ?}

? ? ? ?

????_{? ??}??? ? ????? ? ? ? ? ? ? ? ?? ?? ??? ?? G? ? ?

Bukti :

Untuk membuktikan (5.13), akan ditunjukkan bahwa

? ???_{? ??}_???

? ????

?

? ? ? ?? G? ? ?

jika ? ? ? G

Jika kedua ruas (5.14) dikuadratkan maka diperoleh

?

Jadi untuk membuktikan (5.14) cukup dibuktikan

???_{? ??}??? ? ???

?

? ? ? ?? G? ? ?

jika ? ? ? G

Atau sama dengan membuktikan

??_{? ??}? ???? ?????? ?? G? ? ?

(39)

Untuk membuktikan (5.16) digunakan Teorema 3.1 tentang pendekatan asimtotik

bagi nilai harapan, yang dinyatakan pada persamaan (5.2), dan Teorema 3.2

tentang pendekatan asimtotik bagi varian, yang dinyatakan pada persamaan (5.4)

Untuk membuktikan (5.17) maka akan diperlihatkan untuk setiap ? ? ? berlaku

? ?????_{? ??} ??? ? ????? ? ?? ? ? ? ?? G? ? ?

jika ? ? ? . Ruas kiri pada (5.18) dapat dinyatakan sebagai berikut:

? ?????_{? ??}??? ? ????? ? ??

? ? ??????_{? ??} ??? ? ? ???_{? ??}_{???? ? ?? ??} ? ??

? _{??? ? ? ????? ? ?? G} _{?? G}_{? ? ?}

Dengan menggunakan ketaksamaan segitiga maka ruas kanan persamaan (5.19)

? ? ?????_{? ??}??? ? ? ???_{? ??}_{???? ? ?? ??} Berdasarkan Teorema 3.1, dari persamaan (5.2) dapat dinyatakan bahwa

? ???_{? ??}??? ? ? ????untuk ? ? ? , maka ada bilangan nyata M, sehingga

?? ???_{? ??}??? ? ????? ? ?

?? ? ? ? ? G ?? G? ? ?

Dengan mensubstitusikan persamaan (5.22) ke ruas kanan (5.21), maka (5.20) dapat ditulis menjadi:

? ?????_{? ??} ??? ? ? ???_{? ??}_{???? ?} ?

?? G ?? G? ? ?

Dengan menggunakan ketaksamaan Chebyshev, maka peluang pada (5.22) adalah

? ? ? ? ????_{? ??}????

Berdasarkan Teorema 5.2 tentang kenormalan asimtotik (studentization)

(40)

(5.13) dapat dirumuskan suatu selang kepercayaan dengan koefisien kepercayaan

? ? ? bagi ???? sebagai berikut:

Corollary 1 (Selang Kepercayaan bagi ? ???)

Untuk suatu tingkat kepercayaan ? dengan 0 < ? < 1, berdasarkan selang

kepercayaan normal untuk ???? melalui pendekatan peluang 1 – ? diberikan oleh

?_? ? ? ???_{? ??}??? ? ? ? ? _{?? ?} ?

dimana ? menyatakan fungsi distribusi normal baku, dan

? ????? ? ?_?? ? ? ? ? ? ? ?? ?? ?? G? ? ? untuk ? ? ? , asalkan s adalah titik Lebesgue bagi ?, dan periode ? diketahui.

5.4 SimulasiKenormalan Asimtotik bagi ??_{? ??}? ???

Pada simulasi untuk memeriksa kenormalan asimtotik bagi ??_{? ??}? ???

menggunakan metode Monte Carlo dengan membangkitkan realisasi sejumlah

bilangan acak yang merupakan realisasi proses Poisson. Pembangkitan realisasi

dari proses Poisson dipilih untuk n = 100, n = 500, dan n = 1000.

Penduga fungsi intensitas lokal proses Poisson periodik yang digunakan

adalah penduga yang didefinisikan pada persamaan (5.1) dan mengambil fungsi

kernel K = ?

