ESTIMASI PARAMETER DISTRIBUSI LOGLOGISTIK PADA DATA TERSENSOR PROGRESSIVE TIPE II DENGAN MENGGUNAKAN
ALGORITMA EM
SKRIPSI
ANNAS RIEZKI ROMADHONI
PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
ESTIMASI PARAMETER DISTRIBUSI LOGLOGISTIK PADA
DATA TERSENSOR
PROGRESSIVE
TIPE II DENGAN
MENGGUNAKAN ALGORITMA EM
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Bidang Matematika
Pada Fakultas Sains dan Teknologi Universitas Airlangga
Disetujui Oleh :
Pembimbing I,
Toha Saifudin, S.Si, M.Si NIP. 19750106 199903 1 002
Pembimbing II,
LEMBAR PENGESAHAN NASKAH SKRIPSI
Judul : Estimasi Parameter Distribusi Loglogistik Pada Data Tersensor Progressive Tipe II Dengan Menggunakan
Algoritma EM
Penyusun : Annas Riezki Romadhoni
NIM : 080810165
Tanggal Ujian : 10 Agustus 2012
Disetujui oleh :
Pembimbing I,
Toha Saifudin, S.Si, M.Si NIP. 19750106 199903 1 002
Pembimbing II,
Drs. Eko Tjahjono, M.Si NIP . 19600706 198601 1 001
Mengetahui :
Ketua Program Studi S-1 Matematika Departemen Matematika Fakultas Sains dan Teknologi
Universitas Airlangga
PEDOMAN PENGGUNAAN SKRIPSI
KATA PENGANTAR
Alhamdulillah, puji syukur senantiasa penulis panjatkan kepada Allah SWT yang telah melimpahkan rahmat, karunia, dan hidayahnya-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Estimasi Parameter Distribusi Loglogistik Pada Data Tersensor Progressive Tipe II Dengan Menggunakan
Algoritma EM”.
Pada kesempatan yang telah diberikan ini, penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada : pembimbing I dan II yang telah memberikan arahan, masukan, perhatian, rasa sabar yang begitu besar dan pengetahuan yang tidak ternilai.
4. Ahmadin, S.Si, M.Si. selaku dosen wali yang telah banyak memberikan nasehat dan saran demi mencapai kesuksesan di dunia dan akhirat.
5. Seluruh dosen Universitas Airlangga, terima kasih untuk segala ilmu yang diberikan.
6. Teman-teman Matematika 2008, kakak-kakak 2007, adik-adik 2009 dan 2010 terima kasih untuk semua bantuan dan rasa kekeluargaan yang telah terjalin selama ini.
7. Rekan-rekan seperjuangan HMI (Himpunan Mahasiswa Islam) yang telah memberikan pembelajaran yang sangat luar biasa. YAKUSA!!!
8. Serta pihak-pihak lain yang tidak dapat disebutkan satu persatu, terima kasih atas segala bantuannya selama ini.
Penulis menyadari skripsi ini masih jauh dari kesempurnaan. Untuk itu penulis mengharapkan kritik dan saran yang bersifat membangun dari pembaca. Semoga skripsi ini dapat bermanfaat bagi semua pembaca.
Surabaya, Agustus 2012
Penyusun
Annas Riezki Romadhoni, 2012. Estimasi Parameter Distribusi Loglogistik pada Data Tersensor Progressive Tipe II dengan Menggunakan Algoritma EM. Skripsi ini dibawah bimbingan Toha Saifuddin, S.Si, M.Si. dan Drs. Eko Tjahjono, M.Si, Departeman Matematika, Fakultas Sains dan Teknologi, Unversitas Airlangga.
ABSTRAK
Distribusi Loglogistik adalah distribusi yang biasa digunakan dalam analisis data tahan hidup karena logaritma natural dari variabel-variabel tahan hidupnya terdistribusi secara logistik. Distribusi Loglogistik mempunyai dua parameter yaitu parameter skala dan parameter bentuk . Penulisan ini bertujuan untuk memperoleh estimator parameter distribusi Loglogistik pada data tersensor progressive tipe II. Metode yang digunakan dalam penulisan ini adalah metode Maximum Likelihood dengan algoritma EM. Algoritma EM terdiri dari dua tahap yaitu tahap E dan M. Pada tahap E dilakukan perhitungan ekspektasi bersyarat dari fungsi ln likelihood dan pada tahap M dilakukan perhitungan untuk memaksimalkan ekspektasi bersyarat dari fungsi ln likelihood hingga mendapatkan nilai yang konvergen. Software yang digunakan untuk mempermudah mendapatkan nilai estimator parameter distribusi Loglogistik adalah Mathematica. Pada kasus logaritma natural dari waktu terurainya Isolator Zat Cair pada voltase 34 KV dengan sampel pengamatan dan kegagalan yang diamati masing-masing sebesar 19 dan 8, sedangkan skema penyensorannya adalah diperoleh nilai estimator parameter untuk sebesar 6,526 dan sebesar 1,108.
Annas Riezki Romadhoni, 2012. Estimation of Parameter of The Loglogistic Distribution based on Progressive Type-II Censoring Using The EM Algorithm. This Skripsi is supervised by Toha Saifuddin, S.Si, M.Si. and Drs. Eko Tjahjono, M.Si, Mathematics Department, Faculty of Sains and Technology, Airlangga University
ABSTRACT
The Loglogistic distribution is a commonly used distribution in lifetime data analysis because natural logarithm of the lifetime variables are logistically distributed. Loglogistic distribution has two parameters, that are the scale parameter and shape parameter . The main objective of this paper is to get parameter estimator of the Loglogistic distribution based on Progressive type-II censoring. The method that used in this paper is Maximum Likelihood method with EM Algorithm. EM algorithm is consist of two steps, that are E-step and M-step. E-step requires the algorithm to calculate conditional expectation of log-likelihood function and M-step calculation to maximize the conditional expectation of log-likelihood function until get a convergen value. Software that used to get the parameter estimator of the Loglogistic distribution easily is Mathematica. On natural logarithm case from the time of disintregation of the isolator fluid at 34 KV voltage with sample observations and observed failure are given respectively by 19 and 8, then the censored scheme is
then obtained the estimator value of parameter for is 6,526 and for is 1,108.
