PEMODELAN KEMATIAN YANG DIAKIBATKAN OLEH
PEMBUNUHAN DAN BUNUH DIRI DI LITHUANIA
PADA TAHUN 2003-2004
RIDWAN FIRDAUS
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pemodelan Kematian yang Diakibatkan oleh Pembunuhan dan Bunuh Diri di Lithuania pada Tahun 2003-2004 adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
RIDWAN FIRDAUS. Pemodelan Kematian yang Diakibatkan oleh Pembunuhan dan Bunuh Diri di Lithuania pada Tahun 2003-2004. Dibimbing oleh I WAYAN MANGKU dan RUHIYAT.
Banyak permasalahan dalam kehidupan sehari-hari yang dapat dimodelkan dengan suatu proses stokastik. Proses stokastik memegang peranan cukup penting, salah satunya untuk memodelkan variasi geografis dari risiko kematian. Makalah ini mempertimbangkan masalah numerik dari model pendekatan Bayes empiris diterapkan pada estimasi tingkat kecil. Kondisi untuk nonsingularitas pendugaan Bayes diberikan dan juga dikembangkan. Model Gauss-Poisson bisa digunakan untuk kemungkinan peristiwa dalam populasi yang sama, jika penggerombolan terdapat kemungkinan yang kecil. Jika ukuran populasi tidak diperhitungkan, maka pendugaan risiko relatif (RR) yang hanya berdasarkan pada beberapa kasus dapat menghasilkan peta yang tidak baik. Penduga Bayes empiris terbukti memiliki kesalahan kuadrat lebih kecil daripada penduga RR. Pengintegralan dan pemaksimuman fungsi likelihood dilakukan dengan menggunakan perangkat lunak matematika. Pada karya ilmiah ini penulis mempelajari tulisan dari Sakalauskas (2010) yang berjudul On the Empirical Bayesian Approach for the Poisson-Gaussian Model.
Kata kunci: Bayes empiris, model Gauss-Poisson, pemodelan kematian
ABSTRACT
RIDWAN FIRDAUS. Modeling Homicide and Suicide Mortalities in Lithuania in 2003-2004. Supervised by I WAYAN MANGKU and RUHIYAT.
Many daily problems can be assumed as stochastic processes. Therefore stochastic processes are very important subjects. One of them is modeling the geographical variation of mortality risk. This paper considers numerical issues of the empirical Bayesian approach model applied to the low rate estimation. The condition for nonsingularity of Bayesian estimation is given and the convenient iterative algorithm for the estimation is described. The clustering algorithm is also developed. It uses the property of Poisson-Gaussian model to treat probabilities of events in populations being the same, if the variance of probabilities is small. If the population size is not taken into account, then the estimation of relative risk (RR), which is only based on a few cases to produce a map, is not good. Empirical Bayes estimation has been proven to have smaller squared error than that of RR estimator. Integrating and maximizing likelihood functions is done by using a mathematical software. This paper refers mainly to the paper of Sakalauskas (2010) entitled On the Empirical Bayesian Approach for the Poisson-Gaussian model.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
pada
Departemen Matematika
PEMODELAN KEMATIAN YANG DIAKIBATKAN OLEH
PEMBUNUHAN DAN BUNUH DIRI DI LITHUANIA
PADA TAHUN 2003-2004
RIDWAN FIRDAUS
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Judul Skripsi : Pemodelan Kematian yang Diakibatkan oleh Pembunuhan dan Bunuh Diri di Lithuania pada Tahun 2003-2004
