Jurnal Matematika Vol 1 No 1 Januari 2013

DAFTAR ISI
Annas Riezki Romadhoni, Toha Saifudin, Eko Tjahjono Ardi Wahyu Asari, Eko Tjahjono, Sediono
Estimasi Parameter Distribusi Loglogistik pada Data Tersensor Progressive Tipe II dengan Menggunakan Algoritma EM Pendekatan Regresi Cox Proporsional Hazard dalam Penentuan Faktor Faktor yang Berpengaruh terhadap Lama Studi
(1-10)
Mahasiswa S-1 Matematika di Universitas Airlangga Athoillah, Sediono, Suliyanto Estimasi Parameter Model Time Series Regression Dengan Noise ARMA(p) dan ARCH(r)-Mean Menggunakan Metode Maximum Likelihood Estimasi Model Regresi Nonparametrik Multivariat berdasarkan Estimator Polinomial Lokal Orde Dua
(11-18)
(19-28)
Dyah Widiantini, Suliyanto, Eko Tjahjono
(29-39)
Muh.Harun Ar Rosyid Herry Suprajitno, Miswanto
Algoritma Ant Colony Optimization (ACO) dengan Mutasi dan Local Search Untuk
Menyelesaikan Vehicle Routing Problem
(40-49)
Muhammad Safiq Ubay, Auli Damayanti, Herry Suprajitno Marisa, Herry Suprajitno, Auli Damayanti Michelle Purwagani, Inna Kuswandari, Yayuk Wahyuni Novita Adelia, Nenik Estuningsih , Yayuk Wahyuni Siti Maisyaroh, Eridani, Miswanto
Peramalan HargaSaham Dengan Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine Genetic Algorithm Untuk Menyelesaikan Fuzzy Multi-Objective Job Shop Scheduling Problem
(50-56)
(57-66)
GRUP NON-ABELIAN YANG ABELIAN SECARA GRAFIS (67-73) Rank Matriks Adjacency dari Graf
(74-79)
Sifat Jarak pada Ruang Metrik

(80-89)
Umi Lailatul Muyassaroh, ,
Miswanto
Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS) sebagai Metode Penyelesaian Uncapacitated Facility Location Problem (UFLP) Analisis dan Kontrol Optimal pada Model Penyebaran Virus HIV dalam Tubuh Manusia
(90-100)
Wheni Sukokarlinda, Fatmawati, Yayuk Wahyuni Zahrotul Ummah, Suliyanto, Sediono
(101-109)
Estimasi Model Linier Tergeneralisasi Gaussian Berdasarkan Maximum Likelihood Estimator Dengan Menggunakan Algoritma Fisher Scoring
(110-120)
Ahmad Zuda Kumala Sani, Toha Saifudin, Eko Tjahjono Sandy Fauzi, Toha Saifudin, Suliyanto
Estimasi Parameter Distribusi Exponentiated Eksponensial Pada Data Tersensor Tipe II (121-129) Estimasi Model Regresi Poisson Menggunakan Metode Iteratively Reweighted Least Square (130-148)
KATA PENGANTAR
Jurnal Matematika merupakan jurnal yang memuat hasil penelitian mahasiswa, dosen atau peneliti atau pemerhati dalam bidang matematika dan statistika atau yang berhubungan dengan kedua bidang tersebut. Jurnal Matematika terbit setahun dua kali dan desember 2012 merupakan terbitan pertama. Pada penerbitan yang pertama ini, jurnal matematika memuat artikel mahasiswa yang merupakan bagian dari skripsi mahasiswa. Oleh karena itu, pada penerbitan selanjutnya redaksi mengharapkan dapat menerima artikel dari hasil penelitian dosen atau peneliti. Besar harapan kami semoga Jurnal Matematika ini dapat menjadi sarana komunikasi yang efektif untuk semua pihak yang berkepentingan dalam pengembangan ilmu pengetahuan khusunya matematika dan statistika.
Dewan Redaksi
1.Ketua Dewan Redaksi : 2.Wakil Dewan Redaksi : 3. Anggota :
Dr.Miswanto,M.Si Drs.Eko Tjahjono,M.Si Dr.Fatmawati,M.Si Sumilan
Estimasi Parameter Distribusi Loglogistik pada Data Tersensor Progressive Tipe II dengan Menggunakan Algoritma EM
Annas Riezki Romadhoni, Toha Saifudin, Eko Tjahjono Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga Kampus C Jl. Mulyorejo, Surabaya annasriezki@gmail.com
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 Mstep. 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 = is {0,0,3,0,3,0,0,5} where = 1,2, , then obtained the estimator value of parameter for is 6,526 and for 1,108. Keywords : Loglogistic distribution, Progressive Type II Censored, Maximum Likelihood Estimator, EM Algorithm
Pendahuluan
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 [1]. Bentuk pengujian data tahan hidup adalah pengujian waktu tahan hidup suatu komponen pada saat digunakan hingga mati atau ketika pasien terjangkit penyakit hingga meninggal. Jika semua benda atau individu diuji sampai terjadinya kematian atau kegagalan maka disebut sampel lengkap. Metode tersebut mempunyai keuntungan yaitu semua komponen dapat teramati. Tetapi metode
Jurnal Matematika-FST Unair 2012
2 tersebut juga mempunyai kelemahan diantaranya yaitu waktu yang 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 mana 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. Penyensoran progressive tipe II adalah pengamatan terhadap sampel dengan kegagalan yang diamati dengan syarat 1 bilangan bulat, sedemikian sehingga pada saat terjadi kegagalan yang pertama, 1 dari unit yang survive secara acak dikeluarkan dari pengamatan, sedangkan pada pengamatan kegagalan yang kedua, 2 unit penelitian yang survive secara acak dikeluarkan lagi. Penelitian ini berhenti pada saat kegagalan diamati dan ini berarti = 1 2 1 unit yang survive semua dikeluarkan [5].
Untuk menganalisis dan mempresentasikan data uji hidup maka diperlukan suatu distribusi. Sehingga analisis terhadap data uji hidup dapat dilakukan secara parametrik. Data yang digunakan dalam penelitian berupa waktu yang bertipe kontinu, sehingga distribusi probabilitas yang digunakan adalah bertipe kontinu. Distribusi Loglogistik adalah distribusi yang biasa digunakan dalam analisis data tahan hidup karena logaritma natural dari variabel-variabel tahan hidupnya terdistribusi secara logistik [2]. 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[2]. Pada penulisan skripsi ini juga disertakan program untuk mencari estimasi parameter distribusi Loglogistik menggunakan software Matematica. Selanjutnya dilakukan penerapan pada data waktu terurainya isolator zat cair pada tegangan 34 KV yang didapatkan dari jurnal yang sama. 2 Distribusi Loglogistik
Pada [2], distribusi Loglogistik adalah distribusi yang biasa digunakan dalam analisis data tahan hidup karena logaritma dari variabel-variabel tahan hidupnya berdistribusi Logistik. Adapun fungsi kepadatan peluang (fkp) distribusi Loglogistik dengan parameter skala dan parameter bentuk sebagai berikut:
() =
1 +
> 0, > 0, > 0
(1)
Sampel Lengkap
Pada [4], pada sampel lengkap percobaan uji hidup dilakukan sampai semua individu atau benda mengalami kematian atau kegagalan. Adapun fungsi likelihood dari 1 , 2 , , adalah : 4 Sampel Progressive Tipe II
(; ) = ( , )
=1
(2)
Pada [5], penyensoran progressive tipe II adalah pengamatan terhadap sampel dengan kegagalan yang diamati dengan syarat 1 bilangan bulat, sedemikian sehingga pada saat terjadi kegagalan yang pertama, 1 dari unit yang survive secara acak dikeluarkan dari pengamatan, sedangkan pada pengamatan kegagalan yang kedua, 2 unit penelitian yang survive secara acak dikeluarkan lagi. Penelitian ini berhenti pada saat kegagalan diamati dan ini berarti = 1 2 1 unit yang survive semua dikeluarkan.
Maximum Likelihood Estimator
Jika fungsi kepadatan peluang bersama tersebut dinyatakan sebagai fungsi terhadap maka dinamakan fungsi likelihood yang dinotasikan atau ditulis sebagai berikut (; 1 , 2 , , ) = (1 ; ). (2 ; ). . ( ; ) (4) dengan .
Pada [3], Misalkan 1 , 2 , , merupakan peubah acak yang saling bebas dan berdistribusi identik dengan fungsi kepadatan peluang ( , ), untuk . Fungsi kepadatan peluang bersama antara 1 , 2 , , adalah (3) (1 , 2 , , ; ) = (1 ; ). (2 ; ). . ( ; )
= (1 , 2 , , ) dinamakan Maximum Likelihood Estimator (MLE) dari bila statistik Statistik = (1 , 2 , , ) memaksimumkan (; 1 , 2 , , ), .
Algoritma EM
Pada [2], algoritma EM merupakan metode yang sangat tepat digunakan dalam menangani masalah
mengenai data yang hilang atau dalam hal ini yaitu data tersensor. Misalkan adalah vektor acak data lengkap. Pada data lengkap , = (1: , 2: , , : ) memuat data yang teramati = (1 :: ) yang merupakan suatu vektor yang memuat nilai waktu hidup saat :: , 2:: , , terjadinya kegagalan dari pengamatan terhadap sampel dengan kegagalan yang diamati, dan data yang tidak teramati = (1 , 2 , , ) yang merupakan suatu vektor data yang survive
4 atau dianggap sebagai data tersensor, dimana adalah vektor 1 dengan = (1 , 2 , , ) untuk = 1,2,3, , .
Fungsi log likelihood untuk data lengkap dinotasikan (; ). Algoritma EM terdiri dari dua tahap yaitu tahap E dan tahap M. Pada tahap E algoritma yang diperlukan yaitu perhitungan ekspektasi bersyarat [(, () )| = , (+1) ]. Tahap berikutnya adalah tahap M (maksimasi) yang digunakan untuk mendapatkan (+1) dengan cara memaksimumkan ekspektasi log likelihood yang sudah dihitung pada tahap E atau memaksimumkan ekspektasi bersyarat [(, () )| = , (+1) ]. (+1) berikutnya diperoleh secara iteratif mengulangi tahap E dan M sampai proses konvergen, dengan menyatakan suatu iterasi.
Metode Penelitian
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 = ln , = ln dan = 1 agar diperoleh distribusi Logistik. c. Menentukan fkp dari distribusi Logistik. (; , ) = , , + 2 1 + d. Menentukan fungsi likelihood pada data lengkap dari fkp distribusi Logistik yaitu : e. f. g. Mengubah fungsi likelihood menjadi bentuk logaritma natural yaitu (, ) = ln (, ) Mempartisi ln likelihood data lengkap menjadi data yang teramati dan data yang tidak teramati. Menentukan nilai maksimum dari fungsi ln likelihood dengan cara mendiferensialkan secara parsial terhadap parameter distribusi Loglogistik yaitu (, ) (, ) = 0 dan =0 Tahap Ekspektasi Menghitung ekspekasi bersyarat dari ln likelihood pada fungsi yaitu fungsi data yang tidak teramati atau tersensor progressive tipe II. 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. = Mendapatkan estimator distribusi Loglogistik dengan = exp( ) dan 1 . (, ) = ( ; , )
=1
h.
i.
j.
Membuat algoritma dan program untuk estimasi parameter dari distribusi Loglogistik pada data tersensor progressive tipe II dengan langkah-langkah sebagai berikut:
a. b.
Menginputkan data lengkap sampel tersensor progressive tipe II dengan struktur yang dinotasikan fungsi = {, }, dimana sebagai inputan data yang teramati. Menginputkan nilai estimator awal () dan () untuk = 0 Nilai estimasi awal didapatkan dari Metode Least Squares. 1. Mendapatkan fungsi survival dari distribusi Logistik ( ) 2. 3. 4.
1( ) = ( ) 1 ( ) Mendapatkan ln ( ) =
Mencari ln
c.
d.
e.
f. g. h.
5. Nilai ( ) diperoleh dari perhitungan dengan menggunakan metode Kaplan-Meier. Tahap Ekspektasi ( ) Menghitung ekspektasi dengan menggunakan estimator awal () dan () dimana menyatakan iterasi. Tahap Maksimasi (+1) dengan iterasi Newton-Raphson dari Mencari dan menghitung estimator (+1) dan persamaan yang didapatkan dari langkah c. (+1) () < maka iterasi dihentikan dan lanjut ke Jika (+1) () < dan langkah f, tapi jika nilai tersebut tidak terpenuhi maka kembali ke langkah c dengan mengganti = + 1. Mendapatkan dan sebagai estimator parameter distribusi Logistik. = Mendapatkan = exp( ) dan 1. sebagai estimator dari parameter distribusi Loglogistik pada data tersensor Tampilkan dan progressive tipe II.
Menggunakan Jumlah Kuadrat Galat (JKG) sehingga diperoleh () dan ( ) JKG =

n i=1
ln
1( ) + i ( )
i 2
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. c. Menghitung estimasi fungsi survival.
Hasil dan Pembahasan
Misalkan 1 , 2 , , adalah waktu tahan hidup dari sampel berukuran yang identik dan independen dari distribusi Loglogistik dengan parameter dan , sehingga dapat ditulis sebagai berikut: ~(, ), = 1,2,3, , Bentuk fkp dari distribusi Loglogistik adalah: () =

1 2
1+
, > 0, > 0, > 0
(5)
6 Untuk mempermudah proses estimasi, maka pada langkah ini distribusi Loglogistik akan ditransformasikan menjadi distribusi Logistik dengan = ln , = ln dan = 1. Hasil transformasi dari (5) menghasilkan fkp distribusi Logistik yaitu: ( ; , ) =
2 1+
Misalkan 1 , 2 , , adalah waktu tahan hidup dari sampel berukuran yang identik dan independen dari distribusi Loglogistik dengan parameter dan , maka 1 , 2 , , merupakan log natural dari waktu tahan hidup yang identik dan independen berdistribusi Logistik dengan parameter dan . Berdasarkan (4) dan fkp distribusi Logistik (6) maka fungsi likelihood dari distribusi Logistik adalah (, ; 1 , 2 , , ) = =1 ( ) Fungsi ln likelihoodnya adalah sebagai berikut: (, ; ) = ln 2 =1 =1 ln 1 + exp

, , +
(6)
=1
2 1+exp
exp
Fungsi ln likelihood pada data lengkap dipartisi menjadi data yang teramati yaitu = (1 :: ) dan tidak teramati yaitu = (1 , 2 , , ). :: , 2:: , , (, ; ) = ln + =1
+ =1 =1
R ::
Untuk mengestimasi parameter dan dengan Maksimum Likelihood, maka fungsi ln likelihood didiferensialkan secara parsial terhadap parameter dan . Hasilnya dapat diuraikan sebagai berikut:
(, ;)
2 =1 =1 ln 1 + exp
2 =1 ln 1 + exp
R ::
dan
= + =1 = +
2
1+exp
exp
R ::
R ::
+ =1 1
1+exp
exp
(, ;)
Langkah berikutnya untuk mendapatkan estimator dan adalah dengan membuat kedua fungsi diferensial tersebut sama dengan nol. Hasilnya adalah sebagai berikut:
2
=1 =1 2
=1
R ::
exp 2 =1 =1 2 1+exp
+ 2 =1
R :: exp
1+exp
R :: 2
R ::
dan
=1
1+exp
exp
R ::
R ::
exp =1 =1 1+exp
=0
(7)
R + =1 :: 2 =1
2 =1 =1
R :: exp
exp 1+exp
Tahap Ekspektasi bertujuan untuk menemukan ekspektasi bersyarat dari data tidak teramati ( ) R dengan syarat data yang diketahui nilainya atau data teramati ( :: ) pada persamaan (7) dan (8). Sebelum mencari ekspektasi bersyarat dari persamaan (7) dan (8), maka terlebih dahulu mencari R R distribusi bersyarat dari dengan syarat :: = :: diketahui. Distribusi bersyarat dapat diperoleh dengan cara sebagai berikut:
R > :: , , = R 1) :: , , exp
R :: 1+exp 2
=0
R :: 1+exp
R ::
+ =1 =1
(8)
Hasil dari ekspektasi bersyarat dengan menggunakan persamaan (9) yaitu:

R :: R ::
1+exp
(9)
= 1 + exp
exp

2) 3)
R :: exp 1+exp
R ::
ln 1 + exp
1 2
+ ln exp
exp 1+exp

R :: , , = R :: , ,
R :: exp +2 exp
(10)
exp +exp
R ::
(11)
= 1 + exp exp
R ::
R ::
1 2
(12) Tahap Maksimasi yaitu menghitung nilai estimasi dari parameter dengan memaksimalkan ekspektasi dari fungsi ln likelihood yang didapatkan pada tahap ekspektasi. Pada tahap ini dilakukan iterasi dengan nilai awal () dan () hingga berulang kali sampai didapatkan parameter yang konvergen. Nilai awal () dan () didapatkan dari Metode Least Squares. (+1) diperoleh berdasarkan persamaan berikut:
2
R R 2 :: :: 2+ R + 2 :: + R R : : :: 1+exp 1+exp
ln 1 +
nilai akan nilai Nilai
=1
(+1) R :: 1+exp ()
exp
(+1) R :: ( )
= =1
exp () +2 exp () 1 R ( ) 2 :: exp () +exp ()

()
R ::
(13)
8 Sedangkan (+1) diperoleh berdasarkan persamaan berikut:

R (+1) (+1) + =1 :: 2 =1
R (+1) exp ::
R R (+1) (+1) R (+1) 2 + () 1 :: :: 2 :: (+1) 1 + exp + 2 R ( ( ) (+1) :: +1) 2 R :: 1+exp 1+exp () () R (+1) : : R ( ) ln 1 + exp (14) :: + ( ) Nilai estimator dan tidak dapat diperoleh secara langsung. Untuk mempermudah memperoleh nilai estimator dan maka dibuatlah program dengan bantuan software Mathematica. Setelah mendapatkan nilai estimator dan selanjutnya diubah menjadi estimator dari distribusi Loglogistik = yaitu dan dengan = exp dan 1 . 2 =1 Nilai awal estimasi yang diperlukan untuk mencari nilai estimator dan diperoleh dari Metode ( ) Least Squares. Hasil nilai awal estimator dan yang dinotasikan dan () adalah () =
( ) 1 =1
R :: exp
exp
R (+1) ::
()
R (+1) :: ()
ln 1 + exp +
R (+1) ::
(+1) R 2 :: (+1) 1+exp (+1)
(+1) R :: ( ) +1
()
+ ln exp
(+1) ()
= =1 1 +
Untuk memperoleh nilai estimator dari distribusi Loglogistik, maka digunakan algoritma yang dibuat berdasarkan pembahasan teori-teori yang sudah diperoleh sebelumnya. Berikut ini adalah algoritma yang digunakan pada untuk membuat program di Mathematica :
Nilai ( ) diperoleh dari perhitungan dengan menggunakan metode Kaplan-Meier.
=1 ln
2 =1 =1
1 =1 ln =1 ln
1 2
(15)
=1
(16)
1. Menginputkan data sebanyak yang dinotasikan dengan dan skema penyensoran . 2. Menghitung nilai estimator awal distribusi Logistik berdasarkan OLS menggunakan rumus
pada persamaan (15) dan (16) sehingga diperoleh () dan () untuk = 0. 3. Mendefinisikan fungsi () = 0 dari persamaan (13). 4. Mendefinisikan fungsi () = 0 dari persamaan (14).
5. Mendapatkan estimator (+1) dengan cara menyelesaikan persamaan (+1) | () , ( ) = 6. Mendapatkan
0 menggunakan Newton-Raphson. estimator (+1) dengan cara menyelesaikan persamaan (+1) (+1) ( ) | , = 0 menggunakan Newton-Raphson. (+1) ( ) (+1) 7. Jika < dan () < maka iterasi dihentikan dan lanjut ke langkah 8, tapi jika nilai tersebut tidak terpenuhi maka kembali ke langkah 5 dengan mengganti = + 1. 8. Menampilkan nilai estimator distribusi Logistik yaitu dan . 9. Mengubah nilai estimator distribusi Logistik menjadi distribusi Loglogistik dengan = 1 . exp dan = 10. Menampilkan nilai estimator distribusi Loglogistik. Berdasarkan data sampel, diasumsikan bahwa T berdistribusi Loglogistik. Untuk estimasi tersebut, dalam skripsi ini dilakukan transformasi = ln . Berdasarkan teori Y berdistribusi Logistik, sehingga analisis estimasi dilakukan berdasarkan data yang berdistribusi Logistik. Misalkan berupa log natural waktu yang diperlukan untuk menguraikan isolator zat cair yang dilakukan pada voltase sebesar 34 kV [2]. Pengamatan dilakukan terhadap = 19 sampel dan = 8 kegagalan yang diamati dengan skema penyensoran = {0,0,3,0,3,0,0,5}. Berdasarkan hasil perhitungan dengan program maka diperoleh hasil estimator parameter distribusi Logistik sebesar = 1,876 dan = 0,903. Sedangkan estimator parameter distribusi Loglogistik = 1,108. diperoleh hasil sebesar = 6,526 dan
Simpulan
1.
Estimator parameter distribusi Loglogistik pada data tersensor progressive tipe II dengan menggunakan algoritma EM dilakukan melalui iterasi terhadap dua tahap berikut : Tahap Ekspektasi
R (1) :: , , = 1 + exp
R :: R ::
(2) (3)
R :: exp
1+exp
exp
R :: , , =
ln 1 + exp
R ::
R ::
+ ln exp
1 2
exp +2 exp exp +exp

exp 1+exp

R ::
R :: , , = 1 + exp
R ::
1 2
1+exp
R 2 :: 2+
R ::
R ::
+ ln 1 + exp
R ::
R :: 2 + R :: 1+exp
Tahap Maksimasi yaitu memaksimalkan nilai ekspektasi dari fungsi ln likelihood yang didapatkan pada tahap ekspektasi. Pada tahap ini akan dilakukan iterasi Newton-Raphson untuk menyelesaikan persamaan-persamaan berikut:
10
dan
=1
1+ex
ex
(+1) :: ( )
(+1) :: ( )
ex () +2 ex () 1 =1 ( ) 2 :: ex () +ex ()
R (+1) exp :: (+1) R :: ( +1)
()
::
R (+1) (+1) + =1 :: 2 =1
R :: exp
exp
R (+1) ::
() R (+1) :: ()
ln 1 + exp +
R (+1) ::
(+1) R 2 :: (+1) 1+exp ( ) +1
()
+ ln exp
(+1) ()
= =1 1 +
R (+1) :: 2 ( ) =1 1 + exp R R (+1) (+1) 2 + () 1 :: :: 2 (+1) + R 2 R ( :: + (+1) :: +1) 2 R :: 1+exp 1+exp () ()