DAFTAR ISI
Halaman
LEMBAR JUDUL ... i
LEMBAR PERNYATAAN ... ii
LEMBAR PENGESAHAN ... iii
LEMBAR PEDOMAN PENGGUNAAN SKRIPSI ... iv
KATA PENGANTAR ... v
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
DAFTAR LAMPIRAN ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 4
1.3 Tujuan ... 4
1.4 Manfaat ... 5
BAB II TINJAUAN PUSTAKA ... 6
2.1 Analisis Data Uji Hidup ... 6
2.2 Distribusi Probabilitas ... 6
2.3 Distribusi Loglogistik ... 8
2.4 Distribusi Logistik ... 8
2.5 Sampel Lengkap ... 9
2.6 Sampel Tersensor Progressive Tipe II ... 9
2.7 Nilai Ekspektasi ... 10
2.8 Estimasi ... 11
2.9 Least Squares Estimation ... 14
2.10 Estimasi Kaplan Meier ... 15
2.12 MINITAB 14 ... 16
2.13 Mathematica ... 16
BAB III METODE PENELITIAN... 17
BAB IV HASIL DAN PEMBAHASAN ... 21
4.1 Estimasi Parameter Distribusi Loglogistik Pada Data Tersensor Progressive Tipe II dengan Menggunakan Algoritma EM ... 21
4.2 Algoritma Program ... 47
4.3 Penerapan Pada Data Tersensor Progressive Tipe II ... 49
BAB V KESIMPULAN DAN SARAN ... 56
5.1Kesimpulan ... 56
5.2Saran . ... 58
DAFTAR GAMBAR
Nomor Judul Halaman
2.1 Skema Penyensoran Progressive Tipe II 9
4.1 Plot data waktu terurainya isolator zat cair pada tegangan 34 KV 50 4.2 Plot data waktu terurainya isolator zat cair pada tegangan 34 KV
tersensor progressive tipe II 51
4.3 Plot data log natural waktu terurainya isolator zat cair pada
Tegangan 34 KV tersensor progressive tipe II 52
4.4 Grafik estimasi fungsi survival 54
DAFTAR LAMPIRAN
Nomor Judul
1. Data Sampel Lengkap Waktu Terurainya Isolator Zat Cair Pada Tegangan 34kV.
2. Data Sampel Tersensor Progressive Tipe II Waktu Terurainya Isolator Zat Cair Pada Tegangan 34kV.
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah
Globalisasi ekonomi merupakan suatu keadaan ekonomi dimana kegiatan perekonomian bersifat terbuka tanpa adanya batas-batas wilayah antara daerah yang satu dengan daerah yang lainnya. Hal ini menyebabkan persaingan produk yang diproduksi oleh setiap perusahaan semakin berat. Salah satu yang menjadi tolak ukur keberhasilan persaingan ini adalah kualitas suatu produk. Untuk mengetahui kualitas suatu produk sebelum dipasarkan kepada konsumen, perlu diadakan suatu penelitian yang berkaitan dengan pengamatan suatu keandalan atau daya tahan hidup komponen. Hal ini dikarenakan sangat berguna dalam pengujian tentang bagaimana suatu komponen dapat berfungsi sebagaimana mestinya dalam waktu yang ditentukan.
Analisa data tahan hidup (survival analysis) adalah suatu metode untuk menganalisis data yang berhubungan dengan waktu, mulai dari time origin atau start-point sampai dengan terjadinya suatu kejadian khusus atau end-point
diperlukan untuk melakukan penelitian sangat lama dan biaya yang diperlukan sangat besar. Hal ini sangat merugikan bagi suatu instansi dalam pengadaan penelitian. Untuk itu, perlu dilakukan penyensoran data agar lebih efisien dari segi waktu dan biaya.
Dalam statistika, ada banyak jenis penyensoran yang dapat digunakan untuk mempercepat suatu penelitian. Pada kesempatan ini penulis menggunakan penyensoran progressive tipe II yang merupakan pengembangan dari penyensoran tipe II. Alasan menggunakan jenis penyensoran ini adalah waktu yang dibutuhkan untuk melakukan penelitian relatif lebih cepat, karena dengan cara mengambil sebagaian data untuk tidak diamati. Hal ini menyebabkan biaya yang dikeluarkan relatif sedikit. Menurut Wu (2002), penyensoran progressive tipe II adalah pengamatan terhadap sampel dengan kegagalan yang diamati dengan syarat
bilangan bulat, sedemikian sehingga pada saat terjadi kegagalan yang pertama, dari unit yang survive secara acak dikeluarkan dari pengamatan, sedangkan pada pengamatan kegagalan yang kedua, unit penelitian yang survive secara acak dikeluarkan lagi. Penelitian ini berhenti pada saat
kegagalan diamati dan ini berarti unit yang survive semua dikeluarkan.
digunakan dalam analisis data tahan hidup karena logaritma natural dari variabel-variabel tahan hidupnya terdistribusi secara logistik. Adapun fungsi kepadatan peluang (fkp) distribusi Loglogistik sebagai berikut:
Berdasarkan uraian di atas, diperlukan suatu metode yang digunakan dalam penarikan kesimpulan mengenai suatu populasi yang biasa disebut inferensi statistik. Salah satu metode yang sering digunakan adalah Maximum Likelihood. Penyelesaian akhir metode ini umumnya membutuhkan iterasi numerik. Salah satu Algoritma yang dapat dipakai adalah algoritma EM. Algoritma EM adalah metode optimisasi iteratif untuk estimasi Maksimum Likelihood yang berguna dalam permasalahan data yang tidak lengkap. Dalam algoritma EM ini terdapat 2 tahap, yaitu tahap Ekspektasi (tahap E) dan tahap Maksimasi (tahap M).
Berdasarkan permasalahan diatas, maka penulis tertarik untuk melakukan studi jurnal estimasi parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM yang diambil dari jurnal yang berjudul “Estimation of Parameter of The Loglogistic Distribution Based on Progressive Censoring Using The EM Algorithm” yang ditulis oleh Kus dan Kaya
1.2 Rumusan Masalah
Berdasarkan latar belakang permasalahan diatas, maka rumusan masalah yang dibahas adalah:
1. Bagaimana mengestimasi parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM?
2. Bagaimana membuat program pada software Matematica untuk mengestimasi parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM?
3. Bagaimanakah aplikasi estimasi parameter distribusi Loglogistik pada data tahan hidup tersensor Progressive Tipe II dengan menggunakan algoritma EM?
1.3 Tujuan
1. Mengestimasi parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM.
2. Membuat program pada software Mathematica untuk mengestimasi parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM.
1.4 Manfaat
1. Menambah wawasan mengenai estimasi parameter dari distribusi Loglogistik pada data tersensor progressive tipe II menggunakan metode algoritma EM.