Nama : Ridwan Firdaus NIM : G54080023
Disetujui oleh
Prof Dr Ir I Wayan Mangku, MSc Pembimbing I
Ruhiyat, MSi Pembimbing II
Diketahui oleh
Dr Toni Bakhtiar, MSc Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2012 ini ialah Pemodelan Kematian yang Diakibatkan oleh Pembunuhan dan Bunuh Diri di Lithuania pada Tahun 2003-2004
Terima kasih penulis ucapkan kepada Prof Dr Ir I Wayan Mangku, MSc dan Ruhiyat, MSi selaku pembimbing, serta Dr Ir Hadi Sumarno MS yang telah banyak memberi saran. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Tujuan 1
TINJAUAN PUSTAKA 2
Ruang Contoh, Kejadian dan Peluang 2
Peubah Acak dan Fungsi Sebaran 3
Nilai Harapan dan Ragam 4
Kekonvergenan Peubah Acak 5
Statistik, Penduga dan Sifat-sifatnya 5
Sebaran Prior dan Sebaran Posterior 6
Proses Stokastik 7
Proses Poisson 7
Metode Maximum Likelihood (ML) 8
HASIL DAN PEMBAHASAN 9
Model Gauss-Poisson 9
Turunan dari Fungsi Likelihood dan Persamaan Titik Tetap 10 Pendugaan Parameter Gauss dengan Metode “Iterasi Sederhana” 13
Aplikasi untuk Penggerombolan 13
Implementasi untuk Analisis Data 14
SIMPULAN 16
DAFTAR PUSTAKA 16
LAMPIRAN 18
DAFTAR TABEL
1 Pendugaan Bayes empiris dari kematian akibat bunuh diri/pembunuhan
di Lithuania, 2003 15
2 Pendugaan Bayes empiris dari kematian akibat bunuh diri/pembunuhan
di Lithuania, 2004 15
3 Hasil Analisis Berdasarkan Data Pria Bunuh Diri di Lithuania Tahun 2003 untuk wilayah Shilutes d, Shirvintu d, Kaunas, dan Kauno d 16
DAFTAR LAMPIRAN
1 Bukti Teorema 1 18
2 Hasil Analisis Berdasarkan Data Pria Bunuh Diri di Lithuania Tahun
1
PENDAHULUAN
Latar Belakang
Banyak permasalahan dalam kehidupan sehari-hari yang dapat dimodelkan dengan suatu proses stokastik. Proses stokastik merupakan model yang berkaitan dengan aturan-aturan peluang. Proses stokastik memegang peranan cukup penting dalam berbagai bidang, salah satunya untuk memodelkan variasi geografis dari risiko kematian dalam upaya untuk menunjukkan bahwa suatu kejadian tertentu dapat disebabkan oleh faktor risiko yang memiliki struktur spasial.
Proses stokastik dibedakan menjadi dua berdasarkan jenis waktu, yaitu proses stokastik dengan waktu diskret dan proses stokastik dengan waktu kontinu. Pada tulisan ini, pembahasan hanya dibatasi pada proses stokastik dengan waktu kontinu. Salah satu bentuk khusus dari proses stokastik dengan waktu kontinu adalah model Gauss-Poisson.
Pada tulisan ini masalah yang dimodelkan adalah kematian yang diakibatkan oleh pembunuhan dan bunuh diri. Model ini diharapkan dapat membantu pihak yang berkepentingan, seperti petugas kepolisian. Tingkat kriminalitas ini biasanya berbeda-beda untuk setiap wilayah, sehingga dibutuhkan kebijakan yang tepat dalam menanganinya.
Jika keragaman ukuran populasi tidak diperhitungkan, maka pendugaan risiko relatif (RR) yang hanya berdasarkan pada beberapa kasus dapat menghasilkan peta yang tidak baik. Penduga Bayes empiris terbukti memiliki kesalahan kuadrat yang lebih kecil daripada penduga RR. Dalam hal ini, banyaknya kejadian memenuhi sebaran Poisson, bergantung pada laju kejadian dan waktu pengamatan untuk setiap populasi.