Pendugaan pada simulasi ini dilakukan pada tiga titik, sebagaimana pada simulasi

terdahulu (BAB IV), yaitu di s = 2.6 (mewakili nilai ???? yang kecil), di s = 4

(41)

Gambar 6. Kenormalan asimtotik 1000 penduga ???? ????? untuk n =100, s =2.6, ? ? ? G

Gambar 7. Kenormalan asimtotik 1000 penduga ???? ????? untuk n =500, s =2.6, ? ? ? G

(42)

Dari hasil simulasi normalitas asimtotik sebagaimana pada Gambar 6, 7 dan

8, (dapat juga dilihat Gambar 9-23 pada lampiran 4) menunjukkan bahwa semakin

besar nilai n grafiknya semakin mendekati garis lurus, artinya bahwa sebaran dari

penduga mendekati normal.

5.5 Simulasi Selang Kepercayaan bagi ??_{? ??}? ???

Pada simulasi ini dibandingkan banyaknya fungsi intensitas lokal yang

berada pada selang kepercayaan teoritis (berdasarkan persamaan (5.24)) dengan

selang kepercayaan simulasi. Selang kepercayaan teoritis dengan menggunakan

fungsi kernel K = ?

dimana ? menyatakan fungsi distribusi normal baku, dan

? ????? ? ?_?? ? ? ? ? ? ? ?? ?G

Sedangkan selang kepercayaan simulasi dirumuskan sebagai berikut:

?? ?

Sebagaimana simulasi terdahulu, simulasi ini juga menggunakan metode

Monte Carlo dengan membangkitkan realisasi sejumlah bilangan acak yang merupakan realisasi proses Poisson. Pembangkitan realisasi dari proses Poisson

dipilih untuk n = 100, n = 500, dan n = 1000.

Pendugaan dilakukan pada tiga titik, sebagaimana pada simulasi terdahulu

yaitu di s = 2.6 (mewakili nilai ? ??? yang kecil), di s = 4 (mewakili nilai ? ???

yang sedang), dan di s =4.9 (mewakili nilai ? ??? yang besar) dengan periode

? ? ?.

Sedangkan pendugaan ? untuk periode ? ? ? ? dilakukan pada tiga titik, yaitu

(43)

sedang), dan di s =9.8 (mewakili nilai ???? yang besar) . Hasil simulasi dengan

Secara umum dari tabel tersebut bisa dilihat, jika semakin panjang interval

pengamatan, maka akan diperoleh selang kepercayaan bagi penduga fungsi

intensitas lokal yang semakin pendek, hal ini berkaitan dengan nilai simpangan

(44)

BAB VI

KESIMPULAN

Untuk menduga fungsi intensitas lokal dari suatu proses Poisson periodik

dengan periode ? (diketahui) yang diamati pada interval?? ?? ?? dilakukan

pendugaan ? ??? di titik ? ? ?? ?? ? cukup diduga nilai ? ??? pada ? ? ?? ???.

Dari kajian yang telah dilakukan oleh peneliti terdahulu diperoleh rumusan

bandwidth optimal berikut :

1. Berdasarkan hasil simulasi, diperoleh bahwa perilaku penduga fungsi

intensitas lokal proses Poisson periodik dengan menggunakan bandwidth

optimal dan bandwidth optimal asimtotik adalah tidak jauh berbeda.

Oleh sebab itu dilakukan pendugaan fungsi intensitas lokal proses Poisson

periodik dengan bandwidth optimal asimtotik, yaitu ?? ? ?

? ? ?

? _.

Dengan mensubstitusi nilai bandwidth tersebut, diperoleh

??_{? ??}? ??? ? ?

2. Selanjutnya dilakukan pengkajian mengenai sifat-sifat statistik dan kenormalan

asimtotik, yang hasilnya sebagai berikut:

a). Aproksimasi asimtotik bagi nilai harapan ??_{? ??}? ???adalah

(45)

? ? ? ???_{? ??}? ???? ? ? ? ???

