Kelas J

LAPORAN PRAKTIKUM
KOMPUTASI STATISTIKA
Modul 5 & 6 : Metode Maksimum Likelihood & Numerical Optimization

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa
Dinda Ardhia 21611116 22 Juni 2023
Ramadhani Kusuma

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Alivia Ayudhi A
Yulia Anggi Anjelina

Dina Tri Utari, S.Si.,

M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2023
Daftar Isi

Halaman sampul ....................................................................................................... i

1 Pendahuluan .................................................................................................... 4
1.1 Metode Maksimum Likelihood ................................................................ 4
1.1.1 Fungsi Likelihood ............................................................................. 4
1.2 Numerical Optimization ........................................................................... 4
1.2.1 Metode Golden Search Ratio ............................................................ 5
2 Deskripsi Kerja................................................................................................ 6
2.1 Studi Kasus ............................................................................................... 6
2.2 Langkah Kerja .......................................................................................... 6
3 Pembahasan ................................................................................................... 11
3.1 Studi Kasus Nomor 1 ............................................................................. 11
3.1.1 Studi kasus Nomor 1a ..................................................................... 11
3.1.2 Studi kasus Nomor 1b ..................................................................... 12
3.2 Studi Kasus Nomor 2 ............................................................................. 13
3.3 Studi Kasus Nomor 3 ............................................................................. 15
4 Penutup.......................................................................................................... 17
4.1 Kesimpulan ............................................................................................. 17
5 Daftar Pustaka ............................................................................................... 19

ii
Daftar Gambar

Gambar 2.1. Shortcut RStudio. .............................................................................. 6

Gambar 2.2. Tampilan awal dan R console kosongan di RStudio. ........................ 6
Gambar 2.3. Sintaks untuk instal dan aktifkan packages. ..................................... 7
Gambar 2.4. Sintaks untuk memanggil angka acak 1a. ......................................... 7
Gambar 2.5. Sintaks membuat definisi nilai distribusi eksponensial. ................... 7
Gambar 2.6. Sintaks membuat fungsi MLE 1a. .................................................... 7
Gambar 2.7. Sintaks membuat ringkasan nilai dari MLE 1a................................. 7
Gambar 2.8. Sintaks untuk memanggil angka acak 1b.......................................... 8
Gambar 2.9. Sintaks untuk membuat fungsi MLE 1b. .......................................... 8
Gambar 2.10. Sintaks membuat ringkasan nilai dari MLE 1b. ............................. 8
Gambar 2.11. Sintaks untuk mengevaluasi fungsi f(x) studi kasus 2. ................... 8
Gambar 2.12. Sintaks untuk membuat kurva studi kasus 2. .................................. 8
Gambar 2.13. Sintaks membuat fungsi metode GSR studi kasus 2. ..................... 9
Gambar 2.14. Sintaks menampilkan hasil dari GSR. ............................................ 9
Gambar 2.15. Sintaks untuk mengevaluasi fungsi f(x) studi kasus 3. ................... 9
Gambar 2.16. Sintaks untuk membuat kurva studi kasus 3. ................................ 10
Gambar 2.17. Sintaks membuat fungsi metode GSR studi kasus 3. ................... 10
Gambar 2.18. Sintaks untuk menampilkan hasil dari GSR studi kasus 3. .......... 10
Gambar 3.1. Data saratogaHouse. ...................................................................... 12
Gambar 3.2. Hasil nilai metode maksimum likelihood 1b .................................. 13
Gambar 3.3. Hasil garis kurva interval [2, -2] ..................................................... 14
Gambar 3.4. Hasil perhitungan dengan GSR studi kasus 2. ................................ 15
Gambar 3.5. Hasil untuk garis kurva interval [0, 4]. ........................................... 15
Gambar 3.6. Hasil perhitungan GSR studi kasus 3. ............................................ 16