( )
ln 1 + exp
R (+1) ::
()
2. 3.
Program yang dibuat dalam software Matematica menggunakan metode Newton-Raphson. Dalam program terdapat tiga kali iterasi Newton-Raphson untuk mendapatkan nilai estimator. Pada penerapan data log natural waktu terurainya isolator zat cair pada tegangan 34kV [2] distribusi Loglogistik pada diperoleh hasil estimasi parameter skala dan parameter bentuk data tersensor progressive tipe II masing-masing sebesar 6,526 dan 1,108.
10 Daftar Pustaka
[1] [2] Collet, D., 1994, Modelling Survival Data in Medical Research, First Edition, Chapmann dan Hall, University of Reading, UK. 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. Hogg, R. V. and Craig, A. T., 1995, Introduction to Mathematical Statistics, Fifth Edition, Prentice Hall, Inc, New Jersey. Lawless, J.F., 1982, Statistical Models and Methodes for Life Time Data, John Wiley & Sons, New York. Wu, S. J., 2002, Estimation of The Parameters of The Weibull Distribution With Progressively Cencored Data, Vol. 32, No. 2, Jurnal Japan Statistics, P.155-163
[3] [4] [5]
11
Pendekatan Regresi Cox Proporsional Hazard dalam Penentuan Faktor Faktor yang Berpengaruh terhadap Lama Studi Mahasiswa S-1 Matematika di Universitas Airlangga
Ardi Wahyu Asari, Eko Tjahjono & Sediono Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga ardiwahyu_asari@yahoo.com
where 11 = IPK 2,75 ; 12 = 2,75 < IPK 3,50; and 13 = IPK > 3,50. From the obtained model results, it can show that if GPAs student is higher then graduation student is more quickly. Therefore, if GPAs student is higher then the probability of student to complete the study is larger. Keywords: students time duration, survival, Cox regression.
Abstract. Basically every university struggles to increase graduation of its students because the success rate of students can affect the quality of a university. So that it would require analysis of the factors that affect the period of study in S-1 Mathematics student of Airlangga University. Methods of survival analysis is a statistical method to learn the duration of an event or commonly known as failure event. Cox regression model is a very popular model in survival analysis to describe the relationship between the failures of an individual at a time with the explanatory variables with censoring data. Response or survival in this research is the ability of students to complete their studies. Research results show that significant factors influence a student's study time is a factor GPA. Then the Cox regression model obtained in this case are: (, ) = 0 () exp1.347(11 ) 0.345(12 ) + 0(13 )
Pendahuluan
Pada dasarnya setiap perguruan tinggi berusaha semaksimal mungkin meningkatkan mutu kelulusan para mahasiswanya, baik secara kuantitas maupun kualitas. Secara kuantitas diharapkan jumlah mahasiswa yang lulus sama dengan yang terdaftar. Sedangkan secara kualitas diharapkan para mahasiswa dapat lulus dengan IPK yang maksimal dan tepat waktu. Dalam statistika dikenal metode analisis survival yaitu suatu metode statistika yang mempelajari lamanya suatu peristiwa atau kejadian yang terjadi atau biasa dikenal dengan nama failure event. Kejadian dalam analisis ini adalah kelulusan mahasiswa S-1 Matematika. Dalam analisis survival atau dikenal dengan istilah waktu ketahanan hidup (survival time) atau T merupakan waktu dari awal perlakuan sampai terjadinya respon pertama kali yang ingin diamati. Respon yang dimaksud adalah waktu yang diperlukan sampai suatu peristiwa atau kejadian yang diharapkan terjadi atau mungkin saja belum ditemukan pada saat pengumpulan data berakhir sehingga waktu survival-nya tidak dapat diamati. Pada kondisi demikian, pengamatan tersebut dapat dinyatakan sebagai pengamatan tersensor [2]. Salah satu metode regresi survival yang sering digunakan adalah regresi Cox proporsional hazard [2]. Survival yang dimaksud dalam penelitian ini adalah kemampuan mahasiswa untuk menyelesaikan studinya. Faktor faktor yang diduga mempengaruhi daya tahan dalam penelitian ini, yaitu : jenis kelamin, asal daerah mahasiswa, asal sekolah, NUN (Nilai Ujian Nasional) SMA, jalur masuk, IPK (Indeks
12 Prestasi Kumulatif) pada semester VI, dan penghasilan orang tua. Pemilihan faktor faktor tersebut dilakukan berdasarkan pertimbangan ketersediaan data karena mahasiswa yang diteliti saat ini sudah dinyatakan lulus. Pada penelitian ini penyusun mencoba mengidentifikasi faktor-faktor yang mempengaruhi lama studi mahasiswa S1 Matematika Universitas Airlangga dengan regresi Cox proporsional hazard dengan demikian akan diperoleh analisis survival tentang kasus tersebut.
2 2.1
Metode Penelitian Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder tentang lama mahasiswa (dalam semester) S-1 Matematika di Fakultas Sains dan Teknologi Universitas Airlangga tahun angkatan 2006 yaitu sebanyak 63 mahasiswa.
2.2
Variabel Penelitian
Variabel dependen dalam penelitian ini adalah waktu yang diperlukan oleh mahasiswa dalam menjalankan studi dari waktu awal studi hingga akhir studi dinyatakan lulus S-1 yang dilambangkan dengan t dan satuan waktunya adalah semester dengan ketentuan sebagai berikut : 1. Jika seorang mahasiswa dinyatakan lulus sampai dengan semester gasal tahun ajaran 2011/2012 maka waktu survival tersebut dinyatakan data terobservasi. 2. Jika masa studinya melebihi semester gasal tahun ajaran 2011/2012 maka dinyatakan data tersensor Sedangkan variabel prediktornya berupa IPK, asal daerah mahasiswa, jenis kelamin, status asal SMA, jalur masuk, penghasilan orang tua, dan rata-rata NUN SMA
2.3
Metode Analisis
Langkah-langkah dalam penelitian ini dijabarkan sebagai berikut: 1. Mengetahui faktor faktor yang memenuhi asumsi proporsional hazard dilakukan langkah langkah : a. melakukan estimasi survival dari data lama studi mahasiswa S1 Matematika dengan metode Kaplan-Meier, () b. melakukan pemeriksaan asumsi proporsional hazard dengan menggunakan plot ln ln terhadap waktu survival (). 2. Untuk mengetahui model hubungan faktor faktor yang mempengaruhi waktu survival mahasiswa S1 Matematika Fakultas Sains dan Teknologi Universitas Airlangga dilakukan langkah langkah : a. melakukan estimasi parameter model Cox proporsional hazard secara terpisah dengan langkah langkah berikut : i. menentukan estimasi parameter dengan metode maksimum likelihood, , ii. menghitung nilai iii. melakukan uji signikansi parameter dengan uji Rasio Likelihood dan seleksi model dengan metode backward, yang diperoleh, iv. menghitung estimasi fungsi hazard dasar dari b. menyusun model regresi Cox proporsional hazard dari estimasi yang diperoleh,
13 c. menghitung taksiran fungsi survival dari model yang terbentuk untuk mengetahui peluang mahasiswa S-1 Matematika yang masih studi pada waktu ke t, d. membuat grafik taksiran fungsi survival untuk mengetahui perbandingan peluang mahasiswa S-1 Matematika yang masih studi dari setiap kategori variabel penjelas pada waktu survival (t). 3
Hasil dan Pembahasan Pemeriksaan Asumsi Proporsional
3.1
Pemeriksaan asumsi proporsional dilakukan sebelum penentuan model regresi Cox melalui plot () terhadap waktu survival (t) untuk setiap faktor, yaitu faktor jenis kelamin, asal daerah, ln ln IPK pada semester VI, dan rata rata NUN SMA yang dapat dilihat pada gambar 1.
Gambar 1 variabel
() terhadap waktu lama mahasiswa menyelesaikan studi (t) untuk setiap Plot ln ln
Dari gambar 1 dapat diketahui bahwa variabel penjelas yang diduga masuk dalam model menunjukkan seluruh variabel mempunyai bentuk garis yang sejajar pada setiap kategorinya. Menurut Kleinbaum dan Klein [6], apabila plot antar kategori dalam satu variabel penjelas terlihat sejajar atau tidak bersilangan maka asumsi proportional hazard terpenuhi dan variabel penjelas yang bersifat
14 kategori dapat dimasukkan model. Sehingga semua variabel dalam kasus ini memenuhi asumsi proporsional hazard dan dapat dimasukkan ke dalam model regresi Cox.
3.2
Model Regresi Cox
Pengolahan data untuk model regresi Cox dilakukan dengan menggunakan bantuan software SPSS. Untuk mengetahui model hubungan faktor faktor yang mempengaruhi waktu survival mahasiswa S-1 Matematika Fakultas Sains dan Teknologi Universitas Airlangga dengan langkah langkah sebagai berikut:
3.2.1
Menghitung Estimasi Parameter Model Cox Proporsional Hazard
Setelah diperoleh nilai parameter model regressi Cox, selanjutnya dilakukan uji apakah parameter tersebut mempunyai nilai yang signifikan terhadap model dengan menggunakan uji Rasio Likelihood. Hipotesis uji yang digunakan yaitu : 0 : 1 = 2 = = = 0 (tidak ada pengaruh) 1 : ada 1 0, = 1,2, , (ada pengaruh) Tolak 0 terjadi jika p < dengan = 0,05 atau 0,05%.
Perhitungan estimasi parameter dalam kasus ini menggunakan bantuan software SPSS. Hasil yang diperoleh dari SPSS. perhitungan
Hasil pengolahan SPSS untuk model regresi Cox menggunakan metode backward stepwise Likelihood Ratio pada software SPSS. Pada iterasi terakhir, variabel yang dimasukkan ke dalam model hanya faktor IPK.Maka faktor yang dianggap mempengaruhi lama studi mahasiswa hanya faktor IPK dengan besarnya pengaruh kovariat terhadap model dapat dilihat pada tabel 2.
Tabel 1 Tabel estimasi parameter yang signifikan

Nama Variabel IPK IPK(1) IPK(2)
0.260 0.708
-1.347 -0.345
Dari hasil estimasi yang diperoleh, dapat diketahui bahwa semakin tinggi IPK maka seorang mahasiswa akan semakin cepat lulus. Kemudian untuk mengetahui besar pengaruh IPK terhadap model regresi Cox pada lama studi mahasiswa, maka dihitung 2 Cox-Snell dengan menggunakan software SPSS. Berdasarkan hasil pengolahan SPSS menunjukkan bahwa nilai 2 Cox-Snell adalah 0,207 atau 20,7%. Hal itu menunjukkan bahwa kontribusi IPK mempunyai pengaruh terhadap model regresi Cox pada lama studi mahasiswa sebesar 20,7%.
15
3.2.2
Menghitung Hazard Dasar Model Cox Proporsional Hazard
Setelah diperoleh hasil estimasi parameter, kemudian dicari estimasi hazard dasar dengan yang diperoleh dari SPSS dapat dilihat menggunakan bantuan software SPSS. Hasil perhitungan pada tabel 3.
Tabel 2
Lama Studi (Semester)
Tabel estimasi hazard dasar dan survival

Kumulatif Hazard Dasar 0 ( ) Hazard Dasar 0 ( ) Survival Dasar 0 ( )
7 8 9 10 11
0.209961578 1.415801949 2.826610753
0.209961578 1.205840371 1.410808804 1.410800934 0.735891711
0.81061539 0.24273088 0.05921320 0.01444493 0.00692025
4.237411687 4.973303398
3.2.3
Menentukan Model Cox Proporsional Hazard
Setelah diperoleh hasil estimasi parameter dan hazard dasarnya, persamaan model umum regresi Cox adalah :
(, ) = 0 () exp1.347(11 ) 0.345(12 ) + 0(13 )
dengan
dengan nilai hazard dasar untuk tiap semester adalah:
11 = IPK 2,75 ; 12 = 2,75 < IPK 3,50; 13 = IPK > 3,50 dan 0 () merupakan hazard dasar
0 (7) = 0.209961578; 0 (8) = 1.205840371; 0 (9) = 1.410808804; 0 (10) = 1.410800934; dan 0 (11) = 0.735891711
3.3
Setelah diperoleh estimasi parameter serta estimasi hazard dan survival dasar, maka dapat dilakukan dugaan peluang mahasiswa yang melakukan studi (, ) dan peluang mahasiswa yang lulus (, ) pada berbagai waktu yang ditunjukkan pada tabel 4 dan 5, sedangkan simulasi grafiknya dapat dilihat pada gambar 3 dan 4.
Tabel 3 Dugaan peluang mahasiswa yang melakukan studi ( , ) pada berbagai semester
Peluang Mahasiswa yang Masih Studi lama studi (semeser) 7 8 9 10 11 IPK
Dugaan Peluang Mahasiswa yang Melakukan Studi (, ) dan Peluang Mahasiswa yang Lulus (, ) pada Berbagai Waktu
16
1 2 3 0.94687 0.86179 0.81062 0.69205 0.36679 0.24273 0.47955 0.13501 0.05921 0.33231 0.0497 0.01444 0.27444 0.02951 0.00692
Tabel 4
Dugaan peluang mahasiswa yang lulus ( , ) pada berbagai semester

Peluang Mahasiswa yang Lulus lama studi (semeser) 7 1 2 3 0.05313 0.13821 0.18938 8 0.30795 0.63321 0.75727 9 0.52045 0.86499 0.94079 10 0.66769 0.9503 0.98556 11 0.72556 0.97049 0.99308 IPK
Gambar 2 Grafik Peluang Mahasiswa yang Melakukan Studi ( , ) yang Dipengaruhi IPK pada Berbagai Waktu (t)
Gambar 3 Waktu (t)
Dari tabel 4.20 dapat dilihat bahwa jika semakin lama masa studi maka dugaan peluang mahasiswa yang masih melakukan studi (, ) semakin kecil dan jika semakin tinggi IPK mahasiswa maka dugaan peluang mahasiswa yang masih melakukan studi (, ) semakin kecil. Sedangkan dari tabel 4.21 dapat dilihat bahwa jika semakin lama masa studi maka dugaan peluang mahasiswa yang lulus (, ) semakin besar dan semakin tinggi IPK mahasiswa maka dugaan peluang mahasiswa yang lulus (, ) semakin besar. Dari gambar 4.8 juga dapat dilihat bahwa jika semakin lama masa studi maka dugaan peluang mahasiswa yang masih melakukan studi (, ) semakin kecil dan jika semakin tinggi IPK mahasiswa Jurnal Matematika-FST Unair 2012
Grafik Peluang Mahasiswa yang Lulus ( , ) yang Dipengaruhi IPK pada Berbagai
17 maka dugaan peluang mahasiswa yang masih melakukan studi (, ) semakin kecil. Sedangkan dari gambar 4.9 dapat dilihat bahwa jika semakin lama masa studi maka dugaan peluang mahasiswa yang lulus (, ) semakin besar dan semakin tinggi IPK mahasiswa semakin tinggi maka dugaan peluang mahasiswa yang lulus (, ) semakin besar.
Kesimpulan
Berdasarkan hasil analisis dan pembahasan model regresi Cox pada lama studi mahasiswa S-1 Matematika Universitas Airlangga, diperoleh kesimpulan sebagai berikut : 1. 2. Faktor yang berpengaruh signifikan terhadap lama studi mahasiswa S-1 Matematika Universitas Airlangga pada model regresi Cox proporsional hazard adalah faktor IPK dengan besar kontribusi pengaruh 20,7 %. Model regresi Cox proporsional hazard dari faktor-faktor yang mempengaruhi lama studi mahasiswa S-1 Matematika Universitas Airlangga diperoleh hasil sebagai berikut : (, ) = 0 () exp1.347(11 ) 0.345(12 ) + 0(13 ) dengan 11 = IPK 2,75 12 = 2,75 < IPK 3,50; 13 = IPK > 3,50; dan 0 () merupakan hazard dasar dengan nilai hazard dasar untuk tiap semester adalah: 0 (7) = 0.209961578; 0 (8) = 1.205840371; 1.410800934; dan 0 (11) = 0.735891711 0 (9) = 1.410808804; 0 (10) =
3. 4. 5.
Jika semakin tinggi IPK mahasiswa maka semakin cepat masa studi, sebaliknya jika semakin rendah IPK maka semakin lambat masa studi. Jika semakin lama masa studi maka dugaan peluang mahasiswa yang masih melakukan studi (, ) semakin kecil, demikian juga jika semakin tinggi IPK mahasiswa maka dugaan peluang mahasiswa yang masih melakukan studi (, ) semakin kecil. Jika semakin lama masa studi maka dugaan peluang mahasiswa yang lulus (, ) semakin besar, demikian juga jika semakin tinggi IPK mahasiswa semakin tinggi maka dugaan peluang mahasiswa yang lulus (, ) semakin besar.
Daftar Pustaka
[1] Arbia, G., 2006, Spatial Econometrics: Statistical Foundations and Applications to Regional Convergence, Germany : Springer. [2] Collet, D., 1994, Modelling Survival Data in Medical Research, London: Chapman & Hall. [3] Hogg, R. V. & Craigh, A. T., 1995, Introduction to Mathematical Statistics (5th ed), New York: Prentice Hall, Inc. [4] Kalbfleisch, John D. & Prentice, Ross L., 2002, The Statistical Analysis of Failure Time Data (2nd ed), New York: John Willey & Sons. [5] Khoirunnisak, Mega, 2010, Pemodelan Faktor-Faktor yang Mempengaruhi Mahasiswa Berhenti Studi (Drop Out) di Institut Teknologi Sepuluh Nopember Menggunakan Analisis Bayesian Mixture Survival, Tugas Akhir, Surabaya: Institut Teknologi Sepuluh Nopember. [6] Kleinbaum, David G., & Klein, Mitchel, 2005, Survival Analysis: A Self-Learning Text (2nd ed), New York: Springer.
18 [7] Lawless, Jerald F., 2003, Statistical Models and Methods for Lifetime Data, New York: John Willey & Sons. [8] Le, C. T., 1997, Applied Survival Analysis. New York: John Wiley and Sons, Inc. [9] Sartika, Euis, 2009, Analisis Faktor-Faktor yang Berpengaruh Terhadap Keberhasilan Mahasiswa Politeknik, Thesis, Bogor: Institut Pertanian Bogor . [10] Saefuddin, Asep, 2000, Aplikasi Regresi Cox dalam Analisis Daya Tahan Komponen Sistem Proses Reaktor Nuklir, Risalah Lokakarya Komputasi dalam Sains dan Teknologi Nuklir XI: 151-175. [11] Syafrudin, 2006, Analisis Faktor-Faktor yang Mempengaruhi Keberhasilan Studi Mahasiswa Program Sarjana Ekstensi Manajemen Agribisnis Institut Pertanian Bogor, Skripsi, Bogor: Institut Pertanian Bogor.
19
ESTIMASI PARAMETER MODEL TIME SERIES REGRESSION DENGAN NOISE ARMA(p) DAN ARCH(r)-MEAN MENGGUNAKAN METODE
MAXIMUM LIKELIHOOD
Athoillah, Sediono, Suliyanto athoillah.forex@gmail.com
Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga Abstract In regression analysis to obtain a good model and valid it must be satisfied that the assumptions residuals is Normal distributed with mean zero and constant variance (homoscedastic), and residual nonautocorrelation. In addition, the predictor variables are independent with other predictor variables (nonmulticollinearity). However, in reality the financial data of these assumptions are rarely met, so it is necessary to residual remodeling. This modeling is called the Time Series Regression model ARCH-M models (Autoregressive Conditional Heteroscedastic in Mean) is one of the time series models which have a non-constant variance error. ARCH-M model is obtained by extending the basic framework of ARCH models which calculating mean series dependent mean variance error. So in this model, variant residual inserted into the equations mean. This final project had purpose to establish and estimate the model of Time Series Regression with AR(p) noise and ARCH (r)-Mean using maximum likelihood method. Then applied to the data volume and price of EURO exchange rate against the USD 30-minute time frame in the type of ECN (Electronic Cummunication Network) at Alpari-US companies on 18 April 2012 until 20 April 2012. Based on the application of the data using Eviews software obtained that best models are the model of Time Series Regression with noise AR(2) and ARCH (1)-Mean so the model is
= 161770.51 + 615494.82 921821.13 + 144593.54 + 0.3836201