3. Berdasarkan kajian dari sifat-sifat statistika dan kenormalan asimtotik dari

penduga ??_{? ??}? ??? dapat disimpulkan bahwa:

Kenormalan asimtotik (studentization) bagi ??_{? ??}? ??? adalah

?? ?? ??

? ???_{? ??}? ??? ?_{? ?}? ???? ?? ?

???_{? ??}? ??? ? ? ????? ? ? ? ? ? ? ?? ?? ???

jika ? ? ? .

4. Sebagai aplikasi dari kenormalan (studentization) bagi ??_{? ??}? ??? dapat diperoleh

suatu selang kepercayaan bagi ? ???, adalah sebagai berikut:

?? ? ? ??? ??

dimana ? menyatakan fungsi distribusi normal baku dan

? ????? ? ?_?? ? ? ? ? ? ? ?? ??

(46)

5. Hasil simulasi kenormalan asimtotik (studentization) bagi ??_{? ??}? ???

menunjukkan bahwa sebaran dari penduga fungsi intensitas lokal proses

Poisson periodik mendekati normal baku.

6. Nilai peluang fungsi intensitas lokal berada pada selang kepercayaan teoritis

(47)

DAFTAR PUSTAKA

Arifin, Z. 2008. Sebaran Asimtotik Penduga Turunan Pertama dan Turunan

Kedua dari Fungsi Intensitas Suatu Proses Poisson Periodik. Departemen

Matematika IPB. Tesis. Bogor.

Browder A. 1996. Mathematical Analysis : An Introduction. New York: Springer.

Cressie, N. 1991. Statistics for Spatial Data. New York: Wiley.

Diggle, P. J. 1985. A Kernel method for smoothing point proses data. Applied

Statistic, 34, 138-147.

Dudley RM. 1989. Real Analysis and Probability. California: Wardswort &

Brooks.

Ghahramani S, 2005, Fundamental of Probability with Stochastics Processes. Ed.

Ke-3. New Jersey: Pearson Prentice Hall.

Grimmet GR, Stizaker DR. 2001. Probability and Random Processes. Ed.ke 2.

Oxford: Clarendon Press.

Farida, T. 2008. Pendugaan Komponen Periodik dari Fungsi Intensitas Proses

Poisson Periodik dengan Tren Fungsi Pangkat. Departemen Matematika IPB.

Tesis. Bogor.

Hardle, W. 1991. Smoothing Techiques, Springer-Verlag, New York.

Hardle, W. 1993. Applied Nonparametric Regression, Cambridge University

Press.

Helmers R. 1995. On estimation the intensity of oil-polution in the North-Sea.

CWI Note BS-N9501.

Helmers R, Mangku I W., Zitikis R. 2003. Consistent estimation of the intensity

function of a cyclic Poisson proses. Journal of Multivariate Analysis. 84,

19-39.

Helmers R, Mangku I W., Zitikis R. 2005. Statistical properties of the intensity

function of the intensity function of cyclic Poisson process. Journal of

Multivariate Analysis. 92, 1-23.

Herniwati. 2007. Kekonsistenan Penduga Turunan Pertama dan Turunan Kedua

dari Fungsi Intensitas suatu Proses Poisson Periodik. Departemen

(48)

Hidayah, S. 2009. Selang Kepercayaan bagi Fungsi Intensitas Proses Poisson

Periodik. Departemen Matematika IPB. Tesis. Bogor.

Hogg RV, Craig AT, Mc Kean JW. 2005. Introduction to Mathematical

Statistics. Ed.Ke-5. New Jersey: Prentice Hall, Upper Saddle River.

Mangku, I W., 2006. Asymptotic normality of a kernel-type estimator for the

intensity of a periodic Poisson process. Journal of Mathematics and Its

Application. Vol.5, No:2, 13-22

Roos S. M., 2007. Introduction to Probability Models. Ed. 9. Burlington:

Elsevier, Inc.

Serflling, R. J. 1980. Aproximation Theorems of Mathematical Statistics. New

York: John Wiley & Sons.