iii
1 Pendahuluan

1.1 Metode Maksimum Likelihood

Metode estimasi kemungkinan maksimum (maximum likelihood estimation, MLE)
merupakan salah satu cara untuk menaksir atau mengestimasi parameter populasi yang tidak
diketahui. Dalam prosesnya, metode ini berupaya menemukannilai estimator bagi parameter
yang dapat memaksimalkan fungsi likelihood (Long, 2020).
Maximum Likelihood Estimation (MLE) merupakan sebuah metode yang digunakan
untuk memperkirakan parameter-parameter pada model statistik, yang diberikan melalu
pengamatan-pengamatan. MLE berupaya untukmenemukan nilai parameter yang dapat
memaksimalkan fungsi likelihood, berdasarkan pengamatan-pengamatan yang telah
dilakukan. Ide dasar dari metode maksimum likelihood adalah mencari nilai parameter yang
memberi kemungkinan (likelihood) yang paling besar untuk mendapatkan data yang
terobservasi sebagai estimator (Vinashaw, 2016).
1.1.1 Fungsi Likelihood
Misalkan 𝑥1, … , 𝑥𝑛 adalah sampel acak dengan fungsi kepadatan gabungannya(joint
pdf) yaitu 𝑓(𝑥1, … , 𝑥𝑛; 𝜃). Fungsi kepadatan gabungan ini disebut sebagai fungsi likelihood
dan dinotasikan dengan 𝐿(𝜃, 𝑥). Jadi, jika 𝑥1, … , 𝑥𝑛 menyatakansampel acak (random sample)
dari 𝑓(𝜃, 𝑥) maka
𝐿(𝜃, 𝑥) = 𝖦 𝑓(𝑥𝑖 , 𝜃)
𝑖=1

Secara aljabar, fungsi likelihood 𝐿(𝜃, 𝑥) sama dengan distribusi 𝑓(𝜃, 𝑥), tetapi artinya
sedikit berbeda karena 𝑓(𝜃, 𝑥) merupakan fungsi dari 𝑥, sedangkan fungsi likelihood 𝐿(𝜃, 𝑥)
merupakan fungsi dari 𝜃. Akibatnya, grafik suatu fungsi likelihoodbiasanya tampak sangat
berbeda dari grafik distribusi peluang.
1.2 Numerical Optimization
Optimasi merupakan suatu proses untuk mecari kondisi yang optimum, dalam arti
paling maksimal, atau paling minimal. Optimasi dapat dilakukan dengan meminimumkan
atau memaksimumkan suatu fungsi. Banyak sekali pemrograman statistika yang
menggunakan fungsi optimasi sebagai contoh dalam pendugaan paramater. Pendugaan
parameter dengan cara meminimumkan contohnya adalah dalam regresi linier yang
meminimumkan jumlah kuadrat sisaan. Pendugaan parameter dengan cara
memaksimumkan contohnya adalah dengan metode Maximum Likelihood Estimator.
Konsep materi yang ditekankan adalah konsep optimasi numerik meminimumkan/
4
memaksimumkan fungsi tujuan.
Mendapatkan nilai optimum dari suatu fungsi merupakan suatu teknik optimasi
numerik. Optimasi dapat dilakukan pada satu variabel atau pun lebih dari satu variabel.
Fungsi dengan satu variabel, misalkan 𝑦 = 𝑓(𝑥), kemudian akan dicari nilai 𝑥 yang
memaksimumkan/ meminimumkan nilai 𝑦. Sehingga, 𝑥 yang diperoleh merupakan nilai 𝑥
yang paling optimum. Beberapa metode yang dapat dilakukan untuk optimasi satu variabel
adalah metode golden section search, metode newton raphson. Fungsi dengan banyak
variabel, misalkan 𝑦 = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛, kemudian akan dicari nilai 𝑥𝑖 yang meminimumkan
fungsi 𝑦 (Amazon, 2021).
1.2.1 Metode Golden Search Ratio
Pada umumnya, algoritma Golden Section digunakan untuk menyelesaikan NLP
(Non-Linier Programming) satu variabel yang berbentuk: Maksimasi atau Minimasi : f(x),
Dengan kendala : a ≤ x ≤ d. Algoritma ini menggunakan prinsipmengurangi daerah batas x
yang mungkin menghasilkan harga fungsi obyektif optimum (maksimum atau minimum)
secara iteratif (berulang). Untuk mendapatkan sebuah titik baru yang simetris, dibutuhkan
nilai r (Golden Ratio) (Mahkya, Tasin, & Mukid, 2014).
Golden section merupakan salah satu cara atau metode optimasi numerik yang dapat
diterapkan untuk fungsi yang bersifat unimodal. Kedua tipe optimasi, yaitu maksimasi dan
minimasi dapat diselesaikan dengan cara ini. Golden-section (search) method merupakan
metode optimasi satu variabel yang sederhana, dan mempunyai pendekatan yang mirip
dengan metode bisection dalam penentuan akarpersamaan tak linier. (Diyarkholisoh, 2008)