2 = 91765.19 + 0.4141741
+0.2703852 + 1.412238 +
With AIC and SBC values respectively are 14.76345 and 14.95620.
Keywords: Time Series Regression, AR models, ARCH-M Models, Maximum Likelihood Estimator
20 Pendahuluan
Model time series yang paling popular dan banyak digunakan dalam peramalan data time series adalah model Autoregressive Integrated Moving Average atau yang dikenal dengan model ARIMA. Pemodelan dengan teknik ARIMA maupun dengan regresi biasa akan menjadi lebih akurat apabila varian errornya juga dilihat pergerakannya dari waktu ke waktu. Berawal dari ide tersebut, maka dipergunakan pemodelan secara simultan antara model mean dan model varian sebagai sebuah data deret waktu. Teknik pemodelan varian pertama kali diperkenalkan oleh Engle (1982) dalam memodelkan inflasi yang terjadi di Inggris dengan menggunakan model Autoregressive Conditional Heteroscedastic (ARCH). Model Autoregressive Conditional Heteroscedastic (ARCH) sama halnya dengan Autoregressive (AR), hanya saja model Autoregressive Conditional Heteroscedastic (ARCH) digunakan untuk memodelkan varian error yang tidak konstan dari model ARIMA terbaik (Enders, 1995). Engle, Lilien dan Robins (1987) memperluas kerangka dasar model ARCH yang memperhitungkan mean yang berurutan yang tergantung varian residualnya. Model ini disebut dengan model ARCH in Mean (ARCH(r)-Mean). jadi dalam model ini varian residualnya dimasukkan kedalam persamaan mean Dalam analisis regresi untuk mendapatkan model yang baik dan valid maka harus dipenuhi asumsi-asumsi bahwa residualnya berdistribusi Normal dengan mean nol dan varians konstan (homoskedasitas), serta residual tidak bersifat autokorelasi. Disamping itu, variabel prediktor bersifat bebas (independen) dengan variabel prediktor lainnya (tidak ada multikolinearitas). Namun, dalam kenyataannya pada data keuangan asumsi-asumsi tersebut jarang terpenuhi, sehingga diperlukan pemodelan ulang untuk memodelkan residualnya (fox, 2002). Pada data time series asumsi autokorelasi bisa saja terjadi pada residual model regresi karena residualnya juga time series seperti model Autoregressive Integrated Moving Average (ARIMA) (BoxJenkins, 1976). Sedangkan untuk residual yang memiliki varians yang tidak konstan (heteroskedasitas), peneliti perlu menambahkan pemodelan varians time series heteroskedasitas seperti model Autoregressive Conditional Heteroscedastic berurutan menurut waktu yang bisa saja mengandung sifat autokorelasi didalamnya. Untuk mengatasi hal tersebut, peneliti perlu menambahkan pemodelan mean (ARCH) (Engle, 1982) dan Generalized Autoregressive Conditional Heteroscedastic (GARCH) (Bollerslev, 1986). Berdasarkan uraian diatas penulis tertarik untuk mengkaji lebih lanjut tentang model time series regression. Oleh karena itu dalam tulisan ini akan dikaji prosedur pembentukan model Time series regression yang tidak memenuhi asumsi-asumsi klasik, yang selanjutnya disebut Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean. Metode Penelitian
Metode penulisan yang digunakan dalam penulisan ini adalah sebagai berikut : 1) Mendapatkan model regresi linier berganda dengan langkah sebagai berikut :
21 a) Mendefinisikan model regresi linier berganda dalam bentuk sistem persamaan regresi sebagai berikut : = 0 + 1 1 + 2 2 + + + b) Membentuk model regresi linier berganda dalam notasi matrik = + dengan 1 11 1 21 = 1 1 12 22 2 1 1 1 2 2 2 1 , = , = dan =
untuk = 1, 2, , .
2)
e) Melakukan uji validitas dan asumsi-asumsi klasik. Jika asumsi-asumsi klasik belum terpenuhi maka dilanjutkan langkah berikutnya untuk memodelkan residualnya. Mendapatkan model Time series regression dengan nois AR(p) terbaik untuk memodelkan residual dari model regresi linier berganda yang meliputi : a) Mendefinisikan model Time series regression dengan nois AR(p) terbaik dalam bentuk sistem persamaan regresi sebagai berikut : y t = 0 + 1x t1 + 2 x t2 + ... + c x tc + 1 t 1 + + p t q + vt
d) Mendeferensialkan fungsi terhadap dan disamadengankan 0, = 0 Sehingga didapat nilai estimator
= c) Meminimunkan fungsi = dengan
Vektor error ~ N,
vt ~ N(0,2) dengan t = 1, 2, ..., T

b) Identifikasi model Time series regression dengan nois AR(p) terbaik dengan langkah sebagai berikut : i. Plot data time series untuk melihat kestasioneran terhadap mean dan varian. ii. Pendugaan model AR(p) dengan : 1) plot ACF (Autocorrelation Function) untuk identifikasi model MA (Moving Average). 2) plot PACF (Partial Autocorrelation Function) untuk identifikasi model AR (Autoregressive). c) Estimasi parameter model Time series regresi dengan nois AR(p) dengan menggunakan metode least square. d) Diagnostic checking terhadap model dengan : i. uji signifikansi parameter model Time series regresi dengan nois AR(p) dengan uji-t. ii. uji kesesuaian model dengan uji asumsi kecukupan model untuk white- noise dengan uji Ljung-Box. . iii. Kriteria pemilihan model terbaiknya harus perhatikan AIC, SBC dan MSE dengan nilai terkecil. Mendapatkan Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean berdasarkan model Time series regression dengan noise AR(p) terbaik dengan langkah-langkah berikut : a) Pendugaan kasus heteroscedasticity dan identifikasi dengan langkah : i. Plot ACF (Autocorrelation Function) kuadrat residual dari model AR(p) terbaik untuk melihat ke-white noise-an residual kuadrat dan identifikasi model ARCH(r) in mean.
3)
22 ii. Plot PACF (Partial Autocorrelation Function) kuadrat residual dari model AR(p) terbaik untuk melihat ke-white noise-an kuadrat residual dan identifikasi model ARCH(r) in mean.
Jika kuadrat residualnya white noise maka tidak ada kasus heteroscedastic sehingga model AR(p) yang didapat merupakan model yang terbaik. Tetapi, jika kuadrat residualnya tidak white noise, berarti diduga ada kasus heteroscedastic sehingga perlu dilakukan langkah lanjutan sebagai berikut b) Mendefinisikan Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean dalam bentuk sistem persamaan regresi sebagai berikut :
y t =0 + 1x t1 + 2 x t2 + ... + c x tc + 1 t 1 + + p t q + vt + ht
h 0 + i vt2i = t
i =1 r
vt | Ft 1 ~ N (0, ht ) dan t = 1, 2, ..., T

c) Estimasi parameter Model Time Series Regression dengan noise ARMA(p) dan ARCH(r)-Mean dengan menggunkan metode Maximum Likelihood. d) Diagnostic checking terhadap model dengan : i. uji signifikansi parameter model ARCH(r)-Mean dengan uji-t. ii. uji kesesuaian model dengan uji asumsi kecukupan model untuk white- noise dengan uji Ljung-Box. e) Uji validitas Jika model belum sesuai dan belum valid, maka diulangi mulai langkah a sampai didapatkan Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean terbaik. 4. Menerapkan Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean pada pada data volume dan harga nilai tukar mata uang EURO terhadap USD time frame 30 menit yang berbentuk ECN (Electronic Cummunication Network) di perusahaan Alpari-US pada tanggal 18 April 2012 20 April 2012 dengan menggunakan software Eviews, dengan langkah-langkah sebagai berikut : a) Mendefinisikan variabel respon, yaitu volume nilai tukar mata uang EURO terhadap USD time frame 30 menit yang berbentuk ECN (Electronic Cummunication Network) di perusahaan Alpari-US pada tanggal 18 April 2012 sampai 20 April 201. b) Mengolah data menggunakan software Eviews untuk mengestimasi dan menguji kesesuaian Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean. c) Menyimpulkan Model Time Series Regression dengan noise AR(p) dan ARCH(r)-Mean.
Hasil dan Pembahasan
Model Time Series Regression yang dinyatakan dalam bentuk sistem persamaan regresi sebagai berikut : = 0 + 1 1 + 2 2 + + + ; = 1,2, , Jurnal Matematika-FST Unair 2012 (4.1)
23 Model regresi (4.1) dapat dinyatakan dalam notasi matrik sebagai berikut : = + (4.2)
Estimasi model regresi (4.2) dengan metode OLS diperoleh dengan meminimumkan fungsi = , sehingga diperoleh fungsi
= ( ) ( )
Syarat cukup agar fungsi (4.3) mempunyai nilai minimum adalah = + =
= 2 +
(4.3)

= 0, sehingga diperoleh
maka langkah selanjutnya adalah memodelkan error Setelah didapatkan error = tersebut dalam bentuk model AR(p). setelah model yang sesuai diperoleh melalui tahap identifikasi, langkah berikutnya adalah mengestimasi parameter-parameter yang belum diketahui dari model yang didapatkan. model Time series regression dengan noise AR(2) terbaik dapat ditulis sebagai berikut: = 0 + 1 1 + 2 2 + 3 3 + 4 4 + 1 1 + 2 2 + (4.5) (4.6)
= ( )
(4.4)
Dengan mengasumsikan ~NID(0,2), maka estimasi model Time Series Regression pada persamaan (4.6) dengan metode least square diperoleh dengan meminimumkan jumlah kuadrat 2 error = =1 , sehingga diperoleh fungsi
= (4.7) =( 0 1 1 2 2 3 3 4 4 1 1 2 2 )
= (0 + 1 1 + 2 2 + 3 3 + 4 4 + 1 1 + 2 2 )
Syarat cukup agar fungsi (4.7) mempunyai nilai minimum adalah turunan pertama terhadap parameter 0 , 1 , 2 , 3 , 4 , 1 , 2 disamadengankan 0, sehingga diperoleh
= 2( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 0
=1 =1
= 2t1 ( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 1
=1
= 2t2 ( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 2 = 2t3 ( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 3
=1
24
= 2t4 ( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 4
=1 =1
= 21+ ( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 1
=1
Berdasarkan hasil penurunan fungsi (4.7) terhadap parameter 0 , 1 , 2 , 3 , 4 , 1 , 2 terlihat bahwa persamaannya masih berbentuk implisit, sehingga untuk mendapatkan nilai estimatornya diselesaikan dengan software Eviews. Setelah mendapatkan dari model Time Series Regression dengan noise AR(p) terbaik maka langkah selanjutnya adalah memodelkan varian error dari model Time Series Regression dengan noise AR tersebut. model Time Series Regression dengan noise AR dan ARCH-Mean dapat ditulis sebagai: = 0 + 1 1 + 2 2 + 3 3 + 4 4 + 1 1 + 2 2 + + Dengan (4.8) (4.9)
= 22+ ( 0 + 1 1 + 2 2 + 3 3 + 4 4 1 1 2 2 ) = 0 2
= 0 1 1 2 2 3 3 4 4 1 1 2 2 )
2 = 0 + =1 1 ,
(4.10)
maka PDF (probability density function) dari = (1 , 2 , , ) adalah ( |, , , , ) =

2 1
|1 ~(0, ), untuk t =1,2,,T
Dengan = {0 , 1 , 2 , 3 , 4 } = {0 , 1 } = {1 , 2 }
2 1 0 2
(4.11)
misalkan adalah himpunan parameter dari , , , yakni bersyaratnya menjadi ( |) =