Surawu, Joko. 2009. Sebaran Asimtotik Penduga Komponen Periodik Fungsi

Intensitas suatu Proses Poisson Periodik dengan Tren Linear. Departemen Matematika IPB. Tesis. Bogor.

Syamsuri. 2007. Pendugaan Turunan Pertama dan Turunan Kedua dari Fungsi

Intensitas Proses Poisson Periodik. Departemen Matematika IPB. Tesis.

Bogor.

Walpole, R. E. 1982. Pengantar Statistika. Jakarta: Gramedia.

Wheeden, R.L. and Zygmund. 1977. Measure and Integral: An Introduction to

(49)

(50)

Lampiran 1 : Beberapa definisi dan Lema Teknis Ruang Contoh, Kejadian dan peluang

Dalam penelitian biasanya diperlukan pengamatan yang diperoleh melalui

percobaan yang dilakukan secara berulang dalam kondisi yang sama. Hasil

percobaan tersebut tidak dapat diprediksi dengan tepat, tetapi bisa diketahui

semua kemungkinan hasilnya. Percobaan semacam ini disebut dengan percobaan

acak.

Definisi 1 : Ruang contoh

Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan

acak, dinotasikan dengan p.

(Grimmett dan Stirzaker , 2001)

Definisi 2 : Kejadian

Kejadian adalah suatu himpunan bagian dari ruang contoh p.

Definisi 3: Kejadian lepas

Kejadian A dan B disebut saling lepas jika irisan dari keduanya adalah himpunan

kosong (? ?.

(Grimmett dan Stirzaker, 2001)

Definisi 4 : Kejadian saling bebas

Kejadian A dan B dikatakan saling bebas jika:

(51)

Secara umum himpunan kejadian ??_??? ? ?? dikatakan saling bebas jika :

? ? ? ?_?

?? ?

? ? ? ? ??_??

?? ?

?

untuk setiap himpunan bagian J dari I.

Peubah Acak dan Fungsi Sebaran

Definisi 5 : Peubah acak

Misalkan adalah ruang contoh dari suatu percobaan acak. Fungsi X yang

terdefinisi pada yang memetakan setiap unsur ? ? ? kesatu dan hanya satu

bilangan real X (? ?= x disebut peubah acak.

Ruang dari X adalah himpunan bagian bilangan real ? ? ?? ?? ? X (? ?? ? ? ? ?G

(Hogg et al, 2005)

Peubah acak dinotasikan dengan huruf kapital, misalkan X, Y, Z.

Sedangkan nilai peubah acak dinotasikan dengan huruf kecil seperti x, y, z. Setiap

peubah acak memiliki fungsi sebaran.

Definisi 6 : Fungsi sebaran

Misalkan X adalah peubah acak dengan ruang ? . Misalkan kejadian ? ?

????? ? ? ? ? maka peluang dari kejadian A adalah

? ?? ? ? ? ? ?_??? ?G

Fungsi ?_? disebut fungsi sebaran dari peubah acak X.

Definisi 7 : Peubah acak diskret

Suatu peubah acak disebut peubah acak diskret jika semua himpunan nilai dari

semua peubah acak tersebut merupakan himpunan tercacah.

(52)

Definisi 8 : Fungsi massa peluang

Fungsi massa peluang dari peubah acak diskret X adalah fungsi ? ?? ? ?? ?? ? yang

diberikan oleh:

?_? ?? ? ? ? ?? ? ? ?G

Definisi 9 : Peubah acak Poisson

Suatu peubah acak X disebut peubah acak Poisson dengan parameter ?, ?> , jika

fungsi massa peluangnya diberikan oleh

?_??? ? ? ??? ?

?

? K?

untuk k = 0, 1, 2,…

(Ross , 2007)

Nilai Harapan dan Varian Definisi 10 : Nilai harapan

Misalkan X adalah peubah acak diskret dengan fungsi massa peluang

?_??? ?. Nilai harapan dari X, dinotasikan dengan E(X), adalah

? ?? ? ? ? ? ?_??? ?

? ?

?

jika jumlah di atas konvergen mutlak.