Dalam tulisan ini dibahas aspek numerik dari pendugaan Bayes empiris untuk model Gauss-Poisson, ketika sebaran prior logit adalah normal dengan parameter diduga dengan metode maximum likelihood (ML) (Tsutakava et al. 1985; Sakalauskas 1995). Di sini ditentukan kondisi nonsingularitas dalam pendugaan parameter dari sebaran prior dan digunakan algoritme iteratif sederhana untuk menduga prior sebelumnya. Karena pendekatan Bayes empiris untuk model Gauss-Poisson membedakan dengan sifat untuk membuat peluang kejadian dalam populasi menjadi sama, ketika banyaknya kejadian tidak bervariasi banyak, digunakan algoritme gerombol yang mengeksploitasi sifat ini. Data kematian Lithuania pada tahun 2003-2004 digunakan untuk menduga risiko yang sebenarnya dan menunjukkan penggunaan pendekatan tersebut.
Pada karya ilmiah ini penulis mempelajari tulisan dari Sakalauskas (2010) yang berjudul On the Empirical Bayesian Approach for the Poisson-Gaussian Model.
Tujuan
1. Mempelajari dan menganalisis model kematian yang diakibatkan oleh pembunuhan dan bunuh diri di Lithuania pada tahun 2003-2004.
2
TINJAUAN PUSTAKA
Ruang Contoh, Kejadian dan Peluang
Dalam suatu percobaan sering kali diperlukan pengulangan yang dilakukan dalam kondisi yang sama. Semua kemungkinan hasil yang akan muncul akan diketahui tetapi hasil pada percobaan selanjutnya tidak dapat diduga dengan tepat. Percobaan semacam ini disebut percobaan acak.
Definisi 1 (Ruang contoh)
Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak dan dinotasikan dengan Ω (Grimmett & Stirzaker 1992).
Definisi 2 (Kejadian)
Kejadian adalah suatu himpunan bagian dari ruang contoh Ω (Grimmett & Stirzaker 1992).
Definisi 3 (Medan- )
Medan- adalah suatu himpunan yang anggotanya terdiri atas himpunan bagian ruang contoh Ω, yang memenuhi syarat berikut:
Kejadian dan disebut saling lepas jika irisan dari keduanya adalah himpunan kosong (Grimmett & Stirzaker 1992).
Definisi 5 (Ukuran peluang)
Misalkan Ω adalah ruang contoh suatu percobaan dan adalah medan- pada Ω. Suatu fungsi yang memetakan unsur-unsur ke himpunan bilangan nyata ,
Kejadian dan dikatakan saling bebas jika:
3
⋂
∏
untuk setiap himpunan bagian J dari I (Grimmett & Stirzaker 1992).
Peubah Acak dan Fungsi Sebaran
Misalkan adalah suatu peubah acak dengan ruang contoh . Misalkan kejadian , maka peluang dari kejadian adalah:
Fungsi disebut fungsi sebaran dari peubah acak (Hogg et al. 2005).
Definisi 9 (Peubah acak diskret)
Peubah acak dikatakan diskret jika semua himpunan nilai dari peubah acak tersebut merupakan himpunan tercacah (Grimmett & Stirzaker 1992).
Definisi 10 (Fungsi massa peluang)
4
Definisi 13 (Sebaran gamma)
Peubah acak dengan fungsi kepekatan peluang {
jika lainnya
dikatakan memiliki sebaran gamma dengan parameter (Gahramani 2005).
Definisi 14 (Sebaran normal)
Suatu peubah acak disebut memiliki sebaran normal dengan nilai harapan dan ragam , ditulis menyebar , jika fungsi kepekatan peluangnya adalah
√ { }, untuk (Hogg et al. 2005).
Lema 1 (Jumlah peubah acak Poisson)
Misalkan dan adalah peubah acak yang saling bebas dan memiliki sebaran Poisson dengan parameter berturut-turut dan , maka memiliki sebaran Poisson dengan parameter . Bukti dapat dilihat pada Taylor & Karlin (1984).
Nilai Harapan dan Ragam
Definisi 15 (Nilai harapan)
1. Jika adalah peubah acak diskret dengan fungsi massa peluang , maka nilai harapan dari , dinotasikan dengan , adalah
∑
asalkan jumlah di atas konvergen mutlak.