2 1
= {, , , } maka PDF (4.12)
sedangkan PDF bersamanya adalah (| ) = =1

1
2 1 0 2
2 1 0 2
(4.13)
25
1/2 (| ) = 2 =1 (2 )
(4.14)
fungsi Likelihood dari PDF bersama diatas adalah
1/2 ln (| ) = ln 2 =1 (2 ) = ln(2) =1 ln +
ln (| ) = ln(2)
(ln ()) 0 (ln ()) 1
Untuk mencari nilai estimasi , , , pada fungsi Likelihood persamaan (4.16) maka persamaan (4.16) diturunkan terhadap parameter , , , = = 1 1 2 t2 ) = 0 2
1 1 2 =1
2 2 2 3 3 4 4 0 + 1 1 1 1 2 t2 )2 )
1 2
(4.15) (4.16)
1 2 ( 0 +1 1
1 2
=1
2 (ln[0 + 1 1 ]+
0 1 1
1 2 2( 0 +1 1
2 0 1 1 2 2 3 3 4 4 0 + 1 1
(ln ()) 2
2 0 + 1 1 1 1 2 t2 = 0 1 1 2t2 ( 2 0 +1 1
=1
1 2t1 2 0 +1 1
0 1 1 2 2 3 3 4 4
(ln ()) 3
2 0 + 1 1 1 1 2 t2 ) = 0
=1
0 1 1 2 2 3 3 4 4
(ln ()) 4
2 0 + 1 1 1 1 2 t2 ) = 0
=1
1 2t3 ( 2 0 +1 1
0 1 1 2 2 3 3 4 4
(ln ()) 1
2 0 + 1 1 1 1 2 t2 ) = 0
=1
1 2t4 ( 2 0 +1 1
0 1 1 2 2 3 3 4 4
2 0 + 1 1 1 1 2 t2 ) = 0
=1
1 2t1 ( 2 0 +1 1
0 1 1 2 2 3 3 4 4
26
(ln ()) 2
(ln ( )) 0
2 0 + 1 1 1 1 2 t2 ) = 0
=1
1 2t2 ( 2 0 +1 1
0 1 1 2 2 3 3 4 4
2 0 + 1 1 1 1 2 t2 )
=1
2 0 +1 1
2 2 0 +1 1
( 0 1 1 2 2 3 3 4 4
2 0 +1 1
(ln ()) 1
2 0 + 1 1 1 1 2 t2 } = 0
1 (ln ()) 1 = 2 0 1 1 2 2 3 3 4 4 2 2 0 + 1 1 Berdasarkan hasil penurunan fungsi Likelihood persamaan (4.16) terhadap parameter , , , terlihat bahwa persamaannya masih berbentuk implisit, sehingga untuk mendapatkan nilai estimatornya diselesaikan dengan software Eviews.
Setelah pendugaan terhadap model, maka langkah berikutnya adalah mengestimasi dugaan model tersebut. Tabel 1 dibawah ini adalah hasil dugaan dan estimasi menggunakan metode maximum likelihood dari beberapa model Time series regression dengan noise AR dan ARCH dengan menggunakan EViews.5
2 0 + 1 1 1 1 2 t2 = 0 =1
2 2 2 3 3 4 4 0 + 1 1 1 1 2 t2 )2 } = 0
2 4 4 0 + 1 1 1 1 2 t2 )
1 2
0 t1 1 t2 2 t3 3 t4 4
t1 2 + =1 0 1 1
1 2 )3/2 1+ ( (0 +1 1
0 1 1 2 2 3 3
1 2 )2 t1 ( (0 +1 1
0 1 1
Tabel 1 Hasil pendugaan dan estimasi parameter model Time series regression dengan noise AR dan ARCH No Noise Parameter 0 1 2 3 4 1 0 1 0 1 2 3 4 koefisien -6353.635 168946.2 658812.6 -998598.3 176047.8 0.583776 105500.4 0.464557 1859.326 119085.4 689053.7 -843832.0 34685.03 P-value 0.5317 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0064 0.7755 0.0000 0.0000 0.0000 0.0000 Nilai AIC Nilai SBC MSE
AR(1) dan ARCH(1)
14.97419
15.14470
232498.2
AR(2) Dan ARCH(1)
14.82594
15.01869
183893.1
27
1 2 0 1 0 1 2 3 4 1 0 1 0 1 2 3 4 1 2 0 1 0 1 2 3 4 1 2 0 1 1 1 2 3 4 1 2 0 1 0.231303 0.449862 87913.42 0.522718 -5644.036 220538.6 513828.2 -975992.8 246062.3 0.577099 100861.9 0.507240 1.096352 -1915.841 164129.1 583759.8 -913666.7 167277.3 0.381940 0.293200 92996.98 0.411380 1.465575 9266.129 130056.8 591662.8 -874440.7 146150.3 0.260006 0.479187 38038.20 0.390548 0.398130 161770.5 615494.8 -921821.1 144593.5 0.383620 0.270385 91765.19 0.414174 1.412238 0.0152 0.0000 0.0000 0.0029 0.0000 0.0000 0.0000 0.0000 0.0000 0.0152 0.0000 0.0352 0.0355 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0065 0.0049 0.5023 0.1371 0.0000 0.0000 0.1197 0.0028 0.0000 0.0355 0.0146 0.0373 0.0000 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.0354 0.0053
AR(1) Dan ARCH (1)-M
14.91965
15.11148
194659.1
14.78510
14.87213
160479.5
AR(2) Dan GARCH (1,1)
14.79230
15.00647
184213.1
14.76345
14.95620
159540.3
Dari Table 1 diatas model yang paling baik adalah model Time Series Regression dengan noise AR(2) dan ARCH(1)-Mean karena selain memiliki tingkat signifikan yang lebih besar model ini juga memiliki nilan AIC, SBC dan MSE yang lebih kecil
Kesimpulan
Setelah dilakukan penerapan model Time Series Regression dengan noise AR(p) dan ARCH(r)Mean menggunakan metode maximum likelihood pada data volume dan harga nilai tukar mata uang EURO terhadap USD time frame 30 menit yang berbentuk ECN (Electronic Cummunication Network) di perusahaan Alpari-US pada tanggal 18 April 2012 sampai 20 April 2012, berdasarkan uji
28 signifikansi parameter dan uji validasi model melalui nilai AIC, SBC, MSE dan kenormalan residual, diperoleh bahwa Model Time Series Regression dengan noise AR(2) dan ARCH(1)-Mean adalah model terbaik. Daftar Pustaka
[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22]
BIS (Bank for International Settlements) Triennial Central Bank Survey, 2010, Foreign exchange and derivatives market activity in April 2010, Switzerland Bollerslev, T., Engle, R.F.,Nelson, D.B., 1986, ARCH Models, Amsterdam, North Holland. Box, G.E.P. and Cox, D.R., 1964, An Analysis Transformation, J. Roy.Stat.Soc. Box, G.E.P., dan Jenkins, G. M., 1976, Forecasting and Control, Holden day, San Francisco. Chen, Y.T., dan Kuan, C.M., 2003, A Generalized Jarque-Berra Test of Conditional Normalitas, Intitue for Social Sciences and Philosopy, Academica sinica, Taipei, Taiwan Cryer, D., Jonathan., 1986, Time Series Analysis, University of IOWA. Draper, N.R., and Smith, H., 1981, Applied Regression Analysis. 2nd Edition John Wiley and Sons, Inc. USA. Pp 108-120 Enders, 1995, Applied Econometric Time Series, John Willey & Sons. Inc, Canada. Engle, R.F., 1982, Autoregressive conditional heteroscedasticity with estimates of the variance of U.K. inflation. Econometrica, 50, 987 - 1008. Engle R.F., D.M. Lilien and R.P. Robins, 1987, Estimating time varying risk premium in the term structure : The ARCH-M model, Econometrica, 55, 391-407. Everitt, S.B. 1994. A Handbook of Statistical Analysis Using S-PLUS, Chapman and Hall, London. Fox, J., 2002, Time-Series Regression and Generalized Least Squares. Appendix to An R and SPLUS Companion to Applied Regression. Hogg, R. V and Craig, A. T, 1995, Introduction to Mathematical Statistics, Fifth Edition, Prentice-Hall, Inc. New Jersey. Jarque, C.M. and Bera, A.K., 1987, a test for normality of observations and regression residuals, international statistical review, vol :55 Levinson, Mark, 2005, The Economist Guide to the Financial Markets, Pine Street, London Lo, Michael S., 2003, Generalized Autoregressive Conditional Heteroscedastic Time Series Models, Simon Fraser University. Makidrakis, S., Wheelwright, S. and McGee,V. 1983. Forecasting: Methods and Application, Second Edition, John Willey and Sons, New York. Suhartono, 2003, Analisis Time Series Model ARIMA (Metode Box-Jenkins), Institut Teknologi Sepuluh Nopember Surabaya, Surabaya. Spiegl, R.M., 1992, Scaums Outline Series Theory and Problem of Statistic, Metric Edition, MC RAW-HILL Book Company, Singapore Tsay, S., Ruey, 2002, Analysis of Financial Time Series, John Willey & Sons. Inc, Chapman and Hall, New York. Wei, W.W.S. 2006. Time Series Analysis, Univariate and Multivariate. Method Second Edition. New York: Pearson Education. Wei, W.S. 1990. Time Series Analysis. Addison Wesley Publishing Company, San Juan.
29
Estimasi Model Regresi Nonparametrik Multivariat berdasarkan Estimator Polinomial Lokal Orde Dua
Dyah Widiantini, Suliyanto, Eko Tjahjono dyahwidiantini@yahoo.com
Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga Abstract. The purpose of this Skripsi is to estimate multivariate nonparametric regression model based on second order local polynomial estimator. Estimation of multivariate nonparametric regression model is obtained in explicit form from function bandwidth and fixed point arbitrary , so that estimation can be done with choose optimal bandwidth which minimized Generalized Cross Validation (GCV). Furtehermore, we explain the confidence level (1 )100% for mean of estimation of multivariate nonparametric regression model. In this case, we used data of babys weight in 2006 at Rumah Sakit Haji Surabaya. There are thirty observations where the response variable is weight of baby in kilogram and predictor variables are babys height in meter and head circumference of baby in meter. The results of multivariate nonparametric regression model in data of babys weight with confidence level 95% for mean of estimation babys weight on first observation is observation is 8.286 2, (1 ) 9.349, on second observation is 10.673 2, (2 ) 12.426, then on thirty 8.538 2, (30 ) 9.695, with an optimal bandwidth value for 1 is 1.1 and
2 is 0.3. For compatibility of the result multivariate nonparametric regression is obtained 0.992158139962808 and error random ~ (3.93603 , 1.02637).
MSE =
Keywords: multivariate nonparametric regression, second order local polynomial estimator, generalized cross validation
Pendahuluan
Analisis regresi digunakan untuk menelaah hubungan antara dua variabel atau lebih, terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan sempurna, atau untuk mengetahui pengaruh dari beberapa variabel prediktor terhadap variabel respon dalam suatu fenomena yang kompleks. Dalam analisis regresi terdapat dua macam pendekatan, yaitu pendekatan parametrik dan pendekatan nonparametrik. Pendekatan parametrik digunakan ketika sudah ada asumsi terhadap bentuk fungsi regresi berdasarkan teori atau pengalaman masa lalu. Sedangkan pendekatan nonparametrik tidak terikat oleh asumsi bentuk fungsi regresi tertentu. Dalam kasus nyata hubungan antara variabel respon dengan variabel prediktor seringkali tidak diketahui bentuk fungsi regresinya. Oleh karena itu pendekatan regresi nonparametrik banyak sekali digunakan. Estimasi regresi nonparametrik dilakukan berdasarkan data pengamatan dengan teknik smoothing tertentu. Ada beberapa teknik smoothing yang digunakan dalam regresi nonparametrik yang memuat satu variabel prediktor, diantaranya adalah Histogram, Estimator Kernel, Estimator Spline, Estimator Jurnal Matematika-FST Unair 2012
30 Penalized Spline, Estimator K-NN, Estimator Deret Fourier, Estimator Wavelet dan Deret Orthogonal [1]. Model regresi nonparametrik yang memuat lebih dari satu variabel prediktor dinamakan model regresi nonparametrik multivariat dan dapat dinyatakan sebagai = ( ) + ; = 1,2, , , dengan adalah variabel respon pada pengamatan ke , ( ) adalah fungsi regresi multivariat pada pengamatan ke yang diasumsikan kontinu dan tidak diketahui bentuknya dan error random ~(0, 2 ). Estimator polinomial lokal merupakan estimator yang didasarkan pada prinsip meminimumkan jumlah kuadrat eror dengan pembobot fungsi kernel, sedangkan ukuran bobot ditentukan oleh parameter yang disebut bandwidth. Polinomial lokal merupakan suatu pendekatan yang fleksibel dan efisien dalam metode statistik [6]. Estimator polinomial lokal orde satu dikenal sebagai estimator lokal linier, sedangkan estimator polinomial lokal dapat digunakan untuk lebih dari satu orde, sesuai yang diinginkan. Orde inilah yang akan menjadi derajat polinomial lokal yang sesuai bagi fungsi regresinya [2]. Berdasarkan uraian tersebut dalam skripsi ini dibahas estimasi model regresi nonparametrik multivariat menggunakan estimator polinomial lokal orde dua, yang bersumber dari buku Nonparametric and Semiparametric Models, dan ditambah aplikasinya pada data berat balita pada Rumah Sakit Haji Surabaya pada tahun 2006 menggunakan software S-PLUS 2000.
Fungsi Kernel Univariat
Sebuah fungsi ( ) dikatakan sebagai fungsi kernel jika memenuhi sifat : (i) () 0 untuk semua (ii) () = (), simetri disekitar = 0 (iii) () = 1 (iv) ( ) = 0 (v) 2 ( ) = 2 > 0 Beberapa jenis fungsi kernel univariat pada [3] adalah :
1
a. Kernel Uniform : ( ) = (| | 1) 2 b. Kernel Segitiga : ( ) = (1 | |) (| | 1) 3 c. Kernel Epairichnikov : ( ) = (1 2 )(| | 1) d. Kernel Kuadrat f. Kernel Cosinus g. Kernel Gaussian e. Kernel Triweight : : : ( ) = :
4
Secara umum fungsi kernel dengan bandwidth (h) dinotasikan sebagai berikut : Jurnal Matematika-FST Unair 2012
15 (1 2 )2 (| | 1) 16 35 ( ) = (1 2 )3 (| | 1) 32 ( ) = cos( )(| | 1) 4 2 1 1 ( ) = 2 exp 2 , < 2
<
31 ( ) = , < < , > 0

1
(1)
Fungsi Kernel Multivariat
Pada [4], diasumsikan = (1 , , ) adalah vektor random berdimensi-d. Misalkan menyatakan banyaknya pengamatan untuk setiap variabel random 1 , , maka pengamatan ke-i dari setiap d variabel random dinyatakan dalam vektor : 1 2 = , = 1,2, ,
1 [1 ] det()
(2)
dengan adalah pengamatan ke-i pada variabel random . Fungsi kernel untuk nilai bandwidth yang berbeda dapat dinotasikan sebagai berikut : dengan = (1 , 2 , , ) , maka berakibat 1 = , =
1 1 det()
() =
(3)
Fungsi kernel multivariat dapat diperoleh dengan menggunakan persamaan (3), yaitu : 1 1 2 1 2
1 1 1 , , . 1 2
1 = 1 2
1 1 2 2 1 , , , 1 1 2 2 1 1 2 1 2 1 2 1 2 1
Persamaan (4) di atas merupakan fungsi kernel multivariat.
= =1
(4)
Pemilihan Bandwidth Optimal
Bandwidth merupakan pengontrol keseimbangan antara kemulusan fungsi dan kesesuaian fungsi terhadap data. Jika besar maka estimasi fungsi yang diperoleh akan semakin mulus, sedangkan jika kecil maka estimasi fungsi yang diperoleh akan semakin kasar atau fungsi-fungsi menjadi semakin fluktuatif. Oleh karena itu dalam memilih nilai optimal sangat penting agar estimator yang diperoleh juga optimal. Suatu kriteria untuk akan dibatasi pada kelas estimator linier. Ini berarti untuk setiap ada matriks () berukuran sehingga: Salah satu metode untuk mendapatkan optimal adalah dengan menggunakan metode Generalized Cross Validation (GCV) yang dirumuskan sebagai berikut : (, ) = (
(,) 1 [(,)])2
() = (, )
(5)
(6)
32 ( ))2 . dengan (, ) = 1 =1(
10
Estimator Polinomial Lokal Orde Dua
Pada [4], dalam model regresi nonparametrik multivariat, fungsi () akan diestimasi dengan estimator polinomial lokal orde dua. Fungsi () dapat dihampiri dengan deret Taylor multivariat orde dua di sekitar = (1 , 2 , , ) sebagai berikut: Estimator polinomial lokal orde dua adalah nilai () yang meminimumkan fungsi : dengan ( ) adalah fungsi kernel multivariat.
2 = =1 ( )
( ) ( ) + ( ) + ( ) 2
(7)
(8)
11 Pertumbuhan Balita
Pada [3], cara pengukuran status gizi di masyarakat yang paling sering digunakan adalah antropometri gizi. Dewasa ini dalam program gizi masyarakat, penentuan status gizi balita pun menggunakan metode antropometri sebagai cara untuk menilai status gizi. Pengukuran antropometri ada dua tipe yaitu pertumbuhan dan ukuran komposisi tubuh. Penilaian pertumbuhan merupakan komponen esensial dalam surveilan kesehatan anak karena hampir setiap masalah yang berkaitan dengan fisiologi, interpersonal, dan domain sosial dapat memberikan efek yang buruk pada pertumbuhan anak.
Antropometri sebagai indikator status gizi dapat dilakukan dengan mengukur beberapa parameter. Parameter adalah ukuran tunggal dari tubuh manusia, antara lain umur, berat badan, tinggi badan, lingkar kepala, lingkar lengan, lingkar dada, dan tebal lemak bawah kulit.
Ukuran komposisi tubuh balita yang paling sering diukur di posyandu adalah berat badan. Ada beberapa faktor yang mempengaruhi berat badan balita, antara lain umur, tinggi badan, dan lingkar kepala. Pertumbuhan balita dikatakan baik jika berat badannya seimbang dengan umur, tinggi badan, dan lingkar kepalanya.
12 Metode Penelitian
Mengestimasi model regresi nonparametrik multivariat berdasarkan estimator polinomial lokal orde dua dilakukan dengan langkah-langkah sebagai berikut: Langkah 1.
33 = Mengasumsikan sebagai fungsi respon sebanyak pengamatan dan (1 , 2 , , ) dengan 1 , 2 , , sebagai variabel prediktor sebanyak , memenuhi model regresi nonparametrik multivariat = ( ) + ; = 1,2, , , dengan ( ) adalah fungsi regresi multivariat yang tidak diketahui bentuknya. Langkah 2. Melakukan hampiran terhadap fungsi () menggunakan pendekatan polinomial lokal orde dua di sekitar , yaitu sebagai berikut : () () + () + () dengan
1 2
Langkah 3. Menyatakan elemen-elemen dari vektor () sebagai berikut : ( ) = 0 () + 1 ()(1 ) + + ()( ) + 11 ()(1 )2 + + ()( )2 + 12 ()(1 )(2 ) + 13 ()(1 )(3 ) + + 1, (),1 ( ) dengan, 0 () = (), 1 () = 1, () = Langkah 4. 22 () =
2 () 1
(1 ) ()(1 ) (1 ) () 1 1 ) ) () = (2 () , = , () = (2 ()(2 ) 1 ( ) () ( ) ()( )
() () () 2 () () = () = () = , , , , , 2 11 1 2 1 2 () 2 () 2 () 2 () , , () = 2 , 12 () = , 13 () = , , 2
1 2 1 3
Meminimumkan fungsi terhadap vektor parameter () : dengan (, ) = (1 ), , ( ) Langkah 5. (). bagi vektor parameter (). Mendapatkan estimator Langkah 6. Mendapatkan estimasi model regresi nonparametrik multivariat, yaitu : () 2, () = Langkah 7. Mengestimasi vektor dari eror random , yaitu : = 2, () Langkah 8. Memperoleh estimasi bagi 2 , yaitu : Jurnal Matematika-FST Unair 2012 = (, )
34 2 =

2, ( ) = 2 2 (, )(, ) Langkah 9.
Kemudian menghitung nilai 2, ( ) , sehingga estimasi bagi 2, ( ) adalah
Menentukan distribusi dari variabel random, yaitu : = 2, ( ) ( ) ; = 1,2, , ( 2, ( ))
Langkah 10. Menentukan nilai . 2
Langkah 11.
Mendapatkan selang kepercayaan bagi model regresi nonparametrik multivariat pada pengamatan ke- , yaitu : 2, ( ) ( 2, ( )) < 2, ( ) < 2, ( )) 2, ( ) + 2 ( 2 Selanjutnya menerapkan model regresi nonparametrik multivariat data berat badan balita pada Rumah Sakit Haji Surabaya pada tahun 2006 menggunakan program dalam software Minitab dan SPLUS 2000 dilakukan dengan langkah-langkah sebagai berikut:
a. Menginputkan data berat badan balita pada Rumah Sakit Haji Surabaya pada tahun 2006 yang memenuhi asumsi model regresi nonparametrik multivariat dengan berat badan balita sebagai variabel respon, tinggi badan balita sebagai variabel prediktor pertama dan lingkar kepala balita sebagai variabel prediktor kedua. b. Membuat scatterplot antara variabel respon terhadap masing-masing variabel prediktor dalam software Minitab. c. Membuat algoritma dan program dalam software S-PLUS 2000. d. Mengestimasi model regresi data berat badan balita.
13 Hasil dan Pembahasan

Diasumsikan data pengamatan berpasangan { , } , = 1,2, , dengan adalah variabel respon ke i dan = (1 , 2 , , ) adalah variabel prediktor multivariat ke-i memenuhi model regresi nonparametrik multivariat, yaitu : = ( ) + ; = 1,2, , 1 () () + () + () 2 Jika nilai ( ) pada persamaan (1) disubstitusikan ke dalam persamaan (3), diperoleh : = 0 () + 1 ()(1 ) + + ()( ) + 11 ()(1 )2 + + ()( )2 + 12 ()(1 )(2 ) + + 1, (),1 ( ) + (9) Persamaan (9) jika dinotasikan dalam notasi matrik akan menjadi : Jurnal Matematika-FST Unair 2012
35 = ()() + (10) Estimasi model regresi pada persamaan berdasarkan estimator polinomial lokal orde dua diperoleh dengan meminimumkan fungsi :
2 = =1 ( )
(11)

1 dengan ( ) = =1
Jika dinotasikan dalam bentuk matriks, persamaan (11) dapat ditulis : = (, ) (12)
dengan
(, ) = ( ), , ( ) diperoleh :
(), maka minimumkan fungsi regresi dengan cara menghitung Untuk memperoleh = (, )
()
= 0,
= ()() (, )( ()(()
= (, ) (, )()() ()() (, ) + ()() = (, ) 2 ()() (, ) + ()() (, )()() (, )()()
= ( ()() )((, ) (, )()())
diperoleh :
()
Syarat cukup agar fungsi pada persamaan (12) mencapai minimum adalah =
()
= , sehingga
= 2() (, ) + 2() (, )()() () (, )()() = () (, )
2() (, )()() = 2() (, )
Syarat perlu agar fungsi pada persamaan (12) mencapai minimum adalah : () =
2 ()()
() = () (, )()1 () (, ) = 2() (, )()
() : Sehingga diperoleh nilai
(13)
36 adalah definit positif. Substitusikan persamaan (13) ke dalam persamaan (10), sehingga didapatkan : () = (, ) = () (14)
dengan
= 2, () 2 =

Selanjutnya, fungsi 2, ( ) akan diestimasi dengan menentukan selang kepercayaan bagi rata-rata 2, ( ) dengan terlebih dahulu vektor dari eror random pada persamaan (10) diestimasi oleh : Dari persamaan (14) diperoleh estimasi bagi 2 adalah :
Sehingga, estimator polinomial lokal orde dua untuk pengamatan ke-i dapat dituliskan sebagai berikut : 2, ( ) = (, ) (15) dengan (, ) adalah baris ke- dari matrik (, ).
(, ) = ()(() (, )())1 () (, )
Selanjutnya akan dihitung nilai varians dari 2, ( ) : 2, ( ) = (, )( )(, ) = 2 (, )(, ) = (, ) 2 (, )

(16)
2, ( ) = 2 2 (, )(, )
Estimasi bagi 2, ( ) pada persamaan (16) adalah :
(17)
variabel random
2, ( ) . Akibatnya linier dari persamaan (15) diperoleh 2, ( ) ~ 2, ( ) , 2 2, ( ) adalah sebagai berikut : =