Definisi 11: Varian

Misalkan X adalah peubah acak diskret dengan fungsi massa peluang ?_??? ? dan

Statistik adalah suatu fungsi dari satu atau lebih peubah acak yang tidak

(53)

Definisi 13 : Penduga

Misalkan ?_???_??g ??_? adalalah contoh acak. Suatu statistik U(?_???_??g ??_?) yang

digunakan untuk menduga fungsi parameter ? ?? ?, dikatakan sebagai penduga

(estimator) bagi ? ?? ?, dilambangkan oleh ???? ?G

Bilamana nilai ?_? ? ?_?? ?_? ? ?_??g ? ?_? ? ?_{? ?} maka nilai U(?_?? ?_??g ??_?) disebut sebagai dugaan (estimate) bagi ? ?? ?.

Definisi 14 : Penduga tak bias

(i) Suatu penduga yang nilai harapannya sama dengan parameter ? ?? ?, yaitu

E[U(?_???_??g ??_?)]= ? ?? ?disebut penduga tak bias bagi parameter ? ?? ?. Jika sebaliknya, penduga di atas disebut berbias.

(ii)Jika ??• _{? ?} _? ? ?? ??_???_??g ??_??? ? ? ?? ?, maka U(?_???_??g ??_?) disebut sebagai penduga tak bias asimtotik bagi parameter ? ?? ?.

Definisi 15 : Kekonvergenan dalam peluang

Misalkan ? ??_???_??g adalah barisan peubah acak pada suatu ruang peluang

??? ? ? ?)_{. Barisan peubah acak}?_? dikatakan konvergen dalam peluang ke X, dinotasikan ?_? ? ? ?? jika untuk setiap ? ? ? berlaku

? ???_? ? ? ? ? ?? ? ? ?

untuk ? ? ?G

(Grimmett dan Stirzaker, 2001)

Definisi 16 : Kekonvergenan dalam sebaran

Misalkan ? ??_???_??g adalah barisan peubah acak pada suatu ruang peluang

??? ? ? ?)_{. Barisan peubah acak}?_? dikatakan konvergen dalam sebaran ke X, dinotasikan ?_? ? ? ?? jika untuk semua titik x pada fungsi ?_??? ? ? ? ?? ? ? ? yang kontinu berlaku

? ??_? ? ? ? ? ? ?? ? ? ??

untuk ? ? ?G

(54)

Definisi 17 : Penduga konsisten

Suatu penduga yang konvergen dalam peluang ke parameter ? ??), disebut

penduga konsisten bagi ? ?? ?G

Definisi 18 : Fungsi terintegralkan lokal

Fungsi intensitas ? disebut terintegralkan lokal, jika untuk sembarang himpunan

Borel terbatas ? kita peroleh

? ?? ? ? ? ????? ? ? ? G

?

(Dudley, 1989)

Definisi 19 : ? (.) dan o(.)

Simbol–simbol ?(.) dan o(.) merupakan cara untuk membandingkan besarnya dua

fungsi u(x) dan v(x) dengan x menuju suatu limit L.

Kita katakan s adalah titik Lebesgue dari fungsi ? jika berlaku

??•

Lema 1 (Teorema Deret Taylor)

(55)

Lema 2 (Teorema Limit Pusat)

Misalkan X1, X2, ... adalah barisan peubah acak yang i.i.d. (independent and

identically distributed) dengan nilai harapan µ dan ragam ??. Maka distribusi dari

Untuk membuktikan Teorema Limit Pusat diperlukan Teorema Kekontinuan

Levy, sebagai berikut:

Lema 3 (Teorema Kekontinuan Levy)

Misalkan X1, X2, ... adalah barisan peubah acak dengan masing- masing fungsi

distribusi F1, F2, ... dan fungsi pembangkit momen ? _?

????, ? ?????, ... . Misalkan

adalah peubah acak dengan fungsi distribusi F dan fungsi pembangkit

momen? _????G Jika semua untuk nilai t, ? _?