2. Jika adalah peubah acak kontinu dengan fungsi kepekatan peluang , maka nilai harapan dari adalah
∫
asalkan integral di atas konvergen mutlak (Hogg et al. 2005).
Definisi 16 (Ragam)
Misalkan adalah peubah acak diskret dengan fungsi massa peluang dan nilai harapan . Ragam dari , dinotasikan dengan atau , adalah
∑( )
(Hogg et al. 2005).
Definisi 17 (Fungsi indikator)
5
{ jika jika (Grimmett & Stirzaker 1992).
Kekonvergenan Peubah Acak
Terdapat beberapa cara untuk menginterpretasikan pernyataan kekonvergenan barisan peubah acak.
Definisi 18 (Konvergen dalam peluang)
Misalkan adalah barisan peubah acak pada suatu ruang peluang . Barisan peubah acak dikatakan konvergen dalam peluang ke , dinotasikan , jika untuk setiap berlaku | | , untuk (Grimmett & Stirzaker 1992).
Definisi 19 (Konvergen dalam sebaran)
Misalkan adalah peubah acak pada suatu ruang peluang . Suatu barisan peubah acak dikatakan konvergen dalam sebaran ke peubah acak , ditulis , untuk jika
untuk , untuk semua titik x di mana fungsi sebaran adalah kontinu (Grimmett & Stirzaker 1992).
Statistik, Penduga dan Sifat-sifatnya
Definisi 20 (Statistik)
Statistik adalah suatu fungsi dari satu atau lebih peubah acak yang tidak bergantung pada satu atau beberapa parameter yang nilainya tidak diketahui (Hogg et al. 2005).
Definisi 21 (Penduga)
Misalkan adalah contoh acak. Suatu statistik yang digunakan untuk menduga fungsi parameter , disebut penduga bagi , dilambangkan dengan ̂ Bilamana nilai maka nilai disebut sebagai dugaan bagi (Hogg et al. 2005).
Definisi 22 (Penduga takbias)
1. Suatu penduga yang nilai harapannya sama dengan parameter yaitu
disebut penduga takbias bagi
2. Jika maka disebut penduga takbias asimtotik bagi
(Hogg et al. 2005).
Definisi 23 (Penduga konsisten)
6
Sebaran Prior dan Sebaran Posteriror
Definisi 24 (Sebaran Prior)
Suatu peubah acak dengan parameter memiliki fungsi kepekatan peluang bersyarat yang dinotasikan dengan | dan adalah fungsi kepekatan marjinal dari , dinamakan sebaran prior (Arnold 1990).
Definisi 25 (Sebaran Posterior)
Suatu peubah acak merupakan sebaran prior dengan fungsi kepekatan peluang bersyarat | dan memiliki fungsi kepekatan peluang , maka fungsi kepekatan peluang bersama dari dinotasikan dengan | , dinamakan sebaran posterior, dinyatakan dengan
| | ∫ | (Arnold 1990).
Proses Stokastik
Definisi 26 (Proses stokastik)
Proses stokastik { } adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh ke suatu ruang state (Ross 2007).
Jadi untuk setiap pada himpunan indeks adalah suatu peubah acak. Indeks sering diinterpretasikan sebagai waktu dan sebagai state (keadaan) dari proses pada waktu
Definisi 27 (Proses stokastik waktu kontinu)
Suatu proses stokastik disebut proses stokastik dengan waktu kontinu jika berupa suatu interval (Ross 2007).
Definisi 28 (Inkremen bebas)
Suatu proses stokastik dengan waktu kontinu { } disebut memiliki inkremen bebas jika untuk semua peubah acak adalah bebas (Ross 2007).
Dengan kata lain, suatu proses stokastik dengan waktu kontinu disebut memiliki inkremen bebas jika proses berubahnya nilai pada interval waktu yang tidak tumpang tindih (tidak overlap) adalah bebas.
Definisi 29 (Inkremen stasioner)
Suatu proses stokastik dengan waktu kontinu { } disebut memiliki inkremen stasioner jika memiliki sebaran yang sama untuk semua nilai (Ross 2007).