2. Hasil kajian dapat diterapkan pada bidang ilmu kesehatan, industri, pendidikan dan sebagainya.
BAB II
TINJAUAN PUSTAKA
2.1 Analisa Data Tahan Hidup
Menurut Collet (1994), analisa data tahan hidup (survival analysis) adalah suatu metode untuk menganalisis data yang berhubungan dengan waktu, mulai dari time origin atau start-point sampai dengan terjadinya suatu kejadian khusus atau end-point. Di dalam riset medis, time origin sering digunakan sebagai awal perekrutan suatu individu dalam suatu studi yang bersifat percobaan, sedangkan end-point merupakan kematian suatu individu atau pasien, sehingga data yang
dihasilkan secara harfiah dinamakan waktu survival.
2.2 Distribusi Probabilitas
2.2.1 Fungsi Kepadatan Probabilitas (FKP)
Menurut Bain dan Engelhardt (1992), fungsi kepadatan probabilitas (fkp) merupakan nilai peluang dari setiap kejadian .
Terdapat 2 jenis fungsi kepadatan probabilitas yaitu, fungsi kepadatan probabilitas (fkp) diskrit dan fungsi kepadatan probabilitas (fkp) kontinu.
suatu variabel random dengan distribusi probabilitas disebut fungsi kepadatan probabilitas (fkp) diskrit apabila :
1)
Sedangkan disebut fungsi kepadatan probabilitas (fkp) kontinu apabila :
1)
2)
2.2.2 Cumulative Distribution Function (CDF)
Menurut Bain dan Engelhardt (1992), Cumulative Distribution Function (CDF) dari suatu variabel acak didefinisikan untuk setiap bilangan real sebagai :
Menurut Walpole dan Myers (1995), terdapat 2 jenis distribusi kumulatif
yaitu:
1. Distribusi kumulatif suatu peubah acak diskrit dengan distribusi peluang dinyatakan oleh
2. Distribusi kumulatif suatu peubah acak kontinu dengan distribusi peluang dinyatakan oleh
2.2.3 Fungsi Survival
2.3 Distribusi LogLogistik
Menurut Kus dan Kaya (2006), distribusi Loglogistik adalah distribusi yang biasa digunakan dalam analisis data tahan hidup karena logaritma natural dari variabel-variabel tahan hidupnya berdistribusi Logistik. Adapun fungsi kepadatan probabilitas (fkp) distribusi Loglogistik dengan parameter skala dan parameter bentuk sebagai berikut:
2.4 Distribusi Logistik
Menurut Kus dan Kaya (2006), jika mempunyai distribusi logistik dengan parameter lokasi dan parameter skala , maka fungsi kepadatan probabilitas dan fungsi distribusi dari diberikan masing-masing yaitu:
2.5 Sampel Lengkap
Menurut Lawless (1982), pada sampel lengkap percobaan uji hidup dilakukan sampai semua individu atau benda mengalami kematian atau kegagalan. Adapun fungsi likelihood dari adalah :
2.6 Sampel Tersensor Progressive Tipe II
Menurut Wu (2002), penyensoran progressive tipe II adalah pengamatan terhadap sampel dengan kegagalan yang diamati dengan syarat
bilangan bulat, sedemikian sehingga pada saat terjadi kegagalan yang pertama, dari unit yang survive secara acak dikeluarkan dari pengamatan, sedangkan pada pengamatan kegagalan yang kedua, unit penelitian yang survive secara acak dikeluarkan lagi. Penelitian ini berhenti pada saat kegagalan diamati dan ini berarti unit yang survive semua dikeluarkan. Skema penyensoran progressive tipe II adalah ) dengan
dan . Dengan keterangan :
: jumlah sampel pengamatan.
: banyaknya kegagalan yang diamati.
: banyaknya unit sampel yang masih survive yang dipindahkan dari pengamatan (tidak diamati lagi) pada saat terjadinya kegagalan yang ke – .
…
Pada penyensoran progressive tipe II, secara umum bentuk fungsi likelihood yang didasarkan pada cara pengamatan terhadap sampel dapat dirumuskan sebagai berikut:
dengan
dan . Pada skema penyensoran progressive tipe II, terdapat beberapa
keadaan khusus yaitu jika sedemikian sehingga
, maka akan diperoleh teknik penyensoran sampel secara tersensor
tipe II, namun jika skema penyensorannya adalah , maka diperoleh sampel lengkap.
2.7 Nilai Ekspektasi
Menurut Bain dan Engelhardt (1992), nilai ekspektasi dari peubah acak kontinu adalah :
n-1- - n-m-1-
n-1-Dipindahkan (tidak diamati)
Dipindahkan (tidak diamati)
Dipindahkan (tidak diamati)
Pengamatan
dimulai Pengamatan berakhir
Misalkan adalah fungsi acak yang kontinu, maka nilai ekspektasi untuk adalah :
Menurut Graybill et al. (1963), jika adalah dua peubah acak dan
merupakan fungsi dengan domain dan kodomain bilangan real.
Ekspektasi bersyarat dari dimana yang dinotasikan dengan
adalah sebagai berikut:
1.
bila masing-masing diskrit.
2. bila masing-masing kontinu.
2.8 Estimasi
diobservasi memuat parameter populasi yang tidak diketahui. Nilai sampel yang diobservasi digunakan sebagai dasar untuk mengestimasi nilai .
Estimator yang diinginkan adalah estimator yang dekat dengan . Pengestimasian parameter dapat dilakukan secara Klasik maupun Bayes. Dalam metode Klasik, inferensi didasarkan sepenuhnya pada sampel yang diambil secara random dari populasi. Sedangkan pada metode Bayes selain informasi sampel random juga dipergunakan informasi tambahan mengenai nilai parameter yang tidak diketahui.
2.8.1 Maximum Likelihood Estimator
Menurut Hogg dan Craig (1995), misalkan merupakan peubah acak yang saling bebas dan berdistribusi identik dengan fungsi kepadatan peluang
, untuk . Fungsi kepadatan peluang bersama antara
adalah
Jika fungsi kepadatan peluang bersama tersebut dinyatakan sebagai fungsi terhadap maka dinamakan fungsi likelihood yang dinotasikan atau ditulis sebagai berikut
dengan .