????konvergen ke ? ????, maka

titik-titik dari F yang kontinu, Fn konvergen ke F.

Bukti Teorema Limit Pusat:

(56)

? ? _?

Dari Teorema kekontinuan Levy, cukup dibuktikan bahwa ? _?

???? konvergen ke ? ? ? ??

?

? ? yang merupakan fungsi pembangkit momen dari Z. Ekivalen dengan

menunjukkan bahwa

menentukan nilainya dapat digunakan aturan L’H??pital dua kali, sehingga

(57)

LAMPIRAN 2

Program simulasi

A. Program Pembangkitan Realisasi Proses Poisson Periodik

Random<-function(n,tau)

B. Program Pembangkitan Penduga

(58)

for(l in 1:M)

C. Program Lambda Asli dan Turunan kedua

sebenarnya<-function(s,tau)

D. Program Bandwidth Optimal bandwith< -function(n,s,tau)

E. Program Bandwidth Optimal Asimtotik bandwith< -function(n)

{

(59)

F. Program Nilai Harapan dan Ragam Penduga Simulasi

H. Program untuk Memeriksa Kenormalan Asimtotik Penduga qqnorm(Dugaan)

qqline(Dugaan)

I . Program Selang Kepercayaan Teoritis

(60)

k<-0

for (i in 1:M) {

if(lambda>=batasbawah[i]&lambda<=batasatas[i]) {

k<-k+1 }}

return(k) }

J. Program Selang Kepercayaan Simulasi

jumlahselsimulasi<-function(n,titik,tau,M,alpha) {

band=n^-0.2

lambda<-sebenarnya(titik,tau) Data<-Random(n,tau)

Dugaan< -Penduga(n,titik,band,tau,M)

batasbawah<-Dugaan-(qnorm(1-(alpha/2))*sqrt(var(Dugaan))) batasatas<-Dugaan+(qnorm(1-(alpha/2))*sqrt(var(Dugaan)))

k<-0

for (i in 1:M) {

if(lambda>=batasbawah[i]&lambda<=batasatas[i]) {

k<-k+1 }}

return(k)

(61)

Lampiran 3 : Hasil simulasi dengan bandwidth optimal

a. Untuk ? ? ? dengan ( i) . s_{= 2.6}

• Untuk n_{= 100 diper oleh}bandw idth_{optimal ?}

? ? 0.6541583

Dari hasil simulasi sebanyak M = 1000 realisasi proses Poisson N

yang diamati pada [0,n]=[0,100] diperoleh :

? ??_???? ? 0.7980102

? ? ? ???_????? ?0.03170042

? ??????_????? ? 0.05642671

? ?? ???_{? ??} ???? ?0.03488439

? ?0.4741207

? ??_???? ? 0.7761842

? ? ? ???_????? ? 0.00793953

? ??????_????? ? 0.03460071

? ?? ???_{? ??}???? ? 0.009136736

? ? 0.412746

? ??_???? ? 0.7708736

? ? ? ???_????? ? 0.00469453

? ??????_????? ? 0.02929012

? ?? ???_{? ??}???? ? 0.005552441

( ii) . s_{= 4}

? ? 0.6224028

(62)

? ??_???? ? 2.704117

? ? ? ???_????? ? 0.1132796

? ??????_????? ? -0.02005402

? ?? ???_{? ??}???? ? 0.1136817

? ?0.4511049

? ??_???? ? 2.77635

? ? ? ???_????? ? 0.03092566

? ??????_????? ? 0.05217877

? ?? ???_{? ??}???? ? 0.03364829

• Untuk n_{= 1000 diper oleh}bandw idth_{optimal ?}_? _? _0.3927096

? ??_???? ? 2.767019

? ? ? ???_????? ? 0.0175868

? ??????_????? ? 0.04284816

? ?? ???_{? ??}???? ? 0.01942277

( iii) . s_{= 4.9}

? ? 0.4454884

? ??_???? ? 4.871227

? ? ? ???_????? ? 0.2610133

? ??????_????? ? -0.5226366

? ?? ???_{? ??}???? ? 0.5341623

(63)