5
2 Deskripsi Kerja

2.1 Studi Kasus

1. Carilah estimasi parameter dan nilai likelihood untuk:
a. Distribusi Eksponential dengan parameter sama dengan satu digit
terakhir NIM anda dan jumlah observasi sama dengan tahun lahir anda
(empat digit).
b. Distribusi Geometri dengan nilai probabilitas sama dengan 0.5 dan
jumlah observasi dengan tahun lahir anda (empat digit)
2. Minimumkan fungsi 𝑓(𝑥) = 𝑥 4 − 3𝑥 2 + 𝑥 + 1 menggunakan metode
golden search ratio pada interval [-2, 2].
𝑥
3. Minimumkan fungsi 𝑓(𝑥) = 10 − 2 𝑠𝑖𝑛 𝑥 menggunakan metode golden

search ratio pada interval dari 𝑥𝑡 = 0 sampai 𝑥𝑢 = 4

2.2 Langkah Kerja
Pada bagian langkah kerja ini, praktikan akan menjelaskan mengenai
langkah-langkah apa saja yang perlu dilakukan dalam menyelesaikan studi kasus
pada laporan ini.
1. Pertama-tama, untuk menyelesaikan studi kasus, praktikan menggunakan
RStudio dengan shortcut seperti di bawah ini.

Gambar 2.1. Shortcut RStudio.

2. Setelah Rstudio dibuka maka akan muncul tampilan awal dan kosongkan
R console dengan mengklik ctrl-L seperti di bawah ini.

Gambar 2.2. Tampilan awal dan R console kosongan di RStudio.

6
3. Setelah itu praktikan meng-install dan memanggil package yang akan
digunakan untuk mengerjakan studi kasus dengan sintaks seperti di
bawah ini.

Gambar 2.3. Sintaks untuk instal dan aktifkan packages.

4. Untuk studi kasus nomor 1, praktikan diminta untuk mencari estimasi
parameter dan nilai likelihood untuk distribusi Eksponensial dengan
parameter satu digit NIM terakhir, dan jumlah observasi empat digit tahun
lahir. Untuk itu pertama-tama praktikan akan memanggil angka acak,
digunakan sintaks seperti gambar di bawah ini.

Gambar 2.4. Sintaks untuk memanggil angka acak 1a.

5. Kemudian praktikan membuat definisi nilai dari distribusi eksponensial,
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.5. Sintaks membuat definisi nilai distribusi eksponensial.

6. Selanjutnya praktikan membuat fungsi untuk menghitung nilai rata-rata
MLE dan standar deviasi untuk distribusi Eksponensial, dengan
menggunakan sintaks seperti dibawah ini.

Gambar 2.6. Sintaks membuat fungsi MLE 1a.

7. Lalu praktikan membuat ringkasan nilai dari MLE distribusi eksponensial,
digunakan sintaks seperti di bawah ini.

Gambar 2.7. Sintaks membuat ringkasan nilai dari MLE 1a.

8. Setelah itu pada studi kasus nomor 1b praktikan diminta untuk mencari
estimasi parameter dan nilai likelihood untuk distribusi Geometri dengan

7
 jumlah observasi sama dengan tahun lahir. Maka untuk itu pertama-tama
praktikan memanggil angka acak, digunakan sintaks seperti di bawah ini.

Gambar 2.8. Sintaks untuk memanggil angka acak 1b.

9. Selanjutnya praktikan membuat fungsi untuk menghitung nilai
loglikelihood dari distribusi Eksponensial dengan jumlah observasi
berdasarkan taun lahir praktikan, digunakan sintaks seperti di bawah ini.

Gambar 2.9. Sintaks untuk membuat fungsi MLE 1b.

10. Kemudian praktikan akan menampilkan hasil dari perhitungan
loglikelihood, digunakan sintaks seperti di bawah ini.

Gambar 2.10. Sintaks membuat ringkasan nilai dari MLE 1b.

