Professional Documents
Culture Documents
Dinda Ardhia Ramadhani Kusuma - Laporan 3 Komstat
Dinda Ardhia Ramadhani Kusuma - Laporan 3 Komstat
LAPORAN PRAKTIKUM
KOMPUTASI STATISTIKA
Modul 5 & 6 : Metode Maksimum Likelihood & Numerical Optimization
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2023
Daftar Isi
ii
Daftar Gambar
iii
1 Pendahuluan
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
6
3. Setelah itu praktikan meng-install dan memanggil package yang akan
digunakan untuk mengerjakan studi kasus dengan sintaks seperti di
bawah ini.
7
jumlah observasi sama dengan tahun lahir. Maka untuk itu pertama-tama
praktikan memanggil angka acak, digunakan sintaks seperti di bawah ini.
8
13. Lalu praktikan menghitung nilai minimizer pada fungsi f(x) dengan
metode golden search ratio, 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 2.18. Sintaks untuk menampilkan hasil dari GSR studi kasus 3.
10
3 Pembahasan
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.
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.
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.
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.
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
19