ESTIMASI PARAMETER

PADA MODEL INTERAKSI DUA POPULASI

Trisilowati, Dhevi Yuli S, Ricky Aditya

Abstrak

Estimasi parameter merupakan kunci dari perkembangan model matematika. Suatu model
matematika tidak dapat diinterpretasikan dengan baik tanpa mengetahui parameter yang terdapat pada model
tersebut. Pada penelitian ini akan dibahas metode estimasi parameter pada model interaksi dua populasi
dengan menitikberatkan pada metode optimasinya.

Kata kunci: Estimasi parameter, metode optimasi

PARAMETER ESTIMATION
ON INTERACTION OF TWO POPULATION MODEL

Trisilowati, Dhevi Yuli S, Ricky Aditya

Abstract

Parameter estimation is the key in the development of mathematical models. Mathematical models
can not be interpreted well without knowing the parameters. In this research, it will be described the method of
parameter estimation of the interaction model of two population with concentrate on optimization method.

Keywords: Parameter estimation, optimization method

1 LATAR BELAKANG
Dari tahun ke tahun peranan matematika telah memberikan sumbangan yang sangat
besar terhadap kemajuan pengetahuan dan teknologi. Model matematika termasuk salah satu
bagian dari perkembangan tersebut, hampir semua permasalahan di dunia nyata dapat
diformulasikan ke dalam model matematika. Model interaksi dua populasi pada suatu
species merupakan salah satu model yang sangat penting pada bidang biologi.
Estimasi parameter merupakan kunci dari perkembangan model matematika. Suatu
model matematika tidak dapat diinterpretasikan dengan baik tanpa mengetahui parameter
yang terdapat pada model tersebut. Untuk menentukan estimasi parameter dalam suatu
model terdapat beberapa teknik matematika yang harus dipelajari antara lain kestabilan
model matematika, metode optimasi dan metode pencocokan kurva.
Model interaksi dua populasi yang dikenal dengan persamaan Lotka-Volterra atau
persamaan Predator-Prey dikenalkan pertama kali oleh Lotka dan Volterra pada tahun 1925
[1 ], dengan persamaan sebagai berikut:
dx
(a by ) x
dt

dy
( c dx ) y
dt

dimana x = populasi dari prey

y = populasi dari predator
a = laju kelahiran dari populasi prey
c = laju kematian dari populasi predator
b dan d adalah koefisien interaksi antara predator dan prey

Sampai saat ini persamaan Lotka-Volterra masih menjadi bahan diskusi atau
penelitian baik tentang kestabilan, penyelesaian periodik dan lain sebagainya [2], [3], dan
[4]. Keseimbangan suatu ekosistem dapat dijaga dengan mengetahui perkembangan spesies
yang terdapat pada ekosistem tersebut. Jika prey tidak ada maka predator akan menurun,
tetapi tanpa adanya predator prey akan meningkat.
Estimasi parameter merupakan kunci dari perkembangan model matematika [5].
Dengan mengetahui parameter pada persamaan Lotka-Volterra yang terdapat pada suatu
ekosistem dapat diketahui perkembangan interaksi dua populasi tersebut. Terdapat beberapa
metode yang digunakan untuk mengestimasi suatu parameter seperti pada [6] yang
menunjukkan bahwa metode Simpleks yang terbaik, tetapi pada [7] dan [8] mengatakan
2
metode Simpleks lebih lambat karena memerlukan lebih banyak perhitungan sedangkan
metode estimasi yang menggunakan optimasi Levenberg-Marquardt sangat efisien.
Berdasarkan uraian di atas akan diteliti estimasi parameter pada model interaksi dua
populasi dengan menitikberatkan pada metode optimasi yaitu menggunakan metode
optimasi Nelder-Meade simplex dan Levenberg-Marquardt.

2. METODOLOGI PENELITIAN
Untuk mengestimasi parameter pada model interaksi dua populasi terdapat beberapa
langkah yang harus dilakukan sebagai berikut:
1. Menentukan kestabilan di sekitar titik equilibrium dari metode interaksi dua populasi
seperti yang terdapat pada [1]dan[2].
2. Menyelesaikan model interaksi dua populasi dengan metode Runga Kutta [7].
3. Mengestimasi parameter dengan metode kuadrat terkecil yaitu

2
min [ y ij y j ( t , p )]

dimana yij adalah komponen data vektor dan

yj adalah komponen penyelesaian persamaan diferensial
p adalah parameter

untuk meminimumkan fungsi tersebut digunakan metode optimasi Nelder-Meade

simplex [8].
4. Mengestimasi parameter dengan metode optimasi Levenberg-Marquardt[7] dan[8].
5. Menyelesaikan model tersebut menggunakan parameter yang diperoleh.
6. Membandingkan kedua metode tersebut dengan memperhatikan tiga faktor yaitu:
 banyaknya jumlah perhitungan
 waktu
 galat

Paket program Matlab akan digunakan untuk menyelesaikan masalah tersebut.