2, ( ) 2, ( ) 2, ( )
Diketahui bahwa vektor random ~ ((), 2 ). Maka, ~ (( ), 2 ), sehingga kombinasi ~ (0,1). Selang kepercayaan (1 ) 100% bagi
2, ( ) 2 2, ( ) + 2 2, ( ) < 2, ( ) < 2, ( ) Data yang digunakan untuk penerapan model regresi nonparametrik multivariat berdasarkan estimator polinomial lokal orde dua ini adalah data sekunder yang diambil dari [5], yaitu data berat Jurnal Matematika-FST Unair 2012
37 badan balita di Rumah Sakit Haji Surabaya pada tahun 2006. Variabel respon pada data adalah berat badan balita sedangkan variabel prediktor pertama adalah tinggi badan balita dan variabel prediktor kedua adalah lingkar kepala balita. Pada data ini diambil jumlah pengamatan sebanyak 30.
Untuk mendapatkan estimator model regresi nonparametrik multivariat yang menunjukkan seberapa besar pengaruh tinggi badan balita dan lingkar kepala balita terhadap berat badan balita, langkah yang dilakukan adalah menentukan model hubungan antara variabel respon dengan variabel prediktor secara serentak dengan menggunakan pendekatan estimator polinomial lokal orde dua. Gambaran awal tentang data dapat dilakukan dengan membuat scatterplot antara berat badan balita dengan tinggi badan balita dan berat badan balita dengan lingkar kepala balita, dengan menggunakan software Minitab, sebagai berikut :
Gambar 1 Plot data awal berat badan balita terhadap tinggi badan balita
Gambar 2 Plot data awal berat balita terhadap lingkar kepala balita
Nilai bandwidth (h) optimal untuk tiap prediktor pada masing-masing pengamatan ditentukan oleh kriteria GCV dengan menggunakan program pada software S-PLUS 2000. Nilai bandwidth (h) optimal pada untuk variabel prediktor tinggi badan balita sebesar 1.1 dan untuk variabel prediktor lingkar kepala balita sebesar 0.3, diperoleh nilai minimum GCV sebesar 1.550223. Jurnal Matematika-FST Unair 2012
38
Nilai bandwidth (h) optimal akan digunakan untuk mencari nilai 2, ( ) pada tiap pengamatan. Dengan menggunakan program pada software S- PLUS 2000, diperoleh nilai estimasi model regresi nonparametrik multivariat pada setiap pengamatan dengan Mean Square Error (MSE) sebesar 0.992158139962808.
Plot selang kepercayaan 95% bagi rata-rata berat badan balita akan digambarkan melalui software Minitab 14 sebagai berikut :
Selanjutnya, dilakukan uji normalitas pada eror dengan menggunakan uji One sample KolmogorovSmirnov pada software S-PLUS 2000. Berdasarkan uji tersebut, diperoleh nilai p-value sebesar 0.5. Dengan nilai sebesar 5%, maka dapat disimpulkan bahwa eror berdistribusi normal.
Gambar 3 Plot selang kepercayaan bagi rata-rata berat badan balita
Berdasarkan Gambar 3 di atas, diperoleh hasil estimasi selang kepercayaan 95% bagi rata-rata berat badan balita pada pengamatan ke-1 adalah pengamatan ke-2 sebesar 10.673 2, (2 ) 12.426, sampai pada pengamatan ke-30 yaitu sebesar 8.538 2, (30 ) 9.695. 8.286 2, (1 ) 9.349, pada
4. Hasil estimasi model regresi nonparametrik multivariat dengan menggunakan estimator polinomial lokal orde dua adalah : 2, () = (, ) dengan (, ) = ()(() (, )())1 () (, ) 5. Penerapan data dalam model regresi nonparametrik multivariat adalah data berat badan balita pada Rumah Sakit Haji pada tahun 2006 sebanyak 30 pengamatan dengan variabel respon () adalah berat badan balita dalam satuan kilogram dan kedua variabel prediktornya adalah tinggi Jurnal Matematika-FST Unair 2012
14 Simpulan
39 badan balita dalam satuan meter dan lingkar kepala balita dalam satuan meter. Hasil penerapan model regresi nonparametrik multivariat pada data berat badan balita diperoleh diperoleh hasil estimasi selang kepercayaan 95% bagi rata-rata berat badan balita pada pengamatan ke-1 adalah 8.286 2, (1 ) 9.349, pada pengamatan ke-2 sebesar 10.673 8.538 2, (30 ) 9.695, dengan bandwidth optimal untuk variabel prediktor 1 sebesar 1.1 dan variabel prediktor 2 sebesar 0.3. Untuk kesesuaian hasil estimasi model regresi nonparametrik multivariat diperoleh nilai = 0.992158139962808 dan eror random ~ (3.93603 , 1.02637). Eubank, R.L., 1988, Spline Smoothing and Nonparametric Regression, Marcel Dekker, New York. Fan, J. and Gijbels, 1996, Local Polynomial Modelling and Its Application, Press, New York. Hardle, W., 1990, Applied Nonparametric Regression, Cambridge University Press, New York. Hardle, W., Muller, M., Sperlich, S., and Werwatz., 2004, Nonparametric and Semiparametric Models, Springer, New York. Hidayah, S., 2007, Estimasi Model Regresi Nonparametrik Multiprediktor dengan Error Lognormal berdasarkan Estimator Penalized Spline, Skripsi, Departemen Matematika, Universitas Airlangga. Zhang, Z. G., and Chan, S. C., 2010, On Kernel Selection of Multivariate Local Polynomial Modelling and its Application to Image Smoothing and Reconstruction, J Sign Process Syst 64:361374. 2, (2 ) 12.426, sampai pada pengamatan ke-30 yaitu sebesar
15 Daftar Pustaka
[1] [2] [3] [4] [5]
[6]
40
Algoritma Ant Colony Optimization (ACO) dengan Mutasi dan Local Search Untuk Menyelesaikan Vehicle Routing Problem
Muhammad Harun Ar Rosyid, Herry Suprajitno, Miswanto
Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga Kampus C, Jl. Mulyorejo, Surabaya
kirunkerenkan@live.com
Abstract. Vehicle routing problem (VRP) is one of the transportation problem that can be described as a set of vehicles that start and end its journey to serve a customer at a facility called a depot, with every customer has a demand or request, and all of the vehicle has same capacity and maximum total distance of vehicle. The thesis aims to determine the optimal route for a number of vehicles as the solution of the problem of vehicle routing problem using Ant Colony Optimization (ACO) algorithm with mutation and local search process that furthermore called by Improved Ant Colony Optimization (IACO) algorithm. IACO algorithm is ant colony optimization (ant algorithm) which coupled with the process of mutation and local search to improve solutions. Ant colony optimization algorithm is an algorithm that mimics the behavior of ants in search of food by finding the shortest route starts from the nest to the food place. IACO algorithm includes five basic processes, namely the process of initialization parameters, construction of the route, the process of mutation, local search, and update the pheromone. Mutation process used is a reciprocal exchange, and the local search process used is a local search 2-opt exchange. Data from some of the problems of vehicle routing problem that has many variations on the customer, vehicle capacity, and maximum total distance of vehicle implemented on IACO. Programs created with the Java programming language and use the NetBeans IDE 7.0 software for implementing the solution in the search algorithm IACO. Based on the comparison of results for different parameter values, the smaller the value of alpha, rho, and the constant Q, and the greater the value of beta produces a better solution.
Keywords: IACO Algorithm, Ant Colony Optimization, Vehicle Routing Problem, Mutations, Local Search.
16 Pendahuluan
Perancangan sistem distribusi yang efektif dapat menghasilkan penghematan biaya pengeluaran yang cukup signifikan bagi perusahaan. Potensi penghematan biaya dapat dihasilkan dari distribusi produk ke beberapa lokasi customer yang dikombinasikan ke dalam beberapa rute. Masalah pengoperasian dan perencanaan yang berhubungan dengan pendistribusian barang dipengaruhi oleh beberapa faktor seperti jangkauan area, biaya pengangkutan dan waktu yang diperlukan untuk pengangkutan. Permasalahan pendistribusian barang tersebut bertujuan meminimalkan beberapa sasaran pendistribusian dengan mengambil asumsi untuk semua rute, kendaraan harus berangkat dan kembali pada pusat fasilitas [4].
Permasalahan untuk meminimalkan rute pendistribusian barang dengan keterbatasan kapasitas kendaraan biasanya disebut dengan Vehicle Routing Problem (VRP). VRP adalah suatu nama umum
41 yang diberikan kepada suatu permasalahan dengan satu set rute untuk sejumlah armada angkut atau kendaraan yang berangkat dan kembali ke suatu tempat yang dinamakan dengan depot, yang harus disebarkan untuk melayani beberapa pelanggan.
Masalah vehicle routing termasuk dalam permasalahan NP-hard (Non Polynomial Hardness), yaitu suatu permasalahan yang membutuhkan komputasi yang lama dalam mencari penyelesaian masalah yang optimal sehingga diperlukan metode pencarian yang efektif untuk menyelesaikan permasalahan tersebut. Pada umumnya solusi masalah vehicle routing diperoleh dengan metode heuristik, yaitu metode yang digunakan untuk mencari solusi melalui semua kemungkinan yang ada, tetapi dalam pencariannya tidak bisa dijamin akan ditemukan solusi yang terbaik, sehingga metode ini biasanya disebut dengan metode perkiraan. Metode heuristik yang digunakan diantaranya Metode Saving, Algoritma Sweep ([4]&[6]), Algoritma Genetika, dan Ant Colony Optimization (ACO).
Jika dengan memisalkan depot pusat sebagai sarang dan customer sebagai makanan, maka VRP sangat mirip dengan perilaku pencarian makanan (food-seeking) oleh koloni semut yang terjadi di alam. Hal ini membuat pengkodean ACO untuk VRP cukup sederhana. Pada studi yang dilakukan oleh [3] menunjukkan sebuah algoritma hybrid ant system dengan menggunakan prosedur local search 2-opt exchange dan algoritma saving untuk VRP yang mampu memperbaiki kualitas dari solusi awal yang diperoleh dari algoritma semut. Dalam ACO, 2-opt exchange digunakan untuk memperbaiki solusi dalam rute-rute yang telah ditemukan oleh masing-masing kendaraan.
Pada jurnal ini akan dibahas masalah vehicle routing yang bertujuan menentukan rute yang optimal untuk sejumlah kendaraan yang akan beroperasi mendistribusikan barang ke sejumlah pelanggan. Rute yang terbentuk diharapkan menghasilkan total jarak yang minimum sehingga akan menghemat biaya transportasi untuk pendistribusian barang. Dari uraian di atas, penulis tertarik untuk menyelesaikan masalah vehicle routing menggunakan algoritma Ant Colony Optimization (ACO) dengan mutasi dan local search, yang selanjutnya disebut dengan algoritma Improved Ant Colony Optimization (IACO). Algoritma IACO adalah algoritma yang dibentuk dengan menambahkan proses mutasi dan local search sebelum proses update pheromone ke dalam algoritma ACO. Dengan adanya proses mutasi dan local search, algoritma IACO mempunyai kelebihan, yaitu mampu menemukan solusi optimal dari solusi awal yang terbentuk pada proses konstruksi rute.
17 Vehicle Routing Problem

Vehicle routing problem berkaitan dengan penentuan rute optimal untuk permasalahan lebih dari satu kendaraan (vehicle) dengan kapasitas tertentu untuk mengunjungi sejumlah pelanggan dengan permintaannya masing-masing. Rute yang terbentuk harus dimulai dan diakhiri di suatu tempat yang disebut depot. Setiap pelanggan dikunjungi hanya satu kali dan total permintaan semua pelanggan dalam satu rute tidak melebihi kapasitas kendaraan yang melayani rute tersebut.
42 Menurut [9], secara matematis VRP dapat dinyatakan sebagai suatu digraph G = (V, A) dengan V = {0, 1, , n} adalah himpunan simpul yang menunjukkan lokasi pelanggan dan A = {(i, j) | i, j V, i j} yaitu himpunan sisi berarah yang menyatakan jalan penghubung lokasi pelanggan. Simpul 0 menunjukkan depot, yaitu tempat menyimpan kendaraan yang digunakan untuk distribusi dan merupakan tempat dimulai dan diakhirinya suatu rute kendaraan. Banyaknya kendaraan yang tersedia di depot adalah K dengan kapasitas kendaraan adalah Q. Setiap pelanggan i memiliki permintaan sebanyak qi.
Tujuan dari VRP adalah meminimumkan biaya perjalanan atau jarak tempuh maka VRP dapat dimodelkan dalam bentuk sebagai berikut [9]:
N N K
Minimumkan z = dij xijk

i=0 j=0 k=1
(1)
dengan kendala:
N K
1.
xijk = 1
i=0 k=1 N N
j = 1,2,,N ij
(2)
2.
xilk xljk = 0
i=0 j=0 N
k = 1,2,,K l = 0,1,,N
(3)
3.
x0jk = 1
j=1 N N
k = 1,2,,K
(4)
4.
xijk W
i=1 j=0 N N
k = 1,2,,K
(5)
5.
dij xijk E
i=0 j=0
k = 1,2,,K
(6)
dengan:
43 xijk = dengan: z dij xijk qi W E = total jarak rute = jarak antara kota i dengan kota j = kendaraan k melayani kota j setelah mengunjungi kota i = permintaan kota i = kapasitas maksimum kendaraan = jarak tempuh maksimum kendaraan 1, 0, bila kendaraan k melayani j setelah melayani i bila tidak demikian (7)
18 Ant Colony Optimization

Ant Colony Optimization adalah suatu algoritma yang mengambil inspirasi dari perilaku semut riil.
Pada [5], langkah langkah ACO adalah sebagai berikut : 1. Inisialisasi parameter, yaitu : Alpha () = Tetapan pengendali intensitas Pheromone ( 0 ). Betha () = Tetapan pengendali visibilitas ( 0 ).
ij (t )
t
= Nilai Pheromone antara node i dan node j disaat t. = Iterasi ke-w , dengan w = 1,2,3,...,max_iterasi. = Koefisien penguapan intensitas pheromone
2. 3.
= Jarak antara node i dan node j. dij Jumlah Semut, Jumlah Node, Max_iterasi, dan Konstanta Q. Menempatkan sejumlah ant pada node awal Mengisi tabu list dengan cara menghitung nilai probabilitas dari node awal ke node yang akan dikunjungi. Tabu list adalah tempat yang disediakan untuk penyimpanan sementara dari solusi solusi yang dihasilkan pada tiap iterasi. Persamaan untuk menentukan nilai probabilitas sebagai berikut : () =
_[ ()] [ [ ()] [
1 ] 1 ]
(8)
Tetapi untuk menentukan nilai probabilitas dari kota awal ke kota yang akan dikunjungi untuk vehicle routing problem menggunakan persamaan :
ij htabuk ih
1 1
( ) =
(9)
keterangan : pij (k ) = probabilitas dari kota i ke kota j untuk semut k. Jurnal Matematika-FST Unair 2012
44 = jarak kota i ke kota j Menghitung panjang perjalanan. Setelah semua semut menyelesaikan satu siklus selanjutnya dihitung panjang perjalanan. Indeks s menyatakan indeks urutan perjalanan, node asal dinyatakan tabuk (s) dan node node lainnya dinyatakan sebagai {N-tabuk}. Menghitung panjang perjalanan dengan rumusan sebagai berikut : = () , (1) + 1 (10) =1 () , (+1) Perbaruhi matrik pheromone
k ij (t + 1) = . ij (t ) + ij k =1 m
4.
5.
(11)
dengan ij
adalah perubahan harga pheromone antar node setiap semut yang dihitung untuk (i, j ) node dalam tabuk
berdasarkan persamaan
ij
Q , = Lk 0,
Tetapi untuk vehicle routing problem, persamaan ij yang digunakan adalah

k
ij
Q D k d ij x = K L mk Dk , 0,
untuk (i, j ) node dalam tabuk
dengan Q adalah sebuah konstanta positif (Q > 0), L adalah total jarak semua rute pada solusi, Dk adalah total jarak pada rute ke-k, dij adalah jarak pelanggan i ke pelanggan j, dan mk adalah banyaknya pelanggan pada rute ke-k.
6.
Apabila siklus maksimum atau kondisi stagnan belum terpenuhi, maka kosongkan tabu list dan kembali ke langkah 2. Apabila siklus maksimum atau kondisi stagnan telah terpenuhi maka iterasi berakhir. Kondisi stagnan yaitu kondisi semua ant melakukan tour yang sama.
19 Mutasi
Dalam algoritma genetik, definisi tentang mutasi adalah proses perubahan sebagian sifat individu secara random yang menghasilkan struktur genetik baru.
Pada algoritma IACO, proses mutasi yang digunakan adalah reciprocal exchange. Menurut [7], mutasi reciprocal exchange adalah memilih dua posisi gen secara acak kemudian menukar gen pada kedua posisi tersebut. Berikut adalah langkah-langkah dari proses mutasi reciprocal exchange menurut [2]:
Langkah 1
Pilih dua rute secara acak dari parent solution. Kemudian pilih satu kota atau customer dari masing-masing rute yang terpilih.
45 Langkah 2 Tukar posisi dari kedua kota atau customer yang terpilih pada langkah 1.
Probabilitas mutasi yang digunakan oleh [2] adalah sebagai berikut:

max min T pm (t) = pmin (12) m + pm pm dimana pm (t) adalah probabilitas mutasi pada iterasi ke-t, pmin m adalah tingkat probabilitas mutasi 1
t
(kota), pmax adalah tingkat probabilitas mutasi tertinggi yang didefinisikan dengan persamaan m pmax m =
1 nv
terendah yang didefinisikan dengan persamaan pmin m = n dengan nc adalah jumlah semua pelanggan
c
dengan nv adalah jumlah rute yang terbentuk pada solusi, t adalah iterasi saat ini, dan T
adalah iterasi maksimum yang diberikan.
20 Local Search
Local search adalah metode untuk mengidentifikasi sebuah solusi dari suatu permasalahan dengan mempertimbangkan solusi-solusi potensial yang tersedia sampai ditemukan satu solusi yang memenuhi kriteria [8].
Metode yang dipakai dalam proses local search adalah metode 2-opt. metode 2-opt merupakan salah satu metode local search yang mengeliminasi arc / jalur yang bersilangan pada suatu rute tunggal dengan cara mengambil 2 jalur lalu menghubungkan kembali keempat vertex / lokasi pelanggan yang berdekatan.
Gambar 1. Contoh metode 2-opt
Contoh metode 2-opt dapat dilihat pada Gambar 2.3. Pada gambar tersebut, pelanggan i+1 yang dilayani setelah pelanggan i diubah menjadi pelanggan yang dilayani setelah pelanggan j+1, sedangkan pelanggan setelah j+1 yaitu j dilayani setelah pelanggan i+1. Hal ini dilakukan dengan mengganti sisi (i, i+1) dan (j+1, j) berturut-turut dengan sisi (i, j+1) dan (i+1, j).
21
Algoritma Improved Ant Colony Optimization (IACO)
Algoritma IACO adalah algoritma ACO yang telah dimodifikasi dengan menyertakan proses mutasi dan local search sebelum proses update pheromone [2].
Prosedur algoritma IACO: Jurnal Matematika-FST Unair 2012
46 a. Inisialisasi. Menentukan jumlah kendaraan atau semut (K), jumlah pelanggan atau kota (N), jarak tempuh maksimum kendaraan (E), kapasitas maksimum kendaraan (W), pengendali intensitas jejak semut (), pengendali visibilitas jarak kota i ke kota j (), konstanta pengontrol kecepatan penguapan jejak semut (), konstanta Q, feromon awal (awal), jarak setiap pelanggan (dij), permintaan setiap pelanggan (qi), dan total iterasi (T). b. Konstruksi rute. Masing-masing semut memilih kota tujuan dengan mengacu pada perhitungan probabilitas pij(k). Nilai probabilitas pij(k) dikomulatifkan, setelah itu dibangkitkan satu nilai random riil antara 0 sampai dengan 1. Cek nilai random berada pada area komulatif pij(k) mana. Pilihlah kota tujuan dengan mengacu pada indeks kota dari pij(k) komulatif yang terpilih. Total demand dari kota-kota pada tiap rute tidak boleh melebihi kapasitas kendaraan, dan total jarak rute tidak boleh melebihi total jarak maksimal kendaraan. c. Cek nilai_random Pm(t). Pilih dua rute dengan total jarak terbesar. Bangkitkan nilai random riil antara 0 sampai dengan 1 pada setiap kota di dua rute terpilih. Jika pada setiap rute terdapat kota dengan nilai random Pm(t), maka lakukan proses mutasi, dan jika tidak ada, lakukan proses local search. d. Proses mutasi. Pilih dua kota berbeda dengan nilai random Pm(t) pada dua rute terpilih dilangkah c. Kemudian tukar posisi kedua kota tersebut. Cek total jarak rute dan total demand setelah penukaran posisi kota. Jika total jarak rute dan total demand tidak melebihi constraint, maka lanjutkan ke proses local search, dan jika melebihi constraint, maka clear solusi dari mutasi dan lanjutkan ke proses local search dengan mengacu pada solusi konstruksi rute. e. Proses local search. Tukar posisi kota yang terpilih dengan kota-kota pada rute yang baru. Cek total jarak rute dan total demand. Pilih susunan rute dengan total jarak terkecil. f. Update pheromone. Proses update pheromone dilakukan setelah proses local search. Proses ini bertujuan untuk mengurangi jumlah pheromone pada semua link seperti proses evaporasi atau penguapan pheromone, dan untuk memastikan bahwa tidak ada satu jalur yang menjadi terlalu dominan. g. Mengulang proses. Jika iterasi sama dengan T maka iterasi berhenti dan mendapatkan solusi terbaik dari semua iterasi. Apabila belum tercapai, kembali melakukan langkah b.
Berikut flowchart dari algoritma IACO:
47
Gambar 2. Flowchart algoritma IACO
22 Hasil dan Pembahasan Data yang digunakan diambil dari [1]. Solusi didapatkan dengan menggunakan program yang menerapkan algoritma improved ant colony optimization (IACO) yang disusun dalam bahasa pemrograman java. Dilakukan perbandingan parameter. Data yang digunakan adalah data P01 dan P05. Berikut hasil perhitungan total jarak semua rute yang didapatkan pada masing masing permasalahan dengan parameter yang berbeda, yaitu berdasarkan alpha, betha, rho, dan konstanta Q. Pada perbandingan ini, data P01 menggunakan parameter diantaranya jumlah semut atau kendaraan = 5, jumlah kota atau pelanggan = 50, jarak tempuh maksimum kendaraan = 0, kapasitas kendaraan = 160, pheromone awal = 0,1, dan total iterasi = 1000. Sedangkan untuk data P05 menggunakan parameter diantaranya jumlah semut atau kendaraan = 20, jumlah kota atau pelanggan = 199, jarak tempuh maksimum kendaraan = 0, kapasitas kendaraan = 200, pheromone awal = 0,1, dan total iterasi = 250. Jika jarak tempuh maksimum kendaraan = 0, maka berarti dalam pemilihan kota yang akan dilayani hanya mengacu pada batasan kapasitas kendaraan, dan jauh pendeknya jarak tidak dipermasalahkan.
Tabel 1 Total jarak semua rute dengan pembanding alpha
48
Data (jumlah kota, kapasitas kendaraan) P01 (50, 160) P05 (199, 200) 856.2111041927855 4434.740334818186 860.8271635893498 4571.283609059414 943.2022937138713 4587.644659242707 Tabel 2 Total jarak semua rute dengan pembanding beta Beta 1 5 10 Data (jumlah kota, kapasitas kendaraan) P01 (50, 160) P05 (199, 200) 856.2111041927855 4434.740334818186 709.2558612529662 1932.840676430728 659.026661268713 1875.492037923544 Tabel 3 Total jarak semua rute dengan pembanding rho Rho 0,1 0,5 0,8 Data (jumlah kota, kapasitas kendaraan) P01 (50, 160) P05 (199, 200) 805.2008449491516 4280.803187757259 848.5150081762803 4394.269916931748 856.2111041927855 4434.740334818186 Tabel 4 Total jarak semua rute dengan pembanding konstanta Q Konstanta Q 10 100 1000 Data (jumlah kota, kapasitas kendaraan) P01 (50, 160) P05 (199, 200) 814.2746904517317 3872.6681498576477 829.3389418283125 4083.6462805380434 856.2111041927855 4434.740334818186
Alpha 2 5 10
Berdasarkan Tabel 1 sampai 4 hasil yang diperoleh menunjukkan bahwa semakin kecil nilai alpha, rho, dan konstanta Q, serta semakin besar nilai beta menghasilkan solusi yang lebih baik. Semakin kecil nilai alpha, rho, dan konstanta Q, serta semakin besar nilai beta menghasilkan solusi yang lebih baik.
23 Simpulan
24 Daftar Pustaka
[1] [2] [3] [4] [5] [6] Beasley, J.E., 1990, OR-Library: distributing test problems by electronic mail, Journal of the Operational Research Society 41, 10691072, (http://neumann.hec.ca/chairedistributique/data/vrp/old/) diakses 1 Mei 2012. Bin, Y. et al., 2008, An Improved Ant Colony Optimization for Vehicle Routing Problem, European Journal of Operational Research, 196, 171-176. Bullnheimer et al., 1997, Applying The Ant System to The Vehicle Routing Problem, In: Second Metaheuristics International Conference, MIC97, Sophia-Antipolis, Prancis. Christofides et al., 1979, Combinatorial Optimization, John Willey and Sons, New York. Dorigo, M., Maniezzo, V. dan Colorni, A., 1996, The Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on System, Man, and Cybernetics-Part B 26, 29-41 Foulds, L.R., 1984, Combinatorial Optimization for Undergraduates, Springer-Verlag, New York.
49 [7] [8] [9] Obitko, M., 1998, Introduction to Genetic Algorithms, Czech Technical University, Prague (www.obitko.com/tutorials/genetic-algorithms) Sttzle, T.G., 1998, Local Search Algorithms for Combinatorial Problems, Dissertation, Technische Universitt Darmstadt. Toth, P. dan Vigo, D., 2002, The Vehicle Routing Problem, Siam Publisher, Philadelphia.
50
PERAMALAN HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE EXTREME LEARNING MACHINE
Muhammad Safiq Ubay, Auli Damayanti, Herry Suprajitno
Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga Kampus C, Jl. Mulyorejo, Surabaya muh.safiq@gmail.com
Abstract. Stock prices forecasting is one of the way to reduce risk of stock ownership by making price prediction next day based on previous day. The purpose of this undergraduate paper is to get stock prediction technically from several companies using Artificial Neural Network with Extreme Learning Machine method. Extreme Learning Machine (ELM) is a new learning method in Artificial Neural Network (ANN) model with single-layer feedforward neural networks (SLFNs). In predicting stock prices, data will be trained and look the most optimum weight. Then, using testing data training process, data will test how good the patterns are recognized by the network until minimal error obtained. With the validation test, data will be obtained the value of forecasting stock prices the next day using optimal weights of the training process.
Keywords : Extreme Learning Machine, Artificial Neural Network, Single Layer Feedforward Neural Networks, Testing Data Training, Validation Test.
1. Pendahuluan
Di Indonesia, saham telah lama menjadi salah satu alat investasi yang banyak diminati kalangan masyarakat. Saham mampu menghasilkan keuntungan yang lebih tinggi dibandingkan instrumen investasi lain seperti tabungan atau deposito bila dikelola dengan optimal. Agar keuntungan yang diperoleh optimal, seorang pemilik saham harus mampu memprediksi dan menganalisis pergerakan harga saham baik secara fundamental ataupun teknikal. Seiring berjalannya waktu dan meningkatnya permintaan akan kebutuhan untuk memprediksi data, banyak peneliti menggunakan jaringan syaraf tiruan (JST) untuk membuat aplikasi tentang peramalan harga saham seperti Pemilihan analisis teknis dalam berinvestasi saham menggunakan Probabilistic Neural Network[17], Peramalan harga saham perusahaan menggunakan Artificial Neural Network dan Akaike Information Criterion[2] dan Peramalan harga saham dengan algoritma backpropagation[12]. Dalam makalah ini akan diaplikasikan sebuah metode baru dalam JST yaitu Extreme Learning Machine (ELM). ELM merupakan jaringan syaraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan istilah single hidden layer feedforward neural networks (SLFNs). Metode ELM mempunyai kelebihan dalam learning speed [4], sehingga diharapkan dengan diterapkannya metode ini hasil peramalan yang diperoleh semakin akurat. 2. Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut : a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
51 b. c. d. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
3. Metode Extreme Learning Machine (ELM)

Metode pelatihan ELM adalah salah satu metode pelatihan yang baru di JST dan termasuk metode pelatihan terawasi. ELM ditemukan oleh Huang (2004). Huang (2004), berpendapat bahwa metode-metode JST yang telah ada sebelumnya memiliki kelemahan-kelemahan terutama dalam hal laju pembelajaran (learning speed). Huang (2004) menambahkan bahwa alasan utama mengapa JST mempunyai learning speed yang rendah adalah karena semua parameter pada jaringan ditentukan secara iteratif dengan menggunakan suatu metode pembelajaran. Parameter yang dimaksud adalah bobot input dan bias yang menghubungkan antara layer satu dengan layer yang lain. Pada metode ELM, bobot input dan bias mula-mula ditentukan secara random. Setelah itu, untuk mencari bobot akhir dapat dilakukan perhitungan secara analitis yaitu dengan menggunakan MoorePenrose Generalized Invers. Matriks yang digunakan dalam perhitungan bobot akhir adalah matriks yang beranggotakan jumlahan atau keluaran dari masing-masing input ke layer tersembunyi. Sehingga menurut Huang (2004), ELM memiliki learning speed yang cepat dan mampu menghasilkan good generalization performance. Standar SLFNs dengan jumlah input nodes sebanyak L dan fungsi aktivasi G(x) dapat digambarkan secara matematis sebagai berikut : Y = L =1 . ( , , b ) (1)
Dimana : j = 1,2,..., jumlah input. i = 1,2,, jumlah hidden. i = Merupakan vektor bobot yang yang menghubungkan antara lapisan hidden ke-i dan lapisan output. aj = Merupakan vektor bobot yang yang menghubungkan antara lapisan input ke-j dan lapisan hidden ke-i. Xj = Lapisan input yang terdiri dari j jumlah input. bi = Merupakan vektor bobot bias pada lapisan hidden ke i. Sedangkan output dari lapisan hidden layer yang teraktivasi dapat dituliskan sebagai berikut : ( , , ) = =1 . + (2)
Untuk jumlah input sebanyak n buah dan jumlah hidden sebanyak L buah, dapat disusun sebuah matriks H yang berisi hasil keluaran dari hidden layer yang berukuran n x L. Persamaan yang terbentuk adalah sebagai berikut : G(a1 , b1 , x1 ) G(aL , bL , x1 ) H= G(a1 , b1 , xn ) G(aL , bL , xn ) Sehingga persamaan (1) dapat dituliskan sebagai berikut :
(3)
52 Y = H (4)
Pada ELM, bobot input dan bias ditentukan secara acak. Dan bobot output diperoleh dari Persamaan 5 sebagai berikut : = H+Y dengan H+ adalah matriks pseudoinverse dari matriks H. (5)
4. Algoritma Jaringan Syaraf ELM A. Proses Training Data 1. Inisialisasi bobot dan bias Inisialisasi bobot dan bias menggunakan angka acak. 2. Hitung keluaran unit output Keluaran output dihitung dengan menggunakan Persamaan (1). 3. Hitung Mean Square Error (MSE). MSE = n T Yj n j=1 j
1 2
(6)
4. Periksa kondisi pemberhentian Iterasi yang ada pada training akan berhenti jika MSE < MSE MAX yang telah ditentukan atau epoch = epoch maksimal yang diinginkan. 5. Simpan bobot dan bias optimal. B. Proses Testing Data Training 1. Hitung keluaran unit output menggunakan persamaan 1. Data training yang sebenarnya akan dibandingkan dengan data nilai dari output testing data training 2. Hitung MSE menggunakan persamaan 6. C. Uji Validasi 1. Masukkan data validasi Data validasi adalah data sisa hasil dari total data sebenarnya dikurangi dengan data yang digunakan pada training. 2. Masukkan bobot dan bias optimal dari proses Training data. 3. Melakukan proses feedforward, yakni menghitung keluaran unit output. 4. Melakukan peramalan data Peramalan dilakukan dengan memasukkan bobot dan bias ke dalam pola data yang terakhir. 5. Melakukan Denormalisasi data, denormalisasi dilakukan agar data yang diperoleh selama proses dalam JST kembali ke data yang sebenarnya.
53 5. HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data sekunder [4]. Parameter-parameter yang digunakan diantaranya jumlah hidden, MSE maksimum dan maximum iterasi/epoch. Solusi didapatkan dengan menggunakan program yang menerapkan algoritma pada jaringan syaraf ELM yang disusun dalam bahasa pemrograman java. Setiap data yang diterapkan pada program dilakukan rata rata lima kali percobaan untuk mendapatkan solusi terbaiknya. Kemudian hasil tersebut dibandingkan dengan hasil yang didapatkan dengan menggunakan metode yang sama tapi dengan merubah parameter-parameter yang ada seperti jumlah hidden, MSE maksimum dan jumlah epoch/iterasi. Tabel 1 menunjukkan hasil peramalan jaringan syaraf ELM dibandingkan dengan harga sebenarnya. Untuk mengetahui performa dari peramalan yang dilakukan, maka akan ditampilkan gambar dari grafik testing data training dan uji validasi masing-masing pada Gambar 3 dan Gambar 4. Gambar 3. Grafik testing data training
Dari Gambar 3 dapat
disimpulkan bahwa output jaringan syaraf ELM mampu mengenali pola training dengan baik. Selanjutnya untuk mengetahui apakah bobot optimal yang didapatkan selama proses training mampu mengenali pola data validasi dengan baik. Akan ditampilkan Gambar 4 yang menggambarkan grafik peramalan data validasi.
54
Gambar 4. Grafik uji validasi untuk peramalan data saham harian
Dari Gambar 4 diatas dapat
disimpulkan bahwa output jaringan syaraf ELM mampu mengenali pola data validasi dengan baik. Pada Tabel 1 berikut adalah hasil peramalan saham dengan jaringan Syaraf ELM pada 5 perusahaan terkemuka di Indonesia.
Tabel 1. Hasil Peramalan saham pada 5 buah perusahaan
NO.
Nama Perusahaan PT.BANK MANDIRI PT.SEMEN GRESIK PT.ASTRA INT.
MSE Training 0,0001897775 0,0001348025 0,0000975781
MSE Validasi 0,00056 0,002 0,00033
Nilai Peramalan 7043 10591 65937
Nilai Sebenarnya 6750 10900 64000
Selisih (%) 4.340 2.834 3.026
1 2 3
55 4 5 PT.PGN PT.INDOFOOD 0,0006399139 0,0001275912 0,00008 0,00053 3795 4818 3650 4700 3.972 2.510
Dari tabel diatas dapat disimpulkan bahwa besarnya kesalahan atau error yang dihasilkan oleh jaringan syaraf ELM cukup kecil. Hal ini ditunjukkan dengan besarnya selisih antara harga peramalan dengan data aslinya yang cenderung kecil.
6. KESIMPULAN Hasil yang diperoleh dengan menggunakan jaringan syaraf ELM terbukti mampu mengenali pola baik data training dan data validasi. Peramalan data harga saham menggunakan metode jaringan syaraf tiruan metode Extreme Learning Machine dapat digunakan sebagai alat bantu pembuat keputusan dalam berinvestasi.
DAFTAR PUSTAKA
1. Agustina, I, 2010, Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan, Skripsi, Institut Teknologi Sepuluh Nopember Surabaya 2. Eliyani, 2007, Peramalan harga saham perusahaan menggunakan Artificial Neural Network dan Akaike Information Criterion, Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta 3. El-sebakhy, 2008, Extreme Learning Machine as a New Framework in Predicting Material Properties: Methodology and Comparison, International Association for Computer Methods and Advances in Geomechanics (IACMAG), India 4. Huang, G. B., Zhu, Q. Y., Siew, C. K., 2006, Extreme learning machine: Theory and application, Neurocomputing, 70, 489-501 5. Iman, N. , 2008, Kiat-kiat membiakkan uang di masa sulit, Elex Media Komputindo, Jakarta 6. Kusumadewi, S., 2003, Artificial intellegence (teknik dan aplikasi), Graha ilmu, Yogyakarta. 7. Lesmana, A., 2007, Penggunaan jaringan syaraf tiruan metode backpropagation untuk memprediksi harga saham, Skripsi, Universitas Gunadarma Jakarta 8. Manurung, A. H., 2010, Wealht Management, Kompas Gramedia, Jakarta 9. Nachrowi, N. J. 2004, Teknik Pengambilan Keputusan, Grasindo, Jakarta 10. Purnomo, R., S., dan Hariani, I. , 2010, Buku Pintar Hukum Bisnis Pasar Modal, Transmedia Pustaka, Jakarta 11. Rojas, R., 1997, Neural Network : A Systematic Introduction , Springer-Verlag, Berlin 12. Setiawan, W., 2008, Peramalan harga saham dengan algoritma backpropagation, Konferensi Nasional Sistem dan Informatika, Bali 13. Siang, J.J, 2005, Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab, Penerbit Andi, Yogyakarta 14. Situmorang, P., dkk., 2010, Jurus-jurus Berinvstasi Saham, Trans Media Pustaka, Jakarta 15. Syamsir, H., 2004, Solusi Investasi Bursa Saham, Elex Media Komputindo, Jakarta Jurnal Matematika-FST Unair 2012
56 16. Tang, Z. and P. A. Fishwick, 1993, Feed-forward Neural Networks as Models for Time Series Forecasting, ORSA Journal on Computing 17. Tristiyanto, 2007, Pemilihan analisis teknis dalam berinvestasi saham menggunakan Probabilistic Neural Network, Prosiding Seminar Nasional Sains dan Teknologi 18. Wahana, komputer, 2010, Membangun GUI dengan JAVA Netbeans 6.5, Penerbit Andi, Yogyakarta 19. Widrow, B and Stearns, S. D., 1985, Adaptive Signal Processing, New Jersey: Prentice-Hall, Inc 20. Zuhdi, A., Asih, A. M. S., Sutono, S. B., 2004, Model integrasi jaringan syaraf tiruan dan sistem pakar untuk pengambilan keputusan investasi saham, Jurnal Mesin dan Industri, 1, 63-79
57
Genetic Algorithm Untuk Menyelesaikan Fuzzy Multi-Objective Job Shop Scheduling Problem
Marisa, Herry Suprajitno, Auli Damayanti Departemen Matematika, Fakultas Sains dan Teknologi Universitas Airlangga Kampus C, Jl. Mulyorejo, Surabaya 600115 marisa.sha16@gmail.com
Abstrack. Job Shop Scheduling Problems (JSSP) is a scheduling problem containing of n jobs and m machines which each job consists of several operations performed by different machines. Generally, many factors influence the JSSP, but in the real world, the uncertainty factors such as delays in the working process and the duration of the operation give effects in determining the schedule. To overcome these uncertainties, fuzzy number are used for processing time and due date. The purpose of this skripsi is to solved Fuzzy Multi-Objective (Agreement Index (AI) and Completion Time) JSSP (FMOJSSP) by using Genetic Algorithm (GA). The steps of GA are to generating the initial chromosomes based on the degree of similarity between individuals, evaluation, tournament selection, crossover and mutation. The program made is implemented on three datas (problems) of size 66 and the best results for mean of AI, minimum of AI and maximum of completion time for Problem 1 respectively are 0,96186; 0,79422 and (65,0; 87,0; 110,0), for Problem 2 respectively are 0,99227; 0,97460 and (60,0; 83,0; 99,0), for Problem 3 respectively are 0,84864; 0,69231 and (28,0; 38,0; 49,0). Three numbers of completion time sequentially showing the fastest completion time, the normal completion time and completion time of late.
Keywords : Fuzzy Multi-Objective JSSP, Degree of Similarity, Genetic Algorithm, Agreement Index.
1.Pendahuluan
Pada saat ini, perkembangan ilmu dan teknologi banyak mempengaruhi perkembangan dunia industri dan manufacturing, hal ini berdampak pada persaingan industri. Dalam menghadapi persaingan tersebut diperlukan strategi dalam menentukan penempatan urutan job sehingga waktu yang diperlukan menjadi efisien. Dengan waktu yang efisien tersebut diharapkan industri dapat mengurangi pengeluaran biaya produksi serta dapat memenuhi kebutuhaan konsumen tepat waktu. Salah satu permasalahan penjadwalan yaitu Job Shop Scheduling Problem (JSSP). Dalam JSSP terdapat m mesin dan n job yang akan dijadwalkan. Masing-masing job terdiri dari beberapa operasi yang dilaksanakan oleh mesin yang berbeda dan masing-masing job memiliki urutan mesin tersendiri. Dalam proses penjadwalan ada beberapa faktor ketidakpastian seperti keterlambatan proses pengerjaan, dan lamanya proses pengoperasian yang ikut berpengaruh. Untuk mengatasi ketidakpastian tersebut, maka digunakan bilangan fuzzy yaitu Triangular Fuzzy Number untuk processing time dan Trapezoidal Fuzzy Number untuk duedate. Bilangan tersebut nantinya akan digunakan untuk menghitung waktu penyelesaian masing-masing job di keseluruhan mesin
58 (Completion time). Setelah completion time didapatkan maka akan diperhitungkan kesesuaian antara waktu penyelesaian tiap-tiap job tersebut dengan due date yang disebut dengan Agreement Index. Makalah ini menggabungkan penelitian yang telah dilakukan oleh Sakawa yang menggunakan derajat kesamaan dalam membangkitkan individu awal dengan penelitian yang dilakukan oleh Lei yang menggunakan seleksi turnamen dalam pemilihan induk, sedangkan crossover dan mutasi yang digunakan yaitu Partial Schedule Exchange Crossover dan Swap Mutation. Dengan menggunakan Fuzzy Processing Time dan Fuzzy Due Date, penyelesaian JSSP menggunakan Multiobjective Genetic Algorithm akan diperkenalkan lebih lanjut. Pada skripsi ini fungsi objektif yang digunakan tidak hanya memaksimalkan minimum Agreement Index (AI) tetapi juga memaksimalkan rata-rata Agreement Index dan meminimunkan maksimum Completion time.
2.Job Shop Scheduling Problem