7 menyatakan banyaknya kejadian yang telah terjadi sampai waktu
Dari definisi tersebut, maka suatu proses pencacahan harus memenuhi
3. Banyaknya kejadian pada sembarang interval waktu dengan panjang memiliki sebaran Poisson dengan nilai harapan
Jadi untuk setiap ,
dengan (Ross 2007).
Dari syarat (3) dapat dilihat bahwa proses Poisson memiliki inkremen stasioner. Dari syarat (3) juga dapat diperoleh
Misalkan adalah proses Poisson dan adalah suatu interval bilangan nyata. Jika adalah proses Poisson homogen, maka
| |
dengan | | adalah panjang interval , sedangkan menyatakan banyaknya kejadian dari proses Poisson pada interval
8
Dengan kata lain, jika adalah proses Poisson takhomogen, maka memiliki sifat:
1.
untuk setiap interval dengan
2. Untuk setiap bilangan bulat positif dan adalah interval yang saling lepas dengan ( ) merupakan peubah acak yang saling bebas.
Metode Maximum Likelihood (ML)
Defenisi 32 (Fungsi likelihood)
Misalkan adalah barisan peubah acak independent and identically distributied (i.i.d) dengan fungsi kepekatan peluang , dengan diasumsikan skalar dan tidak diketahui, maka fungsi likelihood dapat dituliskan sebagai berikut:
∏
dengan (Hogg et al. 2005).
Definisi 33 (Pendugaan maximum likelihood)
Misalkan ∏ adalah fungsi likelihood, maka fungsi log dari , dapat dinotasikan dengan:
∑
9
HASIL DAN PEMBAHASAN
Model Gauss-Poisson
Misalkan suatu himpunan dari populasi, di mana setiap populasi terdiri atas individu. Asumsikan beberapa kejadian (misalnya kematian yang diakibatkan oleh beberapa kasus bunuh diri) dapat terjadi pada populasi amatan. Tujuan dari tulisan ini adalah untuk menduga peluang kejadian yang tidak diketahui, ketika banyaknya kejadian dalam populasi yang diamati, . Karena risiko relatif tidak dapat digunakan dalam banyak kasus akibat perbedaan yang besar dalam ukuran populasi , maka pendekatan Bayes empiris diterapkan.
Banyaknya kejadian diasumsikan mengikuti sebaran Poisson dengan parameter , yaitu:
( )
( ) Asumsi ini sering dibenarkan (Bradley et al. 2000; Tsutakava et al. 1985; Clayton dan Kaldor 1987).
Metode Bayes empiris adalah prosedur dua tahap, bergantung pada sebaran prior yang diperkenalkan pada tahap kedua (Bradley et al. 2000). Hal yang menarik pada model adalah logit
menyebar normal dengan parameter . Dengan demikian, fungsi kepekatan peluang dari logit pada persamaan (2) adalah:
( )
( ( ) )
√ Kemudian tingkat dievaluasi sebagai suatu nilai harapan posterior untuk yang diberikan
∫ ( )
di mana
∫ ( )
adalah peluang posterior dari banyaknya kejadian pada populasi ke- , .
10
∑
∑ ( ∫ ( )
)
yang harus diminimumkan untuk mendapatkan dugaan bagi parameter .
Turunan dari Fungsi Likelihood dan Persamaan Titik Tetap
Fungsi likelihood pada persamaan (6) dapat diturunkan terhadap parameter dan turunan pertama masing-masing fungsi ini adalah sebagai berikut:
[ ∑ ]
∑
∑ [ ∫ ( )
]
∑
∫ ( )
( ) √
∑∫ ( )
[ ∑ ]
∑
∑ [ ∫ ( )
11
12 analisis tentang persamaan (6), (7), (8), sampailah pada teorema berikut.
Teorema 1 Solusi dari persamaan (11) dan (12) ada jika ∑( ) ∑
Bukti dapat dilihat pada Lampiran 1.