3
3. HASIL DAN PEMBAHASAN
Dalam bab ini akan dibahas tentang titik kesetimbangan dari model interaksi dua
populasi, bagaimana pengaruh dari nilai awal disekitar titik kesetimbangan ini. Akan
diuraikan juga bagaimana mengestimasi parameter menggunakan metode Nelder Meade
Simplek dan Levenberg Marquatd. Pada akhir sub bab ini akan dibandingkan kedua metode
tersebut.
Model yang digunakan pada penelitian ini adalah:
dx
(0,2 0 , 005 y ) x
dt

dy
( 0 ,5 0 , 01 x ) y (2)
dt

dimana x(0) = x0, y(0) = y0, semuanya konstanta positif.

3.1 Titik Kesetimbangan Model Interaksi Dua Populasi

Titik kesetimbangan dari persamaan (1) dicapai bila
(a by ) x 0

c dx ) y 0 ()

c a
sehingga diperoleh titik kesetimbangan (0,0) dan , dengan demikian persamaam (2)
d b

akan memiliki titk kesetimbangan di (0,0) dan (50,40). Dengan menggunakan teorema
kestabilan [1], titik kesetimbangan (0,0) dari sistem (2) adalah takstabil, sedangkan titik
kesetimbangan (50,40) adalah center-stabil. Trayektori dan titk kesetimbangan dari
persamaan (2) dapat dilihat pada Gambar 3.1.1. Sedangkan Gambar 3.1.2 merupakan
penyelesaian dari sitem (2) dengan nilai awal x(0) = 70 dan nilai awal y(0) = 40.

70

65

60

55

50
predator

45
x

40

35

y
30

25

20
30 35 40 45 50 55 60 65 70

p re y

Gambar 3.1.1 Trayektori dan titik kesetimbangan persamaan (2)

4
 70

65

60

55

p re y d a n p re d a to r 50

45
x

40

35

y
30

25

20
0 10 20 30 40 50 60 70 80

Gambar 3.1.2 Penyelesaian persamaan (2)

3.2 Estimasi Parameter
Untuk mengestimasi parameter pada persamaan (2) dilakukan dengan mencocokkan
persamaan (2) pada data. Pencocokan kurva yang dibahas pada bab ini menggunakan
metode kuadrat terkecil, yaitu meminimumkan fungsi
2
[ y ij y j ( t , p )]

dimana yij adalah komponen data vektor dan

yj adalah komponen penyelesaian persamaan diferensial
Sistem persamaan (2) diselesaikan dengan menggunakan metode Runge-Kutta, penyelesaian
implisit ini dicocokkan terhadap data dengan metode kuadrat terkecil,kemudian
diminimumkan. Iterasi dihentikan setelah diperoleh hasil yang dianggap tepat atau telah
konvergen.
Data yang digunakan pada penelitian ini adalah data yang dibangkitkan dari sistem
(2) untuk persamaan predator saja, dengan nilai awal x(0) = 70 dan y(0) = 40 (lihat Gambar
3.2). Untuk mengestimasi parameter dilakukan dengan mencoba beberapa parameter yang
dekat dengan parameter sesungguhnya maupun yang jauh dari yang akan diduga.
Untuk meminimumkan fungsi di atas digunakan metode optimasi Nelder Meade
Simplek dan metode Levenberg-Marquatd yang akan dibahas pada sub bab berikut di bawah
ini.

5
 70

65

60

55

50
Predator

45

40

35

30

25

20
0 10 20 30 40 50 60 70 80
t

Gambar 3.2 Data yang dibangkitkan dari persamaan (2)

3.3 Estimasi Parameter Menggunakan Metode Nelder Meade Simplek

Nelder Meade Simplek adalah suatu metode optimasi untuk multivariabel yang tidak
melibatkan turunan suatu fungsi. Function fmins pada paket program Matlab digunakan
untuk menyelesaiakan estimasi parameter. Data yang telah dibangkitkan akan dicocokkan
pada model interaksi dua populasi (persamaan (1)) dengan mengambil nilai parameter a =
0.2, b = 0.005, c = 0.4 dan d = 0.01. Hasil estimasi adalah a = 0.2118, b = 0.0053, c =
0.4730 dan d = 0.0096. Tampak bahwa meskipun pencocokan nilai awal estimasi terhadap
data cukup jauh (Gambar 3.3.1), namun hasil estimasi terhadap data sangat dekat(Gambar
3.3.2). Untuk estimasi ini diperlukan waktu 7.69 detik, iterasi sebanyak 71 dan banyaknya
fungsi yang dihitung adalah 135.