2.8.2 Algoritma EM
Menurut Kus dan Kaya (2006), algoritma EM merupakan metode yang sangat tepat digunakan dalam menangani masalah mengenai data yang hilang atau data tersensor. Misalkan adalah vektor acak data lengkap. Pada data lengkap
memuat data yang teramati
yang merupakan suatu vektor yang memuat nilai waktu hidup saat terjadinya kegagalan dari pengamatan terhadap sampel dengan
kegagalan yang diamati, dan data yang tidak teramati
yang merupakan suatu vektor dengan komponen data yang survive atau dianggap sebagai data tersensor, dimana adalah vektor dengan
untuk Vektor
merupakan skema penyensoran progressive tipe II. Fungsi log likelihood untuk data lengkap dinotasikan .
Algoritma EM terdiri dari dua tahap yaitu tahap E (Ekspektasi) dan tahap M (Maksimasi). Pada tahap Ekspektasi dilakukan perhitungan ekspektasi bersyarat
. Tahap Maksimasi dilakukan untuk mendapatkan
2.9 Least Squares Estimation
Menurut Lawless (1982), estimasi Least Squares digunakan lebih umum untuk memperoleh estimasi parameter dalam kasus tertentu. Dengan mempertimbangkan model memuat parameter yang tidak diketahui dapat berhubungan linier terhadap beberapa transformasi dari fungsi survival. Agar lebih spesifik, dimisalkan sebagai
adalah telah diketahui dan merupakan bentuk dari himpunan independen linear dari fungsi dan adalah parameter yang tidak diketahui.
Berdasarkan model dari persamaan (2.11) bentuk dari Least Squares dapat digunakan untuk mengestimasi . Misalkan adalah waktu tahan hidup yang teramati pada sampel tersensor. Anggap sebagai estimasi yang sesuai untuk dan anggap [ ]. Maka dapat diestimasi dengan cara meminimumkan
2.10 Estimasi Kaplan Meier
Menurut Lawless (1982), misalkan terdapat pengamatan pada individu
dan menyatakan waktu kematian yang berbeda dengan .
Akan ada kemungkinan terjadinya lebih dari satu kematian di , dan menunjukkan banyaknya kematian saat . Selain itu, pada waktu tahan hidup
akan ada waktu yang tersensor untuk individu yang waktu
tahan hidupnya tidak teramati. Estimasi dari didefinisikan sebagai :
menyatakan jumlah individu yang beresiko saat , yaitu jumlah individu yang hidup dan tidak tersensor sesaat sebelum .
2.11 Newton-Raphson
Menurut Faires dan Burden, misalkan adalah nilai awal yang mendekati nilai akar dari persamaan dan berada dalam interval yang berisi semua nilai yang mendekati . Gradien dari garis singgung pada grafik di titik
( ) adalah , sehingga persamaan garis singgungnya adalah
Karena garis ini melewati sumbu ketika nilai dari titik pada garis tersebut nol, maka nilai yang mendekati berikutnya adalah
2.12 MINITAB 14
Irawan dan Astuti (2006), menjelaskan bahwa Minitab 14 merupakan salah satu program aplikasi statistika yang banyak digunakan untuk mempermudah pengolahan data statistik. Keunggulan Minitab adalah dapat digunakan dalam pengolahan data statistika untuk tujuan sosial maupun teknik. Minitab juga memungkinkan sebagai fasilitas dalam analisis time series dan peramalannya.
2.13 Mathematica
Ardana (2003) , menjelaskan bahwa Mathematica merupakan suatu sistem aljabar komputer (CAS, Computer Algebra System) yang mengintegrasikan kemampuan komputasi (simbolik, numerik), visualisasi (grafik), bahasa pemograman, dan pengolahan kata (word processing) ke dalam suatu lingkungan yang sudah digunakan. Pertama kali diperkenalkan pada tahun 1988, Mathematica kini tersedia pada lebih dari 20 platform komputer. Mathematica merupakan salah satu alat pilihan dalam pendidikan, penelitian bisnis, dan sebagainya. Khususnya untuk melakukan komputasi matematik, baik simbolik maupun numerik, pengembangan algoritma dan aplikasi, pemodelan dan simulasi, eksplorasi, analisis, dan visualisasi data.
Sistem Mathematica terdiri dari dua bagian utama, yaitu front end dan kernel. Front end berupa interface dengan lingkungan kerjanya yang disebut notebook. User memasukkan perintah – perintah atau melakukan pengolahan kata
(word processing) pada notebook, sedangkan komputasi matematik dilakukan
BAB III
METODE PENELITIAN
Metode penelitian yang digunakan dalam penulisan skripsi ini adalah sebagai berikut :
1. Menentukan estimasi parameter distribusi Loglogistik pada data tersensor Progressive Tipe II menggunakan metode Algoritma EM dengan
langkah-langkah sebagai berikut :
a. Mengasumsikan sampel waktu daya tahan hidup berasal dari distribusi Loglogistik.
b. Mentransformasikan distribusi Loglogistik dengan agar diperoleh distribusi Logistik.
c. Menentukan fkp dari distribusi Logistik.
d. Menentukan fungsi likelihood pada data lengkap dari fkp distribusi Logistik yaitu :
e. Mengubah fungsi likelihood menjadi bentuk logaritma natural, yaitu
g. Menentukan nilai maksimum dari fungsi ln likelihood dengan cara mendiferensialkan secara parsial terhadap parameter distribusi Loglogistik yaitu
h. Tahap Ekspektasi
Menghitung ekspekasi bersyarat dari ln likelihood pada fungsi yaitu fungsi data yang tidak teramati atau tersensor progressive tipe II. i. Tahap Maksimasi
1) Mendapatkan fungsi ekspektasi bersyarat dari ln-likelihood dengan cara mensubstitusikan hasil ekspektasi bersyarat dari fungsi ke ekspektasi awal.
2) Mendapatkan estimator dan dengan cara iterasi menggunakan metode Newton-Raphson.
j. Mendapatkan estimator distribusi Loglogistik dengan .
2. Membuat algoritma dan program untuk estimasi parameter dari distribusi Loglogistik pada data tersensor progressive tipe II dengan langkah-langkah sebagai berikut:
b. Menginputkan nilai estimator awal dan untuk Nilai estimasi awal didapatkan dari Metode Least Squares.
1) Mendapatkan fungsi survival distribusi Logistik dari persamaan (2.1)
2) Mencari
3) Mendapatkan
4) Menggunakan Jumlah Kuadrat Galat (JKG) sehingga diperoleh dan
5) Nilai diperoleh dari perhitungan dengan menggunakan metode Kaplan-Meier.
c. Tahap Ekspektasi
Menghitung ekspektasi dengan menggunakan estimator awal dan dimana menyatakan iterasi.
d. Tahap Maksimasi
Mencari dan menghitung estimator dan dengan iterasi Newton-Raphson dari persamaan yang didapatkan dari langkah c.
g. Mendapatkan .
h. Tampilkan dan sebagai estimator dari parameter distribusi Loglogistik pada data tersensor progressive tipe II.