Dalam [1] dijelaskan bahwa secara umum, sebuah permasalahan job shop scheduling dirumuskan sebagai berikut. Misalkan terdapat n job Ji dengan Ji adalah job ke-i (i=1,2,..,n) yang diproses pada m mesin Mr dengan Mr adalah mesin ke-r (r=1,2,..,m) dan dimisalkan pula operasi dari job Ji pada mesin Mr adalah Oi,j,r dimana {1,2,,m} adalah posisi operasi urutan mesin pada masing-masing job. Atau dapat diartikan bahwa Oi,j,r menunjukkan operasi ke-j pada job Ji yang diproses pada mesin r.
Dalam JSSP digunakan beberapa definisi dan notasi yang dijelaskan dalam [2]: a. Waktu pemrosesan (Processing Time atau pij) Merupakan panjang waktu yang dibutuhkan untuk melaksanakan masing-masing operasi job termasuk waktu untuk mengatur (set up) mesin dan waktu untuk memindahkan job pada mesin. b. Waktu tenggat (Duedate atau di,) Merupakan waktu ideal dimana job ke-i harus sudah diselesaikan.
59 c. Waktu penyelesaian (Completion Time atau Ci) Merupakan waktu dimana job ke-i selesai diproses. d. Makespan (Cmax) Merupakan total waktu proses seluruh job.
3. Fuzzy
Jika diterjemahkan menurut kamus, fuzzy dapat diartikan sebagai sesuatu yang tidak jelas atau buram yang menggambarkan ketidakpastian. Penjelasan tentang definisi dasar dan operasi yang digunakan diambil dari [1], [3], [4], [5], dan [6].
Sebuah himpunan X yang merupakan himpunan semesta pada himpunan fuzzy A dinyatakan dengan sebuah Fungsi Keanggotaan (membership function), A [ x] yang menunjukkan pemetaan masingmasing titik x X ke dalam sebuah nilai real pada interval antara 0 dan 1 dan disebut sebagai derajat keanggotaan (degree of membership). Nilai A [ x] menyatakan fungsi keanggotaan dari x pada himpunan A. Sehingga, semakin dekat nilai A [ x] ke nilai 1, maka semakin tinggi nilai keanggotaan dari x di A. Secara lebih jelas himpunan fuzzy A dinotasikan sebagai berikut :
A = {( x, A [ x]) | x X }
60 Triangular Fuzzy Number (TFN) adalah himpunan fuzzy yang memiliki tiga titik a,b,c ditunjukkan pada Gambar 1. Dan fungsi keanggotaannya adalah :
0; x a x c x a [ x ] = ;a x b b a c x ;b x c c b
1, Derajat keanggotaa [ x ] 0 a b Domain c
Gambar 1
Trapezoidal Fuzzy Number adalah himpunan fuzzy yang mempunyai empat titik yaitu a, b, c, d seperti ditunjukkan pada Gambar 2. Dan fungsi keanggotaannya adalah :
0; x a x d xa ;a x b [ x ] = b a 1; b x c d x ;c x d d c
1 Derajat keanggotaan
[ x ]
0 a b Domain c d
Gambar 2
Dalam himpunan fuzzy ada beberapa operasi yang sering digunakan antara lain: a. Operator AND yang digunakan untuk menghubungkan operasi interseksi pada himpunan.
A B = min( A [ x], B [ x])
b. Operator OR yang digunakan untuk menghubungkan operasi union pada himpunan.
A B = max( A [ x], B [ x])
c. Operator NOT yang digunakan untuk menghubungkan operasi komplemen pada himpunan.
A' = 1 A [ x]
~
Misalkan A = (a 1 ,a 2 ,a 3 ) dan B = (b 1 ,b 2 ,b 3 ) merupakan dua TFN, maka operasi digunakan pada bilangan fuzzy tersebut adalah : 1. A + B = (a 1 ,a 2 ,a 3 ) + (b 1 ,b 2 ,b 3 ) = (a 1 +b 1 ,a 2 +b 2 ,a 3 +b 3 ) Operasi ini akan digunakan untuk menghitung waktu penyelesaian operasi. 2. A B = (a 1 ,a 2 ,a 3 ) (b 1 ,b 2 ,b 3 ) (a 1 b 1 ,a 2 b 2 ,a 3 b 3 ) Jurnal Matematika-FST Unair 2012
yang dapat
61 Operasi ini akan digunakan untuk menghitung waktu mulai operasi.
Untuk lebih mempermudah penyelesaian fungsi objektif yang menggunakan bilangan fuzzy maka digunakan fungsi keanggotaan linear (Linear Membership Function) dengan z i adalah nilai masingmasing fungsi objektif dengan i = 1,2,3 , z i0 adalah nilai fungsi objektif i terendah dan z i1 adalah nilai fungsi objektif i tertinggi. Sedangkan i [ z i ] adalah derajat keanggotaan ke-i untuk fungsi objektif i. Maka dapat dibuat fungsi keanggotaan linear untuk memaksimalkan fungsi objektif yang didefinisikan pada persamaan 1 dan untuk meminimalkan fungsi objektif yang didefinisikan pada persamaan 2.
0, z i < zi0 0 z z i [ z i ] = 1i i 0 , zi0 < zi zi1 zi zi 1, zi zi1
(1)
1, z i < zi0 1 zi zi 0 , zi < zi zi1 i[ z i ] = 1 0 z z i (2) i 0, zi zi1
4. Algoritma Genetik (Genetic Algorithm)

Penjelasan tentang definisi dasar pada Algoritma Genetik diambil dari [1], [7], [8] dan [9]. Berdasarkan [7], Genetic Algorithm (GA) adalah teknik pencarian stochastic yang didasari oleh mekanisme seleksi alami (natural selection) dan proses genetik alami (natural genetics) . Pengkodean yang digunakan yaitu pengkodean permutasi berulang, dimana setiap kromosom adalah barisan angka yang menunjukkan job.
62
GA diawali dengan membangkitkan individu awal secara random. Untuk menjaga keanekaragaman pembangkitan individu awal, dalam penelitian yang dilakukan oleh M. Sakawa dan R. Kubota telah diperkenalkan suatu metode pembangkitan solusi awal yang berdasarkan kepada derajat kesamaan (degree of similarity) antar masing-masing individu. Berdasarkan banyak penelitian yang telah dilakukan diketahui bahwa pada saat membangkitkan individu dengan derajat kesamaan 0,8 atau kurang maka solusi yang diperoleh akan lebih konvergen (Sakawa, 2000). Gambar 3 menunjukkan contoh perhitungan degree of similarity dari dua individu pada permasalahan 4x4 FJSSP.
Gambar 3
Tabel diatas merupakan tabel urutan job pada tiap-tiap mesin dari individu 1 dan individu 2. Untuk individu 1, job 1 pada mesin 1 memiliki prioritas diatas job 2, 3 dan 4. Untuk individu 2, job 1 pada mesin 1 kehilangan prioritas terhadap job 2 dan memiliki prioritas terhadap job 4 dan 3. Karena kedua individu memiliki prioritas yang sama untuk job 1 pada mesin 1 diatas job 4 dan 3 maka diberi nilai 2. Jika dilakukan perhitungan yang sama pada job 2, 4 dan 3 maka akan diperoleh nilai masingmasing 2, 3 dan 3 pada mesin 1. Jika dihitung untuk semua mesin maka akan diperoleh total nilai 44. Karena 12 x 4 adalah 48 pada saat urutan prioritas sama untuk semua job, maka rasio menjadi 44/48 dan diperoleh degree of similarity sebesar 0,917 yang berarti bahwa tingkat kesamaan individu 1 dan individu 2 sebesar 91,7%.
Langkah selanjutnya dalam GA yaitu seleksi untuk memilih induk yang digunakan dalam operasi genetik, crossover dan mutasi. Dalam proses seleksi digunakan seleksi turnamen. Seleksi ini dilakukan dengan memilih secara random sebuah himpunan (set) kromosom dan memilih satu kromosom terbaik dari himpunan tersebut untuk digunakan dalam reproduksi. Jumlah kromosom pada himpunan tersebut disebut tournament size atau tour. Nilai tournament size yang umum adalah 2. Setelah dilakukan proses seleksi maka dilakukan crossover untuk mengkombinasi dua induk terpilih dan mutasi yaitu merubah susunan kromosom induk. Crossover yang akan digunakan yaitu Partial Schedule Exchange Crossover dengan cara : 1. Memilih satu posisi pada parent 1 secara random. 2. Menentukan job terdekat yang sama dengan job pada posisi terpilih., sehingga diperoleh partial schedule 1.
63
3. Partial schedule selanjutnya dari parent 2 harus dimulai dan diakhiri dengan job yang sama 4. Menukar posisi partial schedule 1 kedalam parent 2 dan partial schedule 2 kedalam parent 1. 5. Hasil dari pertukaran partial schedule biasanya akan menyebabkan jumlah gen yang tidak sesuai,
dengan job awal dan akhir pada partial schedule 1, sehingga diperoleh partial schedule 2.
sehingga harus dicari kelebihan dan kekuranga gen pada masing-masing anak hasil crossover. 6. Menghapus kelebihan gen dan menambah kekurangan gen pada masing-masing anak hasil crossover dengan memperhatikan urutan operasi job pada parent pembentuk partial schedule. Sedangkan mutasi yang digunakan adalah Swap Mutation yaitu dengan memilih dua posisi gen induk secara acak kemudian menukar gen pada kedua posisi tersebut. Secara umum langkah-langkah dalam algoritma genetika yaitu : 1. [Mulai] Membangkitkan populasi secara random sebanyak n individu (solusi feasible dari permasalahan) 2. [Fitness] Menilai keandalan setiap individu dalam populasi. 3. [Populasi baru] Membentuk populasi baru lewat pengulangan pengoperasian operator genetik berikut sampai populasi baru lengkap. a. [Seleksi] Memilih induk dari populasi sesuai dengan nilai keandalannya (keandalan yang lebih baik, lebih berpeluang untuk terpilih). b. [Crossover] Dengan suatu laju crossover, crossover induk untuk membentuk anak (individu baru). Jika tidak ada crossover yang dilaksanakan, anak merupakan copian yang sama dengan induknya. c. [Mutasi] Menggunakan suatu probabilitas, mutasi induk pada masing-masing sifat (lokus = posisi dalam kromosom). 4. [Mengganti] Menggunakan populasi yang baru dibentuk untuk menjalankan algoritma lebih lanjut. 5. [Menguji] Jika sudah mencapai n iterasi atau optimal, berhenti dan diperoleh solusi terbaik dari populasi ini. Jika tidak maka kembali ke langkah 2 sampai diperoleh solusi terbaik dari populasi ini.
5.Fuzzy Multi-Objective JSSP (FMOJSSP)

Penjelasan tentang definisi dasar FMOJSSP diambil dari [1]. Pada penyelesaian JSSP digunakan ~ Triangular Fuzzy Number (TFN) yang dilambangkan dengan bentuk triplet A = (a 1 ,a 2 ,a 3 ) . Untuk mencari nilai yang paling besar dari TFN maka digunakan metode ranking, yaitu : Kriteria 1 : Nilai kelompok terbesar digunakan sebagai kriteria pertama untuk meranking dua bilangan TFN.
~ a 1 +2a 2 + a 3 K 1( A ) = 4
Kriteria 2
: Jika K1 tidak dapat meranking dua TFN, penduga maksimal terbaik dipilih sebagai kriteria kedua.
~ K 2 ( A) = a 2
Kriteria 3 : Jika K1 dan K2 tidak dapat meranking dua TFN, beda penyebaran dipilih sebagai kriteria ketiga.
64
~ K 3 ( A) =a 3 a 1
Selain waktu pemrosesan, pada Fuzzy Job Shop Scheduling Problem (FJSSP) adalah menghitung Agreement Index (AI) masing-masing job. Dalam penelitian ini Trapezoidal Fuzzy Number yang digunakan untuk mewakili duedate time dilambangkan dalam bentuk doublet D = (d 1,d 2 ) seperti ditunjukkan Gambar 4 dan digunakan untuk menghitung AI seperti pada Gambar 5. pada
~ D
0
~ D
~ C
d1
d2
d1
Gambar 5
d2
Gambar 4
~ ~ ~ Nilai AI dapat dihitung dengan : AI = (area C i D i )/(area C i )

Pada permasalahan JSSP suatu optimal schedule akan diperoleh dari sebuah himpunan active schedule. Sebuah jadwal dikatakan aktif jika tidak ada operasi yang dapat dimulai lebih awal tanpa menunda beberapa operasi lain atau melanggar kendala urutan mesin. Untuk membangkitkan active schedule digunakan Algoritma Giffler dan Thompson yang lebih disesuaikan dengan FJSSP, yaitu sebagai berikut : Step 1: Tentukan himpunan S, himpunan semua operasi paling awal pada urutan mesin diantara operasi yang belum dijadwalkan yang disebut cut. Step 2: Abaikan bahwa hanya satu operasi yang dapat diproses pada masing-masing mesin pada suatu waktu, buat sebuah jadwal dari fuzzy completion time masing-masing operasi dan tentukan EC i1, j , r , EC i2, j , r , EC i3, j , r yang merupakan fuzzy completion time yang diperoleh dari masing-masing operasi Oi,j,r S. Step 3: Tentukan operasi Oi*,j*,r* yang mempunyai nilai EC1 minimum pada himpunan C : EC i1*, j *,r * = min{EC i1, j , r | Oi , j , r S } . Tentukan himpunan G, himpunan operasi Oi , j , r * S dan menggunakan mesin yang sama yaitu Mr* dengan operasi Oi*, j *,r * dan pemrosesan Oi , j , r * dan Oi*, j *,r * tumpang tindih (overlap). Karena operasi pada G overlap dalam satu waktu maka G disebut conflict set. Step 4: Pilih satu operasi Ois , js , r * diantara conflict set G secara acak. Step 5: Ambil operasi terpilih sebagai standart, update EC1, EC2, dan EC3 dengan menambahkan waktu pemrosesan pada waktu mulai operasi yang ditentukan dengan nilai maksimum dari
65 operasi terpilih sebagai pendahulu pada job yang sama diantara job yang termasuk operasi dengan konflik. Hapus operasi terpilih dari cut. Step 6: Ulangi langkah 3-5 hingga semua operasi telah terjadwal.
Penyelesaian masalah JSSP biasanya hanya meggunakan perhitungan makespan sebagai fungsi objektif, namun agar lebih memenuhi keadaan nyata maka digunakan multifungsi objektif yaitu : Memaksimalkan Memaksimalkan Meminimalkan z1 : z2 : z3 :
1 n AI i n i =1
AI min = min AI i
i =1, 2 ,..., n
~ ~ C max = max C i
i =1, 2 ,..., n
Dimana n adalah banyak job, AIi dan C i masing-masing adalah Agreement Index dan waktu penyelesaian (Completion Time) dari job Ji.
Setelah didapatkan nilai setiap fungsi objektif maka dihitung fungsi keanggotaan untuk setiap fungsi objektif menggunakan persamaan 1 dan persamaan 2. Dari masing-masing derajat keanggotaan fungsi objektif maka permasalahan tersebut dapat ditransformasi untuk mencari nilai maksimal dari :
f = min{ i ( z i )}
i =1, 2 , 3
yang akan digunakan sebagai fungsi fitness. Dengan i [ z i ] (i=1,2,3) merupakan derajat keanggotaan ke-i untukfungsi objektif ke-i.

Data yang digunakan dalam penelitian ini ada tiga data sekunder [1]. Parameter-parameter yang digunakan diantaranya jumlah populasi individu (pop_size), iterasi maksimum (max_gen), nilai derajat kesamaan (degree), probabilitas crossover (Pc), probabilitas mutasi (Pm), dan banyak individu turnamen (tour). Solusi didapatkan dengan menggunakan program GA untuk penyelesaian FMOJSSP yang disusun dalam bahasa pemrograman Java.
Setiap data yang diterapkan pada program dilakukan rata-rata dua puluh kali percobaan untuk mendapatkan solusi terbaiknya. Percobaan dilakukan dengan menggunakan nilai parameter degree, (Pc), dan Pm yang berbeda-beda. Dari hasil yang diperoleh diketahui bahwa perbedaan parameter tidak memberikan perubahan hasil yang tetap. Dari implementasi program untuk penyelesaian ketiga problem, jika dibandingkan berdasarkan nilai fitness untuk setiap hasil yang diperoleh, maka
66 didapatkan hasil terbaik pada saat degree = 0,8, Pc = 0,6 dan Pm= 0,1. Hasil penyelesaian terbaik untuk tiga problem tersebut seperti pada Tabel 1.
Tabel 5 Data Tabel 9 Problem
Tabel 1 Hasil Terbaik dari Percobaan Tabel 6 z1 Tabel 7 z2 Tabel 10 0,96186 Tabel 11 0,79422
Tabel 8 z3 Tabel 12 (65,0;
1 6x6
Tabel 13 Problem Tabel 14 0,99227 Tabel 15 0,97460
2 6x6
Tabel 17 Problem Tabel 18 0,84864 Tabel 19 0,69231
3 6x6
Tabel 21
87,0; 110,0) Tabel 16 (60,0; 83,0; 99,0) Tabel 20 (28,0; 38,0; 49,0)
26 Kesimpulan
Permasalahan FMOJSSP dapat diselesaikan dengan menggunakan program GA dengan proses yang dilakukan antara lain : membangkitkan kromosom awal, evaluasi, seleksi turnamen, crossover, mutasi, pembentukan populasi baru dan mengulangi langkah-langkah tersebut sampai mencapai iterasi maksimum. Program ini dibuat dalam bahasa JAVA. Dari hasil implementasi program yang dilakukan dengan inputan parameter yang berbeda, hasil terbaik untuk masing-masing problem diperoleh dengan menggunakan parameter degree sebesar 0,8, Pc 0,6, dan Pm 0,1.
27 Daftar Pustaka
[1] Sakawa, M. and R. Kubota, 2000, Fuzzy Programming For Multiobjective Job Shop Scheduling With Fuzzy Processing Time and Fuzzy Duedate Through Genetic Algoritms, Europan Journal of Operational Research 120, pp. 393-407. French, S, 1982, Sequencing and Scheduling : An Introduction to the Mathematics of Job Shop, Wiley, New York. Zadeh, L. A., 1965, Fuzzy Sets Information and Control 8, pp. 338-353. Kusumadewi, S., 2002, Analisis Desain Sistem Fuzzy Menggunakan Tool Box Matlab, Graha Ilmu, Yogyakarta. Kusumadewi, S. dan Purnomo, H., 2010, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta. Sakawa, M., Nishizaki, I. and Katagiri, H. 2011, Fuzzy Stochastic Multiobjective Programming, Springer, New York. Gen, M. and Cheng, R. 1997, Genetic Algorithms and Engineering Design, Wiley, New York. Lei, D., 2009, Solving Fuzzy Job Shop Scheduling Problems Using Random Key Genetic Algorithm. Springer-Verlag London Limited Int J Adv Manuf Technol 49:253262. Obitko, M., 1998, Introduction to Genetic Algorithms, Czech Technical University.
[2] [3] [4] [5] [6] [7] [8]