? ??_???? ? 5.203095

? ? ? ???_????? ? 0.0819801

? ??????_????? ? -0.1907683

? ?? ???_{? ??}???? ? 0.1183726

? ??_???? ? 5.26948

? ? ? ???_????? ? 0.0492435

? ??????_????? ? -0.1243836

? ?? ???_{? ??}???? ? 0.06471477

b . Untuk ? ? ? ? dengan ( i) . s_{= 5.2}

? ??_???? ? 0.7491686

? ? ? ???_????? ? 0.02836783

? ??????_????? ? 0.00758509

? ?? ???_{? ??}???? ? 0.02842537

• Untuk n_{= 500 diper oleh}bandw idth_{optimal ?}_? _?0.9482413

? ??_???? ? 0.770152

(64)

? ??????_????? ? 0.02856857

? ?? ???_{? ??}???? ? 0.008640398

? ? 0.825492

? ??_???? ? 0.7711522

? ? ? ???_????? ? 0.00494554

? ??????_????? ? 0.02956874

? ?? ???_{? ??}???? ? 0.00581985

( ii) . s_{= 8}

• Untuk n_{= 100 diper oleh}bandw idth_{optimal ?}_? _? 1.244806

? ??_???? ? 2.584901

? ? ? ???_????? ? 0.09829616

? ??????_????? ? -0.1392703

? ?? ???_{? ??}???? ? 0.1176924

• Untuk n_{= 500 diper oleh}bandw idth_{optimal ?}_? _?0.9022097

? ??_???? ? 2.737556

? ? ? ???_????? ? 0.03003004

? ??????_????? ? 0.01338543

? ?? ???_{? ??}???? ? 0.03020921

? ? 0.7854192

(65)

? ??_???? ? 2.755783

? ? ? ???_????? ? 0.01850826

? ??????_????? ? 0.03161212

? ?? ???_{? ??}???? ? 0.01950758

( iii) . s_{= 9.8}

? ? 0.8909768

? ??_???? ? 4.616057

? ? ? ???_????? ? 0.2454413

? ??????_????? ? -0.777806

? ?? ???_{? ??}???? ? 0.8504234

? ?0.6457619

? ??_???? ? 5.153804

? ? ? ???_????? ? 0.06767927

? ??????_????? ? -0.2400597

? ?? ???_{? ??}???? ? 0.1253079

? ? 0.5621684

? ??_???? ? 5.238848

? ? ? ???_????? ? 0.04693127

? ??????_????? ? -0.1550149

(66)

Lampiran 4 : Hasil simulasi dengan bandwidth optimal asimtotik

a. Untuk ? ? ? dengan ( i) . s_{= 2.6}

• Untuk n_{= 100 diperoleh} bandw idth_{optimal asimtotik}

?_? ? 0.398107171

? ??_???? ? 0.7355431

? ? ? ???_????? ?0.04513741

? ??????_????? ? -0.00604035

? ?? ???_{? ??}???? ?0.0451739

?_? ?0.288539981

? ??_???? ? 0.7409718

? ? ? ???_????? ?0.01348722

? ??????_????? ? -0.00061166

? ?? ???_{? ??}???? ?0.01348759

• Untuk n_{= 1000 diper oleh} bandw idth_{optimal asim totik}

?_? ? 0.25118864

? ??_???? ? 0.7521936

? ? ? ???_????? ?0.007659134

? ??????_????? ? 0.01061015

? ?? ???_{? ??}???? ?0.00777171

( ii) . s_{= 4}

?_? ? 0.398107171

? ??_???? ? 2.666556

(67)

? ??????_????? ? -0.0576152

? ?? ???_{? ??}???? ?0.1685378

?_? ? ? G? ? ? ? ? ? ? ?

? ??_???? ? 2.735687

? ??_???? ? 2.736957

? ??_???? ? 4.904772

? ??_???? ? 5.232446

? ? ? ???_????? ? 0.09875007

? ??????_????? ? -0.1614168