3. Penerapan estimasi parameter distribusi Loglogistik pada data dengan langkah-langkah sebagai berikut :
a. Menguji data ilustrasi yang digunakan berdistribusi Loglogistik.
b. Mengestimasi parameter menggunakan program komputer (dengan bantuan software Mathematica) berdasarkan algoritma tersebut.
BAB IV
HASIL DAN PEMBAHASAN
Dalam bab ini akan diuraikan hasil dan pembahasan estimasi parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM.
4.1 Estimasi Parameter Distribusi Loglogistik Pada Data Tersensor
Progressive Tipe II Dengan Menggunakan Algoritma EM.
Algoritma EM adalah metode optimisasi iteratif untuk estimasi Maksimum Likelihood yang berguna dalam permasalahan data yang tidak lengkap. Dalam algoritma EM ini terdapat 2 tahap, yaitu tahap Ekspektasi (tahap E) dan tahap Maksimasi (tahap M). Adapun langkah-langkah untuk mendapatkan nilai estimator adalah sebagai berikut:
4.1.1 Mengasumsikan sampel waktu tahan hidup berasal dari distribusi Loglogistik
Misalkan adalah waktu tahan hidup dari sampel berukuran yang identik dan independen dari distribusi Loglogistik dengan parameter dan , sehingga dapat ditulis sebagai berikut:
4.1.2 Fkp dari Distribusi Loglogistik
maka diperoleh bentuk fkp dari distribusi Logistik yaitu:
4.1.4 Fungsi Likelihood Data Lengkap dari Fkp Distribusi Logistik
Misalkan adalah waktu tahan hidup dari sampel berukuran yang identik dan independen dari distribusi Loglogistik dengan parameter dan , maka merupakan log natural dari waktu tahan hidup yang identik
maka fungsi ln likelihood didiferensialkan secara parsial terhadap parameter dan . Hasilnya dapat diuraikan sebagai berikut:
bersyarat dari persamaan (4.5) dan (4.6), maka terlebih dahulu mencari distribusi bersyarat dari dengan syarat diketahui. Distribusi bersyarat
dapat diperoleh dengan cara sebagai berikut:
Untuk mendapatkan ekspektasi bersyarat dari persamaan (4.5) dan (4.6) maka dapat digunakan distribusi bersyarat dari untuk diketahui
Berdasarkan lemma 4.1 maka hasilnya sebagai berikut:
(3) Ekspektasi bersyarat yang ketiga
Berdasarkan lemma 4.2 maka hasilnya sebagai berikut:
yang diperoleh yaitu persamaan (4.8), (4.9), (4.10) ke dalam fungsi ln likelihood yaitu persamaan (4.5) dan (4.6). Jadi didapatkan persamaan sebagai berikut:
dan
4.1.6 Tahap Maksimasi
Tahap Maksimasi yaitu menghitung nilai estimasi dari parameter dengan memaksimalkan nilai ekspektasi dari fungsi ln likelihood yang didapatkan pada tahap ekspektasi. Pada tahap ini akan dilakukan iterasi dengan nilai awal
konvergen. Nilai awal didapatkan dari Metode Least Squares. Nilai
diperoleh berdasarkan persamaan berikut:
Sedangkan diperoleh berdasarkan persamaan berikut:
dengan bantuan software Mathematica. Setelah mendapatkan nilai estimator dan selanjutnya diubah menjadi estimator dari distribusi Loglogistik yaitu
4.1.7 Nilai Awal Estimasi
Nilai awal estimasi yang diperlukan untuk mencari nilai estimator dan diperoleh dari Metode Least Squares. Langkah pertama yang diperlukan adalah mendapatkan fungsi survival dari distribusi Logistik dari persamaan (2.1).
Setelah mendapatkan fungsi survival maka nilai awal estimasi dapat diperoleh dengan langkah-langkah sebagai berikut:
maka
Selanjutnya dengan menggunakan Jumlah Kuadrat Galat (JKG) diperoleh:
Untuk mendapatkan nilai dan pada persamaan dan
Sehingga didapatkan nilai yaitu
maka:
Nilai estimasi awal yang diperlukan untuk proses iteratif dalam mencari nilai estimator dan yang dinotasikan dan adalah
Nilai diperoleh dari perhitungan dengan menggunakan metode Kaplan-Meier.
4.2 Algoritma Program
diperoleh sebelumnya. Berikut ini adalah algoritma yang digunakan untuk membuat program dalam Mathematica :
1. Menginputkan data sebanyak yang dinotasikan dengan dan skema penyensoran .
2. Menghitung nilai estimator awal distribusi Logistik berdasarkan OLS menggunakan rumus pada persamaan (4.20) dan (4.21) sehingga diperoleh
dan untuk .
3. Mendefinisikan fungsi dari persamaan (4.11). 4. Mendefinisikan fungsi dari persamaan (4.12).
5. Mendapatkan estimator dengan cara menyelesaikan persamaan menggunakan Newton-Raphson.
6. Mendapatkan estimator dengan cara menyelesaikan persamaan menggunakan Newton-Raphson.
7. Jika dan maka iterasi dihentikan dan lanjut ke langkah 8, tapi jika nilai tersebut tidak terpenuhi maka kembali ke langkah 5 dengan mengganti .
8. Menampilkan nilai estimator distribusi Logistik yaitu dan .
9. Mengubah nilai estimator distribusi Logistik menjadi distribusi Loglogistik dengan .
4.3 Penerapan Pada Data Tersensor Progressive Tipe II
Berdasarkan tujuan penyusunan skripsi ini, telah disusun program menggunakan software Mathematica. Berikut ini akan dibahas mengenai penerapan program pada data ilustrasi tersensor progressive Tipe II dengan software Mathematica.