11. Pada studi kasus nomor 2 praktikan diminta untuk meminimumkan fungsi
menggunakan metode Golden Search Ratio pada intrerval [-2,2]. Maka
untuk itu pertama-tama praktikan akan mengevaluasi fungsi f(x)dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.11. Sintaks untuk mengevaluasi fungsi f(x) studi kasus 2.

12. Selanjutnya praktikan membuat kurva untuk mencek apakah fungsi
tersebut mempunyai minimizer tunggal pada interval yang ditentukan,
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.12. Sintaks untuk membuat kurva studi kasus 2.

8
13. Lalu praktikan menghitung nilai minimizer pada fungsi f(x) dengan
metode golden search ratio, dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.13. Sintaks membuat fungsi metode GSR studi kasus 2.

14. Kemudian praktikan memanggil hasil dari perhitungan metode golden
search, dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.14. Sintaks menampilkan hasil dari GSR.

15. Pada studi kasus nomor 3 masih sama seperti studi kasus 2, praktikan
diminta untuk meminimumkan fungsi f(x) menggunakan metode golden
search ratio. Maka untuk itu pertama-tama praktikan akan mengevaluasi
fungsi f(x), dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.15. Sintaks untuk mengevaluasi fungsi f(x) studi kasus 3.

16. Selanjutnya praktikan membuat kurva untuk mencek apakah fungsi
tersebut mempunyai minimizer tunggal pada interval yang ditentukan,
dengan menggunakan sintaks seperti di bawah ini.

9
 Gambar 2.16. Sintaks untuk membuat kurva studi kasus 3.
17. Lalu praktikan menghitung nilai minimizer pada fungsi f(x) dengan
metode golden search ratio, dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.17. Sintaks membuat fungsi metode GSR studi kasus 3.

18. Kemudian praktikan memanggil hasil dari perhitungan metode golden
search, dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.18. Sintaks untuk menampilkan hasil dari GSR studi kasus 3.

10
3 Pembahasan

Sebelum menyelesaikan studi kasus yang diberikan praktikan terlebih dahulu

meng-install packages yang diperlukan dan mengaktifkan packages tersebut.
Packages yang digunakan adalah packages stats4 yang dimana packages ini untuk
menyediakan fungsi-fungsi yang berkaitan dengan estimasi parameter statistik dan
inferensi statistik salah satu contohnya adalah fungsi MLE, digunakan juga
packages MASS menyediakan berbagai alat dan metode statistik yang berguna
untuk analisis data terapan, pemodelan, dan penelitian..
3.1 Studi Kasus Nomor 1
3.1.1 Studi kasus Nomor 1a
Pada studi kasus nomor 1 bagian a ini, praktikan diminta untuk mencari
nilai likelihood untuk distribusi Eksponensial dengan parameter sama dengan
satu digit terakhir NIM praktikan dan jumlah observasi sama dengan tahun lahir.
Maka untuk itu pertama-tama praktikan akan memanggil angka acak
menggunakan sintaks set.seed(10) yang dimana sintaks ini berfungsi untuk
mengatur biji (seed) generator angka acak untuk memastikan bahwa hasil yang
sama dapat diperoleh setiap kali kode dijalankan dengan menggunakan seed yang
sama. Kemudian praktikan membuat fungsi xexp=rexp(n=2003, rate=6)
yang dimana perintah rexp() berfungsi untuk menghasilkan angka secara acak
dari distribusi eksponensial, lalu n menunjukkan jumlah observasi, dan rate
menunjukkan parameter dari distribusi eksponensial. Selanjutnya praktikan
membuat fungsi untuk menghitung nilai rata-rata MLE dan standar deviasi untuk
distribusi Eksponensial, maka praktikan menggunakan sintaks seperti pada
Gambar 2.6 yang dimana fungsi (-n*log(rate)+rate*sum(x) adalah untuk
menghitung nilai loglikelihood. Selanjutnya praktikan melakukan estimasi
parameter distribusi Eksponensial dengan MLE menggunakan sintaks
estexp=mle(minuslogl=lexp, start=list(rate=6)) yang dimana pada
perintah minuslogl=lexp berfungsi untuk menghitung fungsi logaritma minus
log- likelihood, fungsi minus log-likelihood digunakan karena biasanya
optimisasi dilakukan dengan mencari minimum dari fungsi tujuan, lalu Argumen