90

80

70

60

50

40

30

20

10
0 10 20 30 40 50 60 70 80

Gambar 3.3.1 Pencocokan nilai awal estimasi terhadap data

6
 70

65

60

55

50

45

40

35

30

25

20
0 10 20 30 40 50 60 70 80

Gambar 3.3.2 Pencocokan hasil estimasi terhadap data

Sedangkan untuk nilai awal estimasi menggunakan a = 0.2, b = 0.005, c = 0.48 dan
d = 0.01. Hasil estimasi adalah a = 0.20, b = 0.005, c = 0.5 dan d = 0.01. Waktu yang
diperlukan untuk estimasi adalah 14.34 detik, itersi sebanyak 147 iterasi dan banyaknya
fungsi yang dihitung adalah 387. Meskipun pencocokan nilai awal estimasi terhadap data
cukup dekat ( Lampiran 1) namun iterasi yang dilakukan lebih banyak dibandingkan dengan
estimasi menggunakan nilai awal dengan parameter a = 0.2, b = 0.005, c = 0.4 dan d = 0.01.
Untuk pencocokan nilai awal estimasi yang terlalu jauh terhadap data, hasil estimasi
tidak akurat lagi lihat Lampiran 2.
3.4 Estimasi Parameter Menggunakan Levenberg Marquardt
2
Dasar dari metode Levenberg Marquadt adalah persamaan Chi-Square, jika

diekspansikan ke dalam deret Taylor disekitar a 0 , diperoleh

2 2
T
2 1 T (3)
a (a0 ) ( a ). a
(a0 ) a .H . a
2

dimana a a a0
2 2
dan matriks H adalah matriks Hessian yang didefinisikan sebagai H ij ( ) / ai a j

Jika a
2
(a0 ) pada persamaan (3) diekspansikan ke dalam deret Taylor diperoleh

2 2
a
(a ) a
(a 0 ) H. a ...

2
Gradient di titik dimana minimum adalah nol sehingga diperoleh a m in a0 a
7
 1 2
Dengan a H . a
(a 0 ) . Sedangkan untuk metode Steepest Descent digunakan

2
a a
(a 0 ) Dengan melibatkan metode Steepest Descent digunakan matriks
Hessian sebagai berikut: H H .I (1 )
Dengan jelas tampak bahwa untuk meminimumkan suatu fungsi multivariabel
dengan menggunakan metode Levenberg Marquadt akan melibatkan turunan parsial.
Untuk nilai awal estimasi a = 0.2, b = 0.005, c = 0.4 dan d = 0.01. Tidak diperoleh
hasil estimasi karena pada iterasi pertama diperoleh hasil parameter yang bernilai negatif,
yang mengakibatkan penyelesaian model interaksi dua populasi tak terbatas. Sehingga
optimasi tidak tercapai. Sedangkan untuk nilai awal estimasi a = 0.2, b = 0.005, c = 0.48 dan
d = 0.01 diperoleh hasil a = 0.2214, b = 0.0055, c = 0.4531 dan d = 0.0094, dengan hasil
pencocokan terhadap data lihat Gambar 3.4. Waktu iterasi 6,76 dek, banyak iterasi 4 dan
banyak fungsi yang dihitung adalah 25.

70

65

60

55

50

45

40

35

30

25

20
0 10 20 30 40 50 60 70 80

Gambar 3.4 Pencocokan nilai awal estimasi terhadap data dengan metode Levenberg
Marquadt

8
3.5 Perbandingan metode Nelder Meade Simplek dan Levenberg Marquardt

Nelder Meade Simplek adalah suatu metode optimasi untuk multivariabel yang tidak
melibatkan turunan suatu fungsi, sedangkan metode Levenberg Marquadt melibatkan
turunan parsial yaitu pada matriks Hessian. Untuk estimasi parameter dengan nilai awal
estimasi adalah a = 0.2, b = 0.005, c = 0.4 dan d = 0.01 (Gambar 3.3.1), dengan metode
Nelder Meade Simpleks hasil estimasi cukup dekat dengan data sesungguhnya, sedangkan
dengan metode Levenberg Marquadt iterasi gagal atau tidak konvergen.
Untuk estimasi parameter dengan nilai awal estimasi adalah a = 0.2, b = 0.005, c =
0.48 dan d = 0.01, kedua metode menunjukkan hasil estimasi yang cukup dekat dengan data
sesungguhnya, tetapi waktu iterasi jumlah iterasi dan banyak fungsi yang dihitung untuk
metode Levenberg Marquadt lebih sedikit dibandingkan dengan metode Nelder Meade
Simpleks. Meskipun demikian dapat dilihat bahwa kesalahan metode Nelder Meade
Simpleks lebih kecil dibandingkan dengan kesalahan pada metode Levenberg Marquadt
(Gambar 3.5.1 dan Gambar 3.5.2).