Jika persamaan (13) tidak terpenuhi, penduga ML adalah:
di mana
∑∑
13
Pendugaan Parameter Gauss dengan Metode “Iterasi Sederhana”
Studi empiris dari fungsi likelihood dengan berbagai koleksi ukuran populasi dan banyaknya kasus dalam populasi memungkinkan untuk disimpulkan bahwa fungsi ini unimodal dan memiliki satu titik minimum.
Dengan demikian, kondisi nonsingularitas pada persamaan (13) adalah benar. Kemudian solusi persamaan (9), (10) atau (11), (12) dapat ditentukan dengan metode numerik. Misalnya, metode “iterasi sederhana” (Kantorovich dan Akilov 1982) berguna untuk menyelesaikan persamaan-persamaan tersebut sehingga diperoleh penduga ML dari dan ,
∑
Perhatikan bahwa integral dalam persamaan (5), (6), (7), (8), (11), (12), (18), dan (19) dapat dihitung dengan menggunakan, misalnya, formula kuadratur Hermite-Gauss (Abramovich dan Stegun 1968).
Selain itu, pengintegralan dan peminimuman fungsi ML dapat dilakukan dengan menggunakan alat yang tepat dalam perangkat lunak matematika.
Aplikasi untuk Penggerombolan
14
memetakan penggerombolan. Perhatikan sebuah himpunan gerombol yang terdiri atas himpunan populasi . Perhatikan bahwa diperlukan sebagai gerombol himpunan bagian dari populasi yang bersebelahan (yaitu, setiap populasi di gerombol memiliki perbatasan bersama dengan beberapa penduduk lainnya dari gerombol ini), di mana kondisi ragam nol yang berasal dari persamaan (13) adalah benar: Himpunan penggerombolan dipilih sehingga fungsi likelihood persamaan (6) menjadi minimum. Jadi, dengan menggunakan persamaan (17) setelah beberapa manipulasi sederhana dapat dipastikan bahwa himpunan penggerombolan terbaik harus menghasilkan fungsi minimum
Peluang kejadian yang bersesuaian dengan populasi pada suatu gerombol adalah
∑
∑ Perhatikan bahwa banyaknya gerombol yang mungkin agak besar dan harus dilihat melalui banyaknya gerombol yang besar, ketika himpunan penggerombolan dibentuk sehubungan dengan persamaan (23). Penyederhanaan heuristik dapat diterapkan dengan menggunakan proposisi berikut.
Proposisi 1 Misalkan dan adalah dua populasi dengan banyaknya kejadian , dan ukuran , , maka
( ) ( ) Bukti dari proposisi ini diperoleh dengan manipulasi dasar.
Dengan demikian dari persamaan (25), penggabungan dua gerombol menyebabkan fungsi likelihood menurun. Sifat ini dapat digunakan untuk penentuan himpunan penggerombolan terbaik. Dengan memulai dari himpunan penggerombolan awal, yang terdiri atas gerombol yang masing-masing hanya memiliki satu populasi, dua gerombol digabung jika kondisi pada persamaan (22) tetap berlaku dalam gerombol yang digabung dan penurunan fungsi likelihood minimum di antara semua kombinasi penggabungan yang mungkin, dan prosedur ini diulang sampai berakhir.
Implementasi untuk Analisis Data
15
Hasil analisis kondisi nonsingularitas persamaan (13) dan pendugaan Bayes empiris dari peluang kejadian diberikan pada Tabel 1 dan Tabel 2.