Misalkan berupa waktu yang diperlukan untuk menguraikan isolator zat cair yang dilakukan pada voltase sebesar 34 KV (Kus dan Kaya, 2006). Data berasal dari pengamatan yang dilakukan terhadap sampel. Pengamatan terhadap sampel dimulai dari start point yaitu ketika zat cair dialiri listrik sebesar 34 KV. Sehingga zat cair dapat menghantarkan listrik ke zat lain. Pengamatan berhenti pada waktu end point yaitu zat cair tidak dapat menghantarkan listrik lagi. Hal ini disebabkan partikel-partikel yang dapat menghantar listrik pada zat cair tersebut telah habis (berubah bentuk). Jadi data yang diperolehkan dari hasil pengamatan berupa ketahanan zat cair dalam menghantarkan listrik ke zat lain. Karena pada pengamatan semua benda diuji sampai terjadinya kegagalan maka pengamatan tersebut disebut sampel lengkap. Data selengkapnya dapat dilihat pada Lampiran 1.
Selanjutnya data tersebut diuji dengan menggunakan Probability Plot of data pada software Minitab. Hal ini bertujuan untuk mengetahui distribusi dari
data
Data Waktu Terurainya Isolator Zat Cair pada Tegangan 34 KV
Loglogistic - 95% CI
Gambar 4.1 Plot data waktu terurainya isolator zat cair pada tegangan 34 KV
Berdasarkan Gambar 4.1, dapat diketahui bahwa nilai p-value dari uji tersebut lebih besar dari 0,250. Oleh karena nilai p-value tersebut lebih besar dari tingkat signifikansi 0,05 maka dapat disimpulkan bahwa data tersebut berdistribusi Loglogistik.
Pada data ilustrasi akan diadakan penyensoran data menggunakan sampel tersensor progressive tipe II dengan skema penyensoran berdasarkan Kus dan Kaya (2006). Dari skema penyensoran yang telah digunakan maka dapat dijelaskan bahwa
1. Pada saat terjadi kegagalan yang pertama maka sebanyak dari unit yang survive secara acak dikeluarkan dari pengamatan, begitu juga pada saat kegagalan yang kedua dengan .
yaitu pada kegagalan yang kedelapan maka sebanyak dari unit yang survive secara acak dikeluarkan dari pengamatan.
Sehingga diperoleh data dari penyensoran sebanyak data. Data selengkapnya dapat dilihat pada Lampiran 2.
Selanjutnya data tersensor progressive tipe II diuji dengan menggunakan Probability Plot of data pada software Minitab. Hal ini bertujuan untuk
mengetahui distribusi dari data tersensor progressive tipe II tersebut. Hasil dari uji dengan Probability Plot of data dengan data yaitu sebagai berikut
Data Waktu Terurainya Isolator Zat Cair pada Tegangan 34 KV
Loglogistic - 95% CI
Gambar 4.2 Plot data waktu terurainya isolator zat cair pada tegangan 34 KV tersensor progressive tipe II
Berdasarkan Gambar 4.2, dapat diketahui bahwa nilai p-value dari uji tersebut lebih besar dari 0,250. Oleh karena nilai p-value tersebut lebih besar dari tingkat signifikansi 0,05 maka dapat disimpulkan bahwa data tersebut berdistribusi Loglogistik.
berdasarkan data yang berdistribusi Logistik. Misalkan berupa log natural waktu yang diperlukan untuk menguraikan isolator zat cair yang dilakukan pada voltase sebesar 34 KV (Kus dan Kaya, 2006). Data selengkapnya dapat dilihat pada Lampiran 2. Berikut ini akan diuraikan langkah-langkah untuk penerapan estimasi parameter distribusi Loglogistik.
Langkah pertama yaitu melakukan pengujian terhadap data tersebut dengan menggunakan Probability Plot of data pada software Minitab. Hal ini bertujuan untuk mengetahui distribusi dari data log natural waktu terurainya isolator zat cair pada tegangan 34 KV, sehingga dapat dilakukan analisa lebih lanjut sesuai dengan distribusi probabilitasnya dengan mengambil hipotesis sebagai berikut:
H0 : Data log natural waktu terurainya isolator zat cair pada tegangan 34 KV berdistribusi Logistik.
H1 : Data log natural waktu terurainya isolator zat cair pada tegangan 34 KV
tidak berdistribusi Logistik.
Gambar 4.3 Plot data log natural waktu terurainya isolator zat cair pada tegangan 34 KV tersensor progressive tipe II
Data Waktu Terurainya Isolator Zat Cair pada tegangan 34kV
Pada Gambar 4.3, dapat diketahui bahwa nilai p-value dari uji tersebut lebih besar dari 0,250. Oleh karena nilai p-value tersebut lebih besar dari tingkat signifikansi 0,05 maka keputusannya adalah terima H0 atau dapat disimpulkan bahwa data log natural waktu terurainya isolator zat cair pada tegangan 34 KV berdistribusi Logistik.
Langkah selanjutnya mencari estimator distribusi Logistik yaitu dan . Setelah itu mendapatkan estimator distribusi Loglogistik dengan . Berdasarkan hasil pada Lampiran 2 diperoleh hasil estimator parameter distribusi Logistik sebesar dan . Sedangkan estimator parameter distribusi Loglogistik diperoleh hasil sebesar dan .
Setelah diperoleh nilai estimator dari disribusi Loglogistik maka salah satu kegunaan aplikasinya adalah dapat menentukan estimasi dari fungsi survival distribusi Loglogistik dengan rumus sebagai berikut:
maka diperoleh estimasi fungsi survival yaitu
Sebagai contoh, misalkan diberikan maka diperoleh estimator dari fungsi survival sebesar . Angka tersebut menyatakan bahwa probabilitas mengurainya isolator zat cair yang dilakukan pada voltase sebesar 34 KV lebih dari 5 satuan waktu adalah sebesar 57,3%. Grafik dan tabel dari estimasi fungsi survival sebagai berikut
Gambar 4.4 Grafik estimasi fungsi survival
20 40 60 80 100
0.2 0.4 0.6 0.8 1
No.
1 0,19 0,981
2 0,78 0,913
3 0,96 0,893
4 1,31 0,856
5 2,78 0,720
6 4,85 0,581
7 6,50 0,501
8 7,35 0,467
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan, maka dapat diambil kesimpulan sebagai berikut :
1. Estimator parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM dilakukan melalui iterasi terhadap dua tahap berikut :
a. Tahap Ekspektasi
(1)
(2)
(3)
2. Program yang dibuat dalam software Matematica menggunakan metode Newton-Raphson. Dalam program terdapat tiga kali iterasi Newton-Raphson
untuk mendapatkan nilai estimator.
3. Pada penerapan data log natural waktu terurainya isolator zat cair pada tegangan 34kV (Kus dan Kaya, 2006) diperoleh hasil estimasi parameter skala dan parameter bentuk distribusi Loglogistik pada data tersensor progressive tipe II masing-masing sebesar 6,526 dan 1,108.