-4
x 10
2

1.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70 80

Gambar 3.5.1 Kesalahan untuk metode Nelder Meade Simpleks

9
 0.25

0.2

0.15

0.1

0.05

-0.05

-0.1
0 10 20 30 40 50 60 70 80

Gambar 3.5.2 Kesalahan untuk metode Levenberg Marquadt

Untuk pencocokan nilai awal estimasi yang terlalu jauh terhadap data lihat Lampiran
2, kedua metode tidak relevan lagi.
Berdasarkan dari beberapa simulasi nilai awal disekitar titik kesetimbangan yang
bersifat center stabil, tidak terdapat masalah, tetapi jika diambil disekitar titik
kesetimbangan yang bersifat tak stabil maka estimasi akan gagal.

4. KESIMPULAN

1. Nilai awal estimasi parameter disekitar titik kesetimbangan berpengaruh pada estimasi
paramater.
2. Metode Nelder Meade Simplex adalah metode optimasi tanpa menggunakan turunan,
sedangkan metode Levenberg Marquatdt menggunakan turunan parsial kedua, sehingga
memerlukan perhitungan yang cukup rumit (turunan fungsi implisit).
3. Secara umum metode Simplex lebih baik dalam hal galat, tetapi diperlukan waktu
perhitungan dan iterasi yang lebih banyak dibandingkan metode Levenberg marquatdt.

10
4. Metode Levenberg Marquatdt memerlukan tebakan awal yang cukup dekat dengan
parameter sesungguhnya, sedangkan metode Nelder Meade Simpleks pada umumnya
tidak.

DAFTAR PUSTAKA

[1] E.B. William,R.C. DiPrima,1992, Elementary Differential Equations and Boundary

Value Problems,John Wiley & Sons,Inc, New York

[2] M.S. Winarko,2002, Stabilitas Global pada Model Interaksi Predator Prey di dalam
Chemostat, Jurnal Natural Volume 6 (Edisi Khusus)

[3] F.R. Giordano, M.D.Weir, W.P. Fox, 2003, A First Course in Mathematical
Modeling, Brooks/Cole, USA.

[4] Rui Xu, M.A.J. Chaplain, F.A. Davidson, 2004, Periodic Solution of a Delayed
Predator-Prey Model with Stage Structure for Predator, Journal of Applied
Mathematics, Volume 3 hal 255-270

[5] Lin Y., Stadtherr M.A., 2005, Global Optimization for Parameter Estimation in
Dynamic Systems, http://aiche.confex.com/aiche/2005/techprogram/P15751.HTM

[6] N. Yildirim,F. Akcay, H.Okur, D. Yildirim,2003, Parameter Estimation of Nonlinear

Models in Biochemistry: a Comparative Study on Optimization Methods, Applied
Mathematics and Computation, volume 140, hal 29-36

[7] G.J. Borse,1997, Numerical Methods with Matlab,PWS Publishing Company, Boston

[8] H.P. William, T.V. William,S.A. Teukolsky, B.P. Flannery, 1992, Numerical Recipes
in Fortran, Cambridge University Presss, USA

11
LAMPIRAN 1.

80

70

60

50

40

30

20

10
0 10 20 30 40 50 60 70 80

Gambar 3.3.3 Pencocokan nilai awal estimasi dengan

a= 0.2, b = 0.005, c = 0.4 dan d = 0.01 terhadap data

70

65

60

55

50

45

40

35

30

25

20
0 10 20 30 40 50 60 70 80

Gambar 3.3.4 Hasil estimasi terhadap data

12
LAMPIRAN 2.

200

180

160

140

120

100

80

60

40

20

0
0 10 20 30 40 50 60 70 80

Gambar 3.3.5 Pencocokan nilai awal estimasi dengan

a= 0.2, b = 0.005, c = 0.1 dan d = 0.01 terhadap data

70

65

60

55

50

45

40

35

30

25

20
0 10 20 30 40 50 60 70 80

Gambar 3.3.6 Hasil estimasi terhadap data

13
14
[8] J. Timmer, W. Horbelt, M. Bunner, R. Meucci dan M. Ciofini, Estimating Parameters
in Differential Equations with Application to Laser Data, …………………….untuk laporan

15