Tabel 1 Pendugaan Bayes empiris dari kematian akibat bunuh diri/pembunuhan di Lithuania, 2003
∑ ( ) ∑ ⁄
Semua bunuh diri 41.656 14255.1/1434=9.941 -7.652 0.281 Semua pembunuhan 9.44 453.3/325=1.395 -9.260 0.136 Pria bunuh diri 74.582 9484.2/1199=7.910 -7.7074 0.288 Pembunuhan Pria 14.431 356.0/232=1.543 -8.840 0.159 Wanita bunuh diri 13.952 692.9/256=2.705 -8.826 0.371 Pembunuhan wanita 5.45 76.8/100=0.768 -9.817 0
Tabel 2 Pendugaan Bayes empiris dari kematian akibat bunuh diri/pembunuhan di Lithuania, 2004
∑ ( ) ∑ ⁄
Semua bunuh diri 40.334 15421/1381=11.166 -7.652 0.281 Semua pembunuhan 8.587 287/294=0.976 -9.260 0 Pria bunuh diri 70.337 11889/1124=10.577 -7.7074 0.305 Pembunuhan Pria 12.515 313/2001=1.565 -8.840 0.234 Wanita bunuh diri 14.075 1573.2/257=6.121 -8.826 0.257 Pembunuhan wanita 5.093 84.1/93=0.904 -9.817 0
Pada Tabel 1 dan 2 jika Teorema 1 terpenuhi maka dilanjutkan dengan iterasi sederhana untuk mendapatkan dan setelah itu disubstitusi ke persamaan (4). Apabila Teorema 1 tidak terpenuhi maka digunakan pesamaan (14) dan (15).
Dengan demikian, singularitas dalam sebaran prior, yaitu ragam prior nol diamati untuk beberapa kejadian langka (pembunuhan wanita pada tahun 2003-2004, dan semua pembunuhan pada tahun 2004).
16
Tabel 3 Hasil Analisis Berdasarkan Data Pria Bunuh Diri di Lithuania Tahun 2003 untuk wilayah Shilutes d, Shirvintu d, Kaunas, dan Kauno d
Wilayah Penduduk
Perbandingan peluang kejadian dengan menggunakan RR antara Shilutes d dan Shirvintu d cukup besar, sedangkan dengan menggunakan Bayes empiris perbandingannya lebih kecil. Begitu juga dengan wilayah Kaunas dan kauno d perbandingan peluang kejadian dengan menggunakan bayes empiris lebih kecil dibandingkan dengan menggunakan RR, sehingga pada tulisan ini digunakan penduga Bayes empiris untuk menentukan peluang kejadian. Peluang kejadian dengan menggunakan RR pada wilayah Kaunas lebih besar dibandingkan Kauno d, sedangkan dengan menggunakan Bayes empiris wilayah Kaunas lebih kecil dibandingkan dengan Kauno d.
SIMPULAN
Masalah yang dimodelkan adalah kematian yang diakibatkan oleh pembunuhan dan bunuh diri. Model ini diharapkan dapat membantu pihak yang berkepentingan, seperti petugas kepolisian. Tingkat kriminalitas ini biasanya berbeda-beda untuk setiap wilayah, sehingga dibutuhkan kebijakan yang tepat dalam menanganinya.
Jika keragaman ukuran populasi tidak diperhitungkan, maka pendugaan risiko relatif dapat digunakan. Namun, karena risiko relatif tidak dapat digunakan dalam banyak kasus akibat perbedaan yang besar dalam ukuran populasi, maka pendekatan Bayes empiris diterapkan.
Studi empiris dari fungsi likelihood dengan berbagai koleksi ukuran populasi dan banyaknya kasus dalam populasi memungkinkan untuk fungsi ini memiliki satu titik tetap.
Perbandingan peluang kejadian dua wilayah dengan menggunakan RR lebih besar dibandingkan dengan menggunakan Bayes empiris.
DAFTAR PUSTAKA
Abramovich M, Stegun IA. 1968. Handbook of Mathematical Functions. New York (US): Dover.
17
Bradley PC, Thomas AL, Bradley C. 2000. Bayes and empirical Bayes methods for data analysis. Springer. 7(2):153-154. doi:10.1023/A:1018577817064. Clayton D, Kaldor J. 1987. Empirical Bayes estimates of age-standardized relative
risks for use in disease mapping. Biometrics. 43(3):671-681.