5.2 Saran
DAFTAR PUSTAKA
1. Ardana, K. N. K., 2003, Panduan Penggunaan Mathematica, Edisi Pertama, Matematika, IPB, Bogor.
2. Bain,L.J. and Engelhardt, M., 1992, Introduction to Probability and Mathematical Statistics, Second Edition, Duxbury Press, Belmont-California.
3. Collet, D., 1994, Modelling Survival Data in Medical Research, First Edition, Chapmann dan Hall, University of Reading, UK.
4. Faires, J. D., and Burden, R., 2003, Numerical Methods, Third Edition, Thomson Learning Academic Resource Center, USA.
5. Graybill, F. A., Mood, A. M., and Boes, D. C., 1963, Introduction to The Theory of Statistics, Third Edition, McGraw-Hill, Inc, Japan.
6. Hogg, R. V. and Craig, A. T., 1995, Introduction to Mathematical Statistics, Fifth Edition, Prentice Hall, Inc, New Jersey.
7. Irawan, N. dan Astuti, S. P., 2006, Mengolah Data Statistik dengan Mudah Menggunakan MINITAB 14, Penerbit Andi, Yogyakarta.
8. Kus, C. and Kaya, M. F., 2006, Estimation of Parameters of The Loglogistic Distribution Based on Progressive Censoring Using The EM Algorithm, Vol. 35, No. 2, Hacettep Journal of Mathematics and Statistics, P.203-211.
9. Lawless, J.F., 1982, Statistical Models and Methodes for Life Time Data, John Wiley & Sons, New York.
10.Walpole, R.E. dan Myers, R.H., 1995, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, Edisi Keempat, ITB, Bandung.
Lampiran 1 : Data Sampel Lengkap Waktu Terurainya Isolator Zat Cair Pada Tegangan 34 KV
1 0,19
2 0,78
3 0,96
4 1,31
5 2,78
6 3,16
7 4,15
8 4,67
9 4,85
10 6,50
11 7,35
12 8,01
13 8,27
14 12,06
15 31,75
16 32,52
17 33,91
18 36,71
19 72,89
Sumber : Kus, C. and Kaya, M. F., 2006, Estimation of Parameters of The Loglogistic Distribution Based on Progressive Censoring Using The EM Algorithm, Vol. 35, No. 2, Hacettep Journal of Mathematics and Statistics, P.203-211.
Keterangan:
Lampiran 2 : Data Sampel Tersensor Progressive Tipe II Waktu Terurainya
Isolator Zat Cair Pada Tegangan 34 KV
j
1 0 0,19 -1,6608
2 0 0,78 -0,2485
3 3 0,96 -0,0409
4 0 1,31 0,2700
5 3 2,78 1,0224
6 0 4,85 1,5789
7 0 6,50 1,8718
8 5 7,35 1,9947
Sumber : Kus, C. and Kaya, M. F., 2006, Estimation of Parameters of The Loglogistic Distribution Based on Progressive Censoring Using The EM Algorithm, Vol. 35, No. 2, Hacettep Journal of Mathematics and Statistics, P.203-211.
Keterangan:
: Waktu terurainya isolator zat cair pada tegangan 34 KV ke-j pada
kegagalan yang diamati dari buah sampel.
: Log natural dari waktu terurainya isolator zat cair pada tegangan 34kV
ke-j pada kegagalan yang diamati dari buah sampel.
Lampiran 3 : Program Untuk Menentukan Estimasi Parameter Distribusi Loglogistik Pada Data Tersensor Progressive Tipe II
1. Input Data
2. Program Untuk Mendapatkan Nilai Estimator Awal
3. Program Untuk Menentukan Estimasi Parameter Distribusi Loglogistik Pada Data Tersensor Progressive Tipe II
Print "Nilai estimator awal : ", lama, " dan : ", lama ;
Print " " ;
error1 Abs baru lamat ; error2 Abs baru lamat ;
p p 1; q q 1;
Print "Nilai pada iterasi ke ", p, " : ",
baru N , " : ", baru N ;
Print " Nilai Estimator Distribusi Logistik " ;
Print " : ", baru, " dan : ", baru ;
Print " " ;
Print " Nilai Estimator Distribusi Loglogistik " ;
Print " : ", baru, " dan : ", 1
baru ;
4. Output
Nilai estimator awal : 2.56095 dan : 1.46915
iterasi 1 2.01683
Nilai pada iterasi ke 1 : 2.05313 : 1.16442
iterasi 5 2.04563
Nilai pada iterasi ke 2 : 2.04564 : 1.0346
iterasi 8 1.88664
Nilai pada iterasi ke 3 : 1.89048 : 0.958643
iterasi 12 1.92774
Nilai pada iterasi ke 5 : 1.86596 : 0.913564
iterasi 19 1.89632
Nilai pada iterasi ke 6 : 1.89647 : 0.909784
iterasi 22 1.8662
Nilai pada iterasi ke 7 : 1.86635 : 0.904381
iterasi 25 1.8856
iterasi 26 1.88565
iterasi 27 1.88565
iterasi 23 0.904633
iterasi 24 0.904633
Nilai pada iterasi ke 8 : 1.88565 : 0.904633
Nilai pada iterasi ke 9 : 1.86959 : 0.902688
iterasi 31 1.88095
iterasi 32 1.88097
iterasi 33 1.88097
iterasi 28 0.90334
iterasi 29 0.90334
Nilai pada iterasi ke 10 : 1.88097 : 0.90334
iterasi 34 1.87206
Nilai pada iterasi ke 11 : 1.87208 : 0.902473
iterasi 37 1.87862
iterasi 38 1.87862
iterasi 39 1.87862
iterasi 33 0.902951
iterasi 34 0.902951
Nilai pada iterasi ke 12 : 1.87862 : 0.902951
iterasi 40 1.87362
iterasi 41 1.87362
iterasi 42 1.87362
iterasi 35 0.90251
iterasi 36 0.90251
Nilai pada iterasi ke 13 : 1.87362 : 0.90251
iterasi 43 1.87735
iterasi 44 1.87735
iterasi 45 1.87735
iterasi 37 0.902804