11
start adalahdaftar (list) yang berisi nilai awal untuk parameter dalam model
yang berarti kita memulai estimasi MLE dengan nilai awal parameter tingkat
kejadian (rate) sebesar 6. Kemudian praktikan akan menampilkan hasil dari
perhitungan MLE menggnakan sintaks summary(estexp). Setelah semua
sintaks dimasukkan, klik run dan akan muncul hasil sebagai berikut.

Gambar 3.1. Data saratogaHouse.

Berdasarkan hasil di atas dapat dilihat bahwa MLE estimasi untuk parameter
rate pada distribusi eksponensial adalah 5.958506 dengan standar error 0.1331364
dan output likelihood sebesar -3143.988 yang berarti estimasi parameter distribusi
eksponensial yang dibuat memiliki tingkat kesesuaian yang baik dengan data
observasi.
3.1.2 Studi kasus Nomor 1b
Pada studi kasus bagian b praktikan diminta untuk mencari estimasi
parameter dan nilai likelihood untuk Distribusi Geometri. Maka masih sama seperti
sebelumnya pertama-tama praktikan memanggil angka acak menggunakan sintaks
set.seed(10). Lalu praktikan membuat fungsi untuk menghitung nilai MLE
menggunakan sintaks seperti pada Gambar 2.9, yang dimana sintaks prob <-
0.05 menunjukkan nilai probabilitasnya sejumlah 0.05, lalu sintaks n_observasi
<- 2003 menunjukkan jumlah observasinya yaitu sebanyak 2003, lalu
rgeom(n_observasi, prob = prob) yang dimana fungsi rgeom() adalah untuk
menghasilkan sampel acak dari distribusi geometris, kemudian fungsi est_prob <-
1 / (mean(observasi) + 1) adalah perintah untuk mengistimasi probabilitas
tersebut dengan membalikkan rata-rata observasi dan menambahkan 1 untuk
memperhitungkan kemungkinan keberhasilan pada percobaan pertama, selanjutnya
fungsi log_likelihood <- sum(log(dgeom (observasi, prob = est_prob))

12
yang dimana sintaks tersebut berfungsi untuk menghitung probabilitas distribusi
Geometri dengan menggunakan estimasi probabilitas dan observasi yangdihasilkan
sebelumnya, dan sintaks return(list()) berfungsi untuk mengembalikan hasil
estimasi dalam bentuk daftar dengan estimasi probabilitas dan nilai log-likelihood
sebagai elemen-elemennya. Kemudian untuk melihat hasil perhitungan MLE
praktikan menggunakan sintaks print(hasil), lalu run semua sintaks dan akan
muncul hasil sebagai berikut ini.

Gambar 3.2. Hasil nilai metode maksimum likelihood 1b

Berdasarkan hasil di atas, diperoleh nilai estimasi parameter probabilitas
distribusi Geometri sebesar 0.05010256 dan nilai log-likelihood nya ialah sebesar -
7948.31. Hal ini berarti bahwa nilai estimasi probabilitas yang mendekati nilai
probabilitas yang diberikan (0.05) dan nilai log-likelihood yang cukup rendah yaitu
menunjukkan bahwa model distribusi Geometri dengan probabilitas 0.05 dan
jumlah observasi 2003 relatif sesuai dengan data observasi yang dihasilkan.
3.2 Studi Kasus Nomor 2
Pada studi kasus nomor 2 ini, praktikan diminta untuk meminimumkan fungsi
𝒇(𝒙) = 𝒙𝟒 − 𝟑𝒙𝟐 = 𝒙 = 𝟏 pada interval [-2,2] menggunakan metode Golden Search
Ratio. Sehingga pertama-tamapraktikan membuat perintah untuk mendefinisikan
fungsi f(x) dengan sintaks f = function(x){return(x^4-3*x^2+x+1)}. Lalu
praktikan membuat kurva untuk memastikan apakah fungsi tersebut mempunyai
minimizer tunggal pada interval yang telah ditentukan menggunakan sintaks
curve(f, from = -2, to = 2) yandimana sintaks tersebut berfungsi untuk
membuat kurva dengan interval dari -2 sampai 2. Setelah semua sintaks
dimasukkan, klik run dan hasilnya akan terlihat seperti di bawah ini.