Dennis JE, Schnabel RB. 1996. Numerical Methods for Unconstrained
Optimization and Nonlinear Equations (Classics in for Applied Mathematics).
Philadelphia (US): SIAM.
Gahramani S. 2005. Fundamentals of Probability with Stochastic Processes. Ed ke-3. New Jersey (US): Pearson Prentice Hall.
Grimmett GR, Stirzaker DR.1992. Probability and Random Processes. Ed ke-2. Oxford (UK): Clarendon Press.
Hogg RV, Craig AT, McKean JW. 2005. Introduction to Mathematical Statistics. Ed ke-6. New Jersey (US): Prentice Hall.
Kantorovich LV, Akilov GP. 1982. Functional Analysis. Oxford (UK): Pergamon Press.
Knorr-Held L, Rasser G. 1999. Bayesian Detection of Clusters and
Discontinuities in Disease Maping. Munich (DE): Departement of Munich.
University of Munich.
Ross SM. 2007. Introduction to Probability Models. Ed ke-9. Orlando, Florida (US): Academic Press.
Sakalauskas L. 1995. On Bayes analysis of small rates in medicine. Proc. of the
Intern. Conf. “Computer Data Analysis and Modeling”. 1:127-130. Minsk (BLR): Belarusia State University.
Sakalauskas L. 2010. On the empirical Bayesian approach for the Poisson-Gaussian model. Springer Science. 12:247-259. doi: 10.1007/s11009-009-9146-2.
Taylor HM, Karlin. 1984. An Introduction to Stochastics Modelling. Orlando, Florida (US): Academic Press Inc.
19
Perhatikan bahwa
(5A)
Sekarang, dengan menggunakan ekspansi Taylor dari fungsi (1) dan mempertimbangkan (5A), kita memperoleh limit derivatif (7) dari fungsi likelihood sehubungan dengan saat mendekati nol:
Analog, mari kita menghitung limit derivatif (8) dari fungsi likelihood sehubungan dengan , saat mendekati nol: Dengan menyubtitusi (7A) ke (8A) diperoleh pertaksamaan
∑ [ ] ∑ ( )
20
21
Pasvalio d (42) 16365 13 79.44 82.622 84.406
Plunges d (43) 20967 18 85.85 85.912 113.549
Prienu d (44) 16714 15 89.75 88.126 89.358
Radvilishkio d (45) 24469 25 102.17 96.396 84.406
Raseiniu d (46) 20562 21 102.13 95.754 84.406
Rietavo d (47) 5044 13 257.73 141.063 113.549
Rokishkio d (48) 19442 21 108.01 99.126 84.406
Skuodo d (49) 12099 11 90.92 88.538 113.549
Taurages d (50) 24604 19 77.22 80.459 84.406
Telshiu d (51) 26855 22 81.92 83.280 84.406
Traku d (52) 17400 14 80.46 83.048 89.358
Ukmerges d (53) 22335 23 102.98 96.589 84.406
Utenos d (54) 23205 29 124.97 111.323 99.883
Varenos d (55) 14611 25 171.10 134.156 89.358
Vilkavishkio d (56) 23786 21 88.29 87.398 56.682
Vilniaus d (57) 43452 23 52.93 61.963 45.896
Vilnius (58) 246412 110 44.64 47.495 45.896
Visagino m (59) 13653 4 29.30 60.778 74.285
22
RIWAYAT HIDUP
Penulis dilahirkan di Bunga Tanjung Kabupaten Tanah Datar pada tanggal 31 Desember 1989. Anak dari pasangan Mawardi dan Warnida merupakan anak ketujuh dari tujuh bersaudara. Penulis menyelesaikan pendidikan Sekolah Dasar di SDN 15 Bunga Tanjung Kabupaten Tanah Datar pada tahun 2002, Sekolah Menengah Pertama di MTsN Pitalah Kabupaten Tanah Datar pada tahun 2005, Sekolah Menengah Atas di MAN Sumpur Kabupaten Tanah Datar pada tahun 2008, dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam.