[9]
67
GRUP NON-ABELIAN YANG ABELIAN SECARA GRAFIS

Michelle Purwagani, Inna Kuswandari*, Yayuk Wahyuni* email: pink.rockzy@gmail.com Departemen Matematika Fakultaas Sains dan Teknologi Universitas Airlangga
Keywords: cayley graph, graph, graphically abelian, group, quarternion group.
Abstract. A group is graphically abelian if the map that pairs each element of the group to its inverse is an automorphism of every Cayley graph of . So, all abelian groups are graphically abelian. The purpose of this research is to show the characterization of non-abelian group which is graphically abelian group. By reviewing the properties of groups and graphs, especially Cayley graph, also automorphism of group and automorphism of graph, we can show that is graphically abelian if and only if all of its Cayley subsets are normal, is balanced group, and each element of is either fixed or inverted by conjugation. Furthermore, if is graphically abelian group, and let , be a pair of noncommuting elements, then , is Quarternion group.
PENDAHULUAN
Dalam struktur aljabar, grup adalah suatu himpunan tak kosong dengan satu operasi biner yang memenuhi beberapa aksioma grup, yaitu: ketertutupan, asosiatif, mempunyai elemen identitas, dan setiap elemennya memiliki invers. Dalam teori graf, graf didefinisikan sebagai suatu himpunan berhingga ( ) yang tak kosong dengan elemen-elemennya disebut titik (vertice), serta himpunan ( ) yang elemen-elemennya merupakan pasangan tak terurut dua titik yang berbeda dari () dan disebut garis (edge). Salah satu jenis graf adalah graf Cayley. Graf Cayley yang dinotasikan dengan ( , ) adalah graf dengan himpunan titik-titiknya adalah elemenelemen dari grup berhingga dan , (( , )) terhubung dengan garis jika dan hanya jika = untuk suatu . merupakan himpunan bagian Cayley, yaitu himpunan bagian dari dengan syarat elemen identitas di tidak terdapat di , serta = 1. Jika membangkitkan grup , maka graf Cayley ( , ) yang dihasilkan adalah graf terhubung. Jika tidak membangkitkan grup , maka jumlah graf Cayley yang terbentuk ada sebanyak himpunan bagian Cayleynya dan memungkinkan adanya graf Cayley yang tidak terhubung. Yang menarik untuk dibahas adalah jika tidak membangkitkan grup . Karena kondisi ini mengakibatkan jenis graf Cayleynya lebih bervariasi. Dari pengertian tentang grup dan graf Cayley di atas, Richard Goldstone dan Kathryn Weld dalam jurnalnya yang berjudul Graphically Abelian Groups (2010) mendefinisikan grup abelian secara grafis. Suatu grup adalah grup abelian secara grafis jika pemetaan : dengan () = 1 merupakan automorfisma pada setiap graf Cayley atas . Karena suatu grup adalah grup abelian jika dan hanya jika pemetaan : dengan () =
68 = 1 merupakan suatu automorfisma grup, maka automorfisma grup tersebut akan menyebabkan automorfisma graf pada graf Cayley ( , ). Akibatnya, semua grup abelian adalah grup abelian secara grafis. Oleh sebab itu, yang menarik untuk dibahas adalah grup non-abelian, contohnya grup Quarternion. Yang dikaji adalah karakteristik suatu grup non-abelian yang abelian secara grafis, secara khusus akan dibahas grup Quarternion sebagai contoh. Topik yang akan dibahas pada skripsi ini bukanlah sesuatu yang baru. Penyusun mengambil topik ini dari jurnal yang berjudul Graphically Abelian Groups, ditulis oleh Richard Goldstone dan Kathryn Weld pada tahun 2010. Penyusun menuliskan kembali dengan bahasa sendiri dilengkapi dengan contoh, serta melengkapi pembuktian dari beberapa teorema yang ada.
METODE PENELITIAN
Jurnal ini merupakan hasil studi literatur dari jurnal yang berjudul Graphically Abelian Groups, ditulis oleh Richard Goldstone dan Kathryn Weld pada tahun 2010. Penyusun menuliskan kembali dengan bahasa sendiri dilengkapi dengan contoh, serta melengkapi pembuktian dari beberapa teorema yang ada. Adapun metode penelitian yang digunakan adalah sebagai berikut : 1. Mengkaji literatur tentang grup dan graf, beserta sifat-sifatnya. 2. Mempelajari karakterisasi beberapa grup non-abelian, misalnya grup Quarternion. 3. Mempelajari tentang jenis-jenis graf, khususnya graf Cayley. 4. Mempelajari tentang automorfisma grup dan automorfisma graf. 5. Mempelajari definisi dan sifat grup abelian secara grafis. 6. Membuktikan teorema mengenai kriteria yang harus dipenuhi suatu grup agar merupakan grup abelian secara grafis.
HASIL DAN PEMBAHASAN

Suatu grup adalah grup abelian secara grafis jika pemetaan : dengan () = 1 merupakan automorfisma pada semua graf Cayley atas . Berikut adalah kriteria grup yang merupakan grup abelian secara grafis.
Bukti: Misalkan adalah grup abelian secara grafis. Diambil sebarang himpunan bagian Cayley dari grup dan diambil sebarang ( , ). Berdasarkan definisi graf Cayley, ( , ) = . Karena adalah grup abelian secara grafis, maka pemetaan : dengan () = 1 merupakan automorfisma dari semua graf Cayley atas grup . Misalkan diambil , ( , ) dengan (, ) ( , ), maka (), () (( , ). Selanjutnya, definisi graf Cayley, = , untuk , sehingga (), () = ((), ()) = (1 , ()1 ) (( , )). Karena (1 , ()1 ) ( , ), maka (1 )1 ()1 . Selanjutnya, (1 )1 ()1 = ()1 = 1 1 , untuk setiap 1 . Akibatnya, merupakan himpunan bagian normal. Sebaliknya, misalkan diambil sebarang grup . Misalkan semua himpunan bagian Cayley dari adalah himpunan bagian normal, maka 1 , untuk setiap dan . Diambil sebarang ( , ). Berdasarkan definisi graf Cayley, ( , ) = . Misalkan diambil ()1 , 1 ( , ). Karena 1 , diperoleh (()1 , 1 ) ( , ). Akan ditunjukkan bahwa pemetaan : dengan () = 1 merupakan automorfisma pada semua ( , ). Untuk ()1 , 1 ( , ), pemetaan : dengan () = 1 , menyebabkan (1 ) = (1 )1 = . Selanjutnya, (()1 ) = (()1 )1 = () dan Jurnal Matematika-FST Unair 2012
Teorema 1: adalah grup abelian secara grafis jika dan hanya jika semua himpunan bagian Cayleynya adalah himpunan bagian normal.
69 ((()1 ))1 (1 ) = ()1 () = 1 1 = 1 . Karena ((()1 ))1 (1 ) , maka ( (()1 ), (1 )) ( , ). Karena untuk setiap ()1 , 1 ( , ) dan (()1 , 1 ) ( , ), pemetaan : dengan () = 1 menyebabkan ((()1 ), (1 )) ( , ), maka merupakan automorfisma pada graf Cayley ( , ). Akibatnya, grup merupakan grup abelian secara grafis.
Teorema 2: Grup abelian secara grafis jika dan hanya jika setiap elemen dari grup tetap atau terbalik oleh konjugasi. Bukti: Misalkan diambil sebarang grup abelian secara grafis. Misalkan himpunan bagian Cayley dari . Berdasarkan Teorema 1, maka merupakan himpunan bagian normal. Sehingga, untuk setiap dan , maka 1 . Karena 1 , berdasarkan definisi himpunan bagian Cayley, maka kondisi berikut terpenuhi, yaitu: (i) 1 = atau (ii) 1 = 1 Jika memenuhi kondisi (i), yaitu: 1 = , maka dengan perkalian dari sisi kanan oleh , akan diperoleh = . Akibatnya, elemen tetap oleh konjugasi terhadap . Jika memenuhi kondisi (ii), yaitu: 1 = 1 , maka dengan perkalian dari sisi kanan oleh , akan diperoleh = 1 . Akibatnya, elemen terbalik oleh konjugasi terhadap . Akibatnya, setiap elemen dari grup tetap atau terbalik oleh konjugasi.
Sebaliknya, misalkan setiap elemen dari grup tetap atau terbalik dari konjugasi. Misalkan diambil sebarang himpunan bagian Cayley dari . Misalkan diambil dan . Jika tetap oleh konjugasi terhadap , maka = . Dengan perkalian dari sisi kanan oleh 1 , diperoleh 1 = . Jika terbalik oleh konjugasi terhadap , maka = 1 . Dengan perkalian dari sisi kanan oleh 1 , diperoleh 1 = 1 . Karena 1 untuk setiap dan , maka merupakan himpunan bagian Cayley normal dari . Akibatnya, berdasarkan Teorema 4.1, merupakan grup abelian secara grafis. Teorema 3: Grup abelian secara grafis jika dan hanya jika grup yang terseimbangkan. Bukti: Misalkan grup abelian secara grafis. Misalkan diambil sebarang , . Karena grup, bersifat tertutup terhadap operasi binernya, sehingga terdapat sedemikian sehingga = , untuk , . Karena grup abelian secara grafis, berdasarkan Teorema 2, setiap elemen dari grup tetap atau terbalik oleh konjugasi, sehingga = atau 1 = . Untuk = , jika dikalikan dari sisi kiri dengan , diperoleh = . Karena = , maka = , sehingga dan komutatif. Selanjutnya, untuk 1 = , jika dikalikan dari kiri dengan , diperoleh = . Karena = , maka = , sehingga 2 = 2. Akibatnya, merupakan grup yang terseimbangkan.
Sebaliknya, misalkan grup yang terseimbangkan. Akan ditunjukkan bahwa grup abelian secara grafis dengan menggunakan Teorema 2. Misalkan diambil , . Karena grup, maka bersifat tertutup terhadap operasi binernya. Misalkan = untuk suatu . Berdasarkan definisi grup yang terseimbangkan, maka untuk setiap , , kondisi dan komutatif atau 2 = 2 terpenuhi. Untuk kondisi dan komutatif, maka = , sehingga tetap oleh konjugasi terhadap . Untuk kondisi 2 = 2 , karena = , maka 2 = ( )2 . Karena 2 = dan ( )2 = , maka = . Dengan kanselasi, diperoleh = . Jika = dikalikan dari kanan dengan 1 , maka diperoleh 1 = , sehingga elemen terbalik oleh konjugasi terhadap . Karena setiap elemen dari grup tetap atau terbalik oleh konjugasi, berdasarkan Teorema 2, merupakan grup abelian secara grafis. Salah satu contoh grup non-abelian yang abelian secara grafis adalah grup Quarternion, yang dinotasikan dengan 8 . Hal ini ditunjukkan pada tabel berikut. Jurnal Matematika-FST Unair 2012
70 Tabel identifikasi kriteria grup yang terseimbangkan pada elemen grup 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Keterangan = dan 2 = 2 = dan 2 = 2 = = = = = = = 2 = 2 = = = = = = = 2 = 2 = 2 = 2 2 = 2 2 = 2
Tabel identifikasi kriteria grup yang terseimbangkan pada elemen grup (lanjutan) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Keterangan 2 = 2 2 = 2 = 2 = 2 2 = 2 2 = 2 2 = 2 2 = 2 = 2 = 2 = 2 = 2 2 = 2 2 = 2 = 2 = 2 2 = 2 2 = 2 = 2 = 2 = 2 = 2
71 Dari kolom terakhir pada tabel tersebut terlihat bahwa untuk setiap , 8 , memenuhi = atau 2 = 2 , sehingga 8 merupakan grup yang terseimbangkan. Berdasarkan Teorema 3, 8 merupakan grup abelian secara grafis.
Grup Quarternion merupakan grup yang isomorfis terhadap suatu grup dengan 8 elemen yang dibangun oleh 2 elemen yaitu , dan memenuhi 4 = 1, 1 = 1 , dan 2 = 2 . Lebih lanjut, untuk mengetahui struktur dari grup non-abelian yang abelian secara grafis dapat digunakan sifat isomorfis antara subgrup yang dibangun oleh dua elemen tidak komutatif dari grup non-abelian tersebut dengan grup Quarternion, seperti yang disajikan dalam Teorema 4 berikut. Teorema 4: Misalkan grup non-abelian yang abelian secara grafis dan misalkan , merupakan pasangan elemen yang tidak komutatif, maka subgrup , adalah grup Quarternion.
Selanjutnya, ditunjukkan bahwa dan tidak mungkin berorder dua. Andaikan berorder dua, maka 2 = . Pada penjelasan sebelumnya telah diketahui bahwa 1 = 1 . Kemudian kedua ruas dikalikan dari sisi kanan dengan 2 , sehingga diperoleh: 1 2 = 1 2 1 = 1 = = Akibatnya, kontradiksi dengan b . Sehingga, tidak mungkin berorder dua, demikian juga dengan . Karena 4 = 4 = , serta dan tidak mungkin berorder dua, maka dan berorder 4. Karena dan berorder 4, serta dan memenuhi kriteria grup Quarternion, maka , merupakan subgrup dari grup Quarternion.
Bukti: Misalkan grup non-abelian yang abelian secara grafis. Misalkan , dengan . Karena , maka 1 1 . Karena grup non-abelian yang abelian secara grafis dan 1 1 , berdasarkan Teorema 2, 1 terbalik oleh konjugasi terhadap , sehingga 1 = ((1 )1 ) = . Dengan perkalian dari sisi kanan oleh 1, diperoleh 1 = 1 . Selanjutnya, karena grup non-abelian yang abelian secara grafis, berdasarkan Teorema 3, merupakan grup yang terseimbangkan. Karena , berdasarkan definisi grup yang terseimbangkan, maka 2 = 2 . Karena , maka 1 1 . Sehingga, untuk setiap , 1 , berdasarkan definisi grup yang terseimbangkan, maka 2 = ( 1 )2 . Karena 2 = 2 dan 2 = ( 1 )2 , maka 2 = ( 1 )2 . Jika 2 = ( 1 )2 dikalikan dari sisi kiri dengan , akan diperoleh = 1 1 atau 3 = 1. Kemudian kedua ruas dikalikan dari sisi kanan dengan , sehingga diperoleh 4 = Karena 2 = 2 , akibatnya 4 = 2 2 = 2 2 = 4 = .
Selanjutnya, karena 4 = , maka = {, 2 , 3 , 4 = }, sehingga berorder 4. Karena adalah subgrup sejati dari , , berdasarkan teorema Lagrange, order dari membagi order dari , . Sehingga, setidaknya , berorder 8. Akan ditunjukkan bahwa , tepat berorder 8. 1. 2 = 2 2. 4 = 4 = = 2 2 = 2 2 Karena 2 = 2 , maka 2 2 = 2 2 = 4 = dan 2 2 = 2 2 = 4 = . Sehingga, 4 = 4 = = 2 2 = 2 2 . 3. = 3 2 = 2 3 Karena 2 = 2 dan 4 = 4 = , maka3 2 = 2 2 = 2 2 = 4 = = dan 2 3 = 2 2 = 2 2 = 4 = = . Sehingga, = 3 2 = 2 3 . 4. 3 = 2 = 2 Karena 2 = 2 , maka 2 = 2 = 3 dan 2 = 2 = 3 . Sehingga, 3 = 2 = 2 . 5. = 2 3 = 3 2 Karena 2 2 = 2 2 = , maka 2 3 = 2 2 = = dan 3 2 = 2 2 = = . Sehingga, = 2 3 = 3 2 . Jurnal Matematika-FST Unair 2012
Diketahui: = {, 2 , 3 , 4 = } dan = {, 2 , 3 , 4 = }. Pada penjelasan sebelumnya telah diketahui 2 = 2 , 4 = 4 = , dan = 1 , maka , = {, 2 , 3 , , , 3 , , }, dengan:
72 6. 3 = 2 = 2 Karena 2 = 2 , maka 2 = 2 = 3 dan 2 = 2 = 3 . Sehingga, 3 = 2 = 2 . 7. = 3 = 3 Karena grup non-abelian yang abelian secara grafis dan , berdasarkan Teorema 2, elemen terbalik oleh konjugasi terhadap , sehingga = 1 . Kemudian = 1 dikalikan dengan dari sisi kanan, sehingga diperoleh = = 4 = 3 . Selanjutnya, dengan kanselasi, diperoleh = 3 . Karena 2 = 2, maka 3 = 2 = 2 = 3 . Akibatnya, = 3 = 3 . 8. = 3 = 3 Karena grup non-abelian yang abelian secara grafis dan , berdasarkan Teorema 2, elemen terbalik oleh konjugasi terhadap , sehingga = 1 . Kemudian = 1 dikalikan dengan dari sisi kanan, sehingga diperoleh = = 4 = 3 . Selanjutnya, dengan kanselasi, diperoleh = 3. Karena 2 = 2 , maka 3 = 2 = 2 = 3 . maka = 3 . Akibatnya = 3 = 3 . Selanjutnya, karena , maka dan merupakan dua elemen yang berbeda pada , .
Dari uraian di atas, jelas bahwa , berorder 8. Karena , merupakan subgrup dari grup Quarternion dan , berorder 8, maka , merupakan subrup tidak sejati dari grup Quarternion. Dengan kata lain, , merupakan grup Quarternion.
Dari Teorema 4, jika sebarang grup non-abelian, misalkan , merupakan pasangan elemen yang tidak komutatif, dan subgrup , tidak isomorfis dengan grup Quarternion, maka bukan grup abelian secara grafis.
SIMPULAN
Berdasarkan hasil penelitian dapat ditarik kesimpulan sebagai berikut: 1. Karakteristik dari grup yang merupakan grup abelian secara grafis adalah memenuhi salah satu dari kriteria berikut: a. Semua himpunan bagian Cayley dari grup merupakan himpunan bagian normal. b. Setiap elemen dari grup tetap atau terbalik oleh konjugasi. c. Grup merupakan grup yang terseimbangkan.
2. Sifat lebih lanjut terkait dengan grup abelian secara grafis adalah jika grup non-abelian yang abelian secara grafis dan untuk setiap , yang merupakan pasangan elemen tidak komutatif, berlaku bahwa subgrup , adalah grup Quarternion.
SIMPULAN
2. Sifat lebih lanjut terkait dengan grup abelian secara grafis adalah jika grup non-abelian yang abelian secara grafis dan untuk setiap , yang merupakan pasangan elemen tidak komutatif, berlaku bahwa subgrup , adalah grup Quarternion.
Berdasarkan hasil penelitian dapat ditarik kesimpulan sebagai berikut: 2. Karakteristik dari grup yang merupakan grup abelian secara grafis adalah memenuhi salah satu dari kriteria berikut: d. Semua himpunan bagian Cayley dari grup merupakan himpunan bagian normal. e. Setiap elemen dari grup tetap atau terbalik oleh konjugasi. f. Grup merupakan grup yang terseimbangkan.
73 DAFTAR PUSTAKA 1. Alspach, B., 2004, , Cayley Graphs in Handbook of Graph Theory edited by Jonathan L. Gross and JayYellen, CRC Press LLC, Florida, pages 505-515 2. Dummit, David S., and Foote, Richard M., 2004, Abstract Algebra Third Edition, John Wiley and Sons, Inc., New Jersey 3. Fraleigh, John B., 2003, A First Course in Abstract Algebra 7th Edition, AddisonWesley Publishing Company, New York 4. Godsil, C., and Gordon, R., 2001, Algebraic Graph Theory, Springer-Verlag New York Inc., New York 5. Goldstone, R., McCabe, J., and Weld, K., 2010, Ambiguous Groups and Cayley Graphs A Problem in Distinguishing Opposites, Mathematics Magazine Vol.83, No.5, December 2010 6. Goldstone, R.,and Weld, K., 2010, Graphically abelian groups, Discrete Mathematics. 310 (2010) 2806-2810 7. McCabe, J., and Weld, K., 2009, On an inverse Cayley problem, Australassian Journal of Combinatorics Volume 45 (2009), pages 263-276
74
Rank Matriks Adjacency dari Graf

Novita Adelia, Nenik Estuningsih & Yayuk Wahyuni Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga
simpleblacklover@gmail.com
Abstract. Graphs and matrices have many important roles in everyday life. That's why a lot of research has been done on the graph, one of which is about the rank of its adjacency matrix. During recent years numerous studies have been done regarding the rank of the adjacency matrix from the cross product of two special graphs. The adjacency matrix = of a graph with vertices, is a matrix in which = 1 if vertex is adjacent to in and = 0, otherwise, where and are vertices of . While rank is the number of rows or columns of the matrix which are linearly independent. The purpose of this final project is to determine the relationship between the rank of adjacency matrix from graph and the one from ladder graph and path respectively. Before determining the general form of adjacency matrix from graph, first we determine the general form of the adjacency matrix from ladder graph . Then, to determine the rank of the adjacency matrix from ladder graph and graph we use M-file MATLAB program. The results of the program is then analyzed according to the concepts of algebra. From the analysis we obtain the formula of the rank of adjacency matrix from ladder graph is 2 1 for = 3 1 and 2 for 3 1 where . While, from the analysis of the rank of adjacency matrix from graph, it cant be found the regularity of the pattern of rank according to and . Kata Kunci: Ladder Graph, Adjacency Matrix, Rank
PENDAHULUAN Teori graf merupakan bagian penting dari ilmu pengetahuan dan teknologi saat ini. Hal ini disebabkan teori graf banyak diaplikasikan pada berbagai macam bidang, di antaranya adalah kimia, fisika, biologi, teknik lingkungan, arsitektur, jaringan transportasi, riset operasi, teknik industri, teknik sipil, bahkan di bidang ekonomi. Karena alasan itu pula sejumlah penelitian telah dilakukan untuk mengembangkan teori-teori yang sudah ada sebelumnya. Salah satu penelitian yang banyak dilakukan adalah penelitian tentang keterhubungan suatu