13
 Gambar 3.3. Hasil garis kurva interval [2, -2]
Berdasarkan hasil di atas dapat diketahui bahwa minimizer atau titik yang
membuat fungsi tersebut mempunyai nilai minimum pada variable x sebesar
kurang lebih - 1.3.
Selanjutnya praktikan akan menghitung nilai minimizer pada fungsi f(x)
dengan metode Golden Search Ratio menggunakan sintaks pada Gambar 2.13,
yang dimana sintaks gr = 2/(sqrt(5)+1) merupakan rumus dari Golden Ratio,
lalu x1 dan x2 berfungsi untuk menentukan dua titik awal dalam interval, lalu
padasintaks if() berfungsi untuk menentukan letak titik yang meminimumkan
fungsi,jika f1<f2 maka interval optimum berada di sebelah kiri interval awal.
Lalu pada sintaks else() berlaku sebaliknya yaitu jika f1>f2 maka interval
optimum berada di sebelah kanan interval awal. Kemudian praktikan
mengembalikan nilai optimum yang ditemukan dan dihitung sebagai rata-rata
antara a dan b menggunakan sintaksreturn((a + b)/2). Setelah itu praktikan
memanggil fungsi Golden Search untuk mencari nilai minimum menggunakan
sintaks result = golden(f, -2, 2, 0.0000001) yang dimana -2,2
menunjukkan batas interval bawah dan atasnya, lalu 0. 0000001 merupakan nilai
epsilon. Lalu untuk mengetahui hasilnya praktikan menggunakan sintaks
print(result). Setelah memasukkan sintaks tersebut klik run dan hasilnya

14
akan muncul seperti berikut ini.

Gambar 3.4. Hasil perhitungan dengan GSR studi kasus 2.

Berdasarkan hasil di atas dapat diketahui bahwa nilai yang meminimumkan
fungsi pada studi kasus ini adalah -1.30084.
3.3 Studi Kasus Nomor 3
Untuk studi kasus nomor 3, praktikan diminta untuk meminimumkan
fungsi seperti yang terdapat pada studi kasus 3 dengan menggunakan metode
Golden Search Ratio. Maka untuk itu pertama-tama praktikan membuat perintah
untuk mendefinisikan fungsi f(x) dengan sintaks f = function(x) { return
(x/10)-(2*sin(x)}. Lalupraktikan membuat kurva untuk memastikan apakah
fungsi tersebut mempunyai minimizer tunggal pada interval yang telah
ditentukan menggunakan sintaks curve(f, from = 0, to = 4) yang dimana
sintaks tersebut berfungsi untuk membuat kurva dengan interval dari 0 sampai
4.Setelah semua sintaks dimasukkan klik run dan hasilnya akan terlihat seperti
berikut ini.

Gambar 3.5. Hasil untuk garis kurva interval [0, 4].

15
 Berdasarkan output diatas dapat diketahui bahwa minimizer atau titik yang
membuat fungsi tersebut mempunyai nilai minimum pada variabel x sebesar kurang
lebih 1.5.
Selanjutnya praktikan akan menghitung nilai minimizer pada fungsi f(x)
dengan metode Golden Search Ratio menggunakan sintaks pada Gambar 2.17,
yang dimana sintaks golden_ratio = 2/(sqrt(5)+1)merupakan rumus dari
Golden Ratio, lalu x1 dan x2 berfungsi untuk menentukan dua titik awal dalam
interval, lalu pada sintaks if() berfungsi untuk menentukan letak titik yang
meminimumkan fungsi, jika f1>f2 maka interval optimum berada di sebelah
kanan interval awal. Lalu pada sintaks else() berlaku sebaliknya yaitu jika
f1<f2 maka interval optimum berada di sebelah kiri interval awal. Kemudian
praktikan mengembalikan nilai optimum yang ditemukan dan dihitung sebagai
rata-rata antara xu dan xt menggunakan sintaks return((xu+xt) / 2)).
Setelah itu praktikan memanggil fungsi Golden Search untuk mencari nilai
minimum menggunakan sintaks hasil = golden_search_ratio(f, 0, 4,
0.0000001)yang dimana 0,4 menunjukkan batas interval bawah dan atasnya,
lalu 0. 0000001 merupakan nilai epsilon. Lalu untuk mengetahui hasilnya
praktikan menggunakan sintaks print(hasil), lalu klik run pada semua sintaks
dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.6. Hasil perhitungan GSR studi kasus 3.