iterasi 38 0.902804
Nilai pada iterasi ke 15 : 1.87453 : 0.902565
iterasi 49 1.87665
iterasi 50 1.87665
iterasi 51 1.87665
iterasi 41 0.902736
iterasi 42 0.902736
Nilai pada iterasi ke 16 : 1.87665 : 0.902736
iterasi 52 1.87505
iterasi 53 1.87505
iterasi 54 1.87505
iterasi 43 0.902603
iterasi 44 0.902603
Nilai pada iterasi ke 17 : 1.87505 : 0.902603
iterasi 55 1.87625
iterasi 56 1.87625
iterasi 57 1.87625
iterasi 45 0.902702
iterasi 46 0.902702
Nilai pada iterasi ke 18 : 1.87625 : 0.902702
iterasi 58 1.87534
iterasi 59 1.87534
iterasi 60 1.87534
iterasi 47 0.902626
iterasi 48 0.902626
Nilai pada iterasi ke 19 : 1.87534 : 0.902626
iterasi 61 1.87603
iterasi 62 1.87603
Nilai pada iterasi ke 20 : 1.87603 : 0.902683
iterasi 64 1.87551
iterasi 65 1.87551
iterasi 66 1.87551
iterasi 51 0.90264
iterasi 52 0.90264
Nilai pada iterasi ke 21 : 1.87551 : 0.90264
iterasi 67 1.8759
iterasi 68 1.8759
iterasi 69 1.8759
iterasi 53 0.902672
iterasi 54 0.902672
Nilai pada iterasi ke 22 : 1.8759 : 0.902672
iterasi 70 1.87561
iterasi 71 1.87561
iterasi 72 1.87561
iterasi 55 0.902648
iterasi 56 0.902648
Nilai pada iterasi ke 23 : 1.87561 : 0.902648
iterasi 73 1.87583
iterasi 74 1.87583
iterasi 57 0.902666
iterasi 58 0.902666
Nilai pada iterasi ke 24 : 1.87583 : 0.902666
iterasi 75 1.87566
iterasi 76 1.87566
iterasi 59 0.902652
iterasi 60 0.902652
Nilai pada iterasi ke 25 : 1.87566 : 0.902652
Nilai pada iterasi ke 26 : 1.87579 : 0.902663
iterasi 79 1.87569
iterasi 80 1.87569
iterasi 63 0.902655
iterasi 64 0.902655
Nilai pada iterasi ke 27 : 1.87569 : 0.902655
iterasi 81 1.87576
iterasi 82 1.87576
iterasi 65 0.902661
iterasi 66 0.902661
Nilai pada iterasi ke 28 : 1.87576 : 0.902661
iterasi 83 1.87571
iterasi 84 1.87571
iterasi 67 0.902656
iterasi 68 0.902656
Nilai pada iterasi ke 29 : 1.87571 : 0.902656
iterasi 85 1.87575
iterasi 86 1.87575
iterasi 69 0.90266
iterasi 70 0.90266
Nilai pada iterasi ke 30 : 1.87575 : 0.90266
iterasi 87 1.87572
iterasi 88 1.87572
iterasi 71 0.902657
iterasi 72 0.902657
Nilai pada iterasi ke 31 : 1.87572 : 0.902657
iterasi 89 1.87574
iterasi 90 1.87574
Nilai pada iterasi ke 32 : 1.87574 : 0.902659
iterasi 91 1.87573
iterasi 92 1.87573
iterasi 75 0.902658
iterasi 76 0.902658
Nilai pada iterasi ke 33 : 1.87573 : 0.902658
iterasi 93 1.87574
iterasi 94 1.87574
iterasi 77 0.902659
iterasi 78 0.902659
Nilai pada iterasi ke 34 : 1.87574 : 0.902659
iterasi 95 1.87573
iterasi 96 1.87573
iterasi 79 0.902658
iterasi 80 0.902658
Nilai pada iterasi ke 35 : 1.87573 : 0.902658
iterasi 97 1.87574
iterasi 98 1.87574
iterasi 81 0.902658
iterasi 82 0.902658
Nilai pada iterasi ke 36 : 1.87574 : 0.902658
iterasi 99 1.87573
iterasi 100 1.87573
iterasi 83 0.902658
iterasi 84 0.902658
Nilai pada iterasi ke 37 : 1.87573 : 0.902658
iterasi 101 1.87574
iterasi 102 1.87574
iterasi 85 0.902658
iterasi 86 0.902658
Nilai pada iterasi ke 39 : 1.87573 : 0.902658
iterasi 105 1.87573
iterasi 106 1.87573
iterasi 89 0.902658
iterasi 90 0.902658
Nilai pada iterasi ke 40 : 1.87573 : 0.902658
iterasi 107 1.87573
iterasi 108 1.87573
iterasi 91 0.902658
iterasi 92 0.902658
Nilai pada iterasi ke 41 : 1.87573 : 0.902658
iterasi 109 1.87573
iterasi 110 1.87573
iterasi 93 0.902658
iterasi 94 0.902658
Nilai pada iterasi ke 42 : 1.87573 : 0.902658
iterasi 111 1.87573
iterasi 112 1.87573
iterasi 95 0.902658
iterasi 96 0.902658
Nilai pada iterasi ke 43 : 1.87573 : 0.902658
iterasi 113 1.87573
iterasi 114 1.87573
iterasi 97 0.902658
iterasi 98 0.902658
Nilai pada iterasi ke 44 : 1.87573 : 0.902658
iterasi 115 1.87573
Nilai pada iterasi ke 45 : 1.87573 : 0.902658
iterasi 117 1.87573
iterasi 118 1.87573
iterasi 101 0.902658
iterasi 102 0.902658
Nilai pada iterasi ke 46 : 1.87573 : 0.902658
iterasi 119 1.87573
iterasi 120 1.87573
iterasi 103 0.902658
iterasi 104 0.902658
Nilai pada iterasi ke 47 : 1.87573 : 0.902658
iterasi 121 1.87573
iterasi 122 1.87573
iterasi 105 0.902658
iterasi 106 0.902658
Nilai pada iterasi ke 48 : 1.87573 : 0.902658
iterasi 123 1.87573
iterasi 124 1.87573
iterasi 107 0.902658
iterasi 108 0.902658
Nilai pada iterasi ke 49 : 1.87573 : 0.902658
iterasi 125 1.87573
iterasi 126 1.87573
iterasi 109 0.902658
iterasi 110 0.902658
Nilai pada iterasi ke 50 : 1.87573 : 0.902658
iterasi 127 1.87573
iterasi 128 1.87573
iterasi 111 0.902658
--- Nilai Estimator Distribusi Logistik
--- Nilai Estimator Distribusi Loglogistik
---
: 1.87573 dan : 0.902658