Berdasarkan hasil di atas dapat diketahui bahwa nilai yang meminimumkan
fungsi pada studi kasus ini adalah -1.708204.

16
4 Penutup

4.1 Kesimpulan
Dari hasil praktik dan pembahasan pada bab-bab sebelumya praktikan dapat
mengambil beberapa kesimpulan yaitu :
1. Metode estimasi kemungkinan maksimum (maximum likelihood
estimation, MLE) merupakan salah satu cara untuk menaksir atau
mengestimasi parameter populasi yang tidak diketahui.
2. Optimasi merupakan suatu proses untuk mecari kondisi yang optimum,
dalam arti paling maksimal, atau paling minimal. Optimasi dapat
dilakukan dengan meminimumkan atau memaksimumkan suatu fungsi.
3. Berdasarkan pembahasan dari studi kasus dibab sebelumnya di dapatkan
bahwa :
• Untuk studi kasus nomor 1a, didapatkan bahwa MLE estimasi
untuk parameter rate pada distribusi eksponensial adalah
5.958506 dengan standar error 0.1331364 dan output likelihood
sebesar -3143.988 yang berarti estimasi parameter distribusi
eksponensial yang dibuat memiliki tingkat kesesuaian yang baik
dengan data observasi.
• Untuk studi kasus nomor 1b, diperoleh nilai estimasi parameter
probabilitas distribusi Geometri sebesar 0.05010256 dan nilai log-
likelihood nya ialah sebesar -7948.31. Hal ini berarti bahwa nilai
estimasi probabilitas yang mendekati nilai probabilitas yang
diberikan (0.05) dan nilai log-likelihood yang cukup rendah yaitu
menunjukkan bahwa model distribusi Geometri dengan
probabilitas 0.05 dan jumlah observasi 2003 relatif sesuai dengan
data observasi yang dihasilkan.
• Untuk studi kasus nomor 2, praktikan berhasil membuat kurva dan
didapatkanhasil bahwa minimizer atau titik yang membuat fungsi
tersebut mempunyai nilai minimum pada variable x sebesar
kurang lebih -1.3. Lalu pada perhitungan dengan metode Golden

17
 Search Ratio didapatkan hasil bahwa nilai yang meminimumkan
fungsi adalah -1.30084.
• Untuk studi kasus nomor 3, praktikan berhasil membuat kurva
dan didapatkanhasil bahwa minimizer atau titik yang membuat
fungsi tersebut mempunyai nilai minimum pada variable x
sebesar kurang lebih 1.5. Lalu pada perhitungan dengan metode
Golden Search Ratio didapatkan hasil bahwa nilai yang
meminimumkan fungsi adalah -1.708204

18
5 Daftar Pustaka

Amazon. (2021, April 5). Optimasi Secara Numerik. From amazonaws.

com:https://rstudio-pubs static.s3.amazonaws.com/744557_0ac123ec095f41
fca1592ee25ac38c23.html#
Diyarkholisoh. (2008, April). Optimasi Numerik. From diyarkholisoh.files.wordp
ress.com:chrome- extension://efaidnbmnnnibpcajpcglclefindmkaj/https://
diyarkholisoh.files.wordpre ss.com/2008/12/optimasi-numerik-docdy.pdf
Long, T. J. (2020, Juli). Metode Maksimum Likelihood (Maximum Likelihood
Estimation, MLE). Retrieved from jagostat.com:
https://jagostat.com/statistika-
matematika-2/metode-maksimum likelihood
Vinashaw. (2016, Juni). Apa yang dimaksud dengan Maximum Likelihood
Estimation. Retrieved from www.dictio.id: https://www.dictio.id/t/apa-
yang-dimaksud- dengan-maximum-likelihood-estimation/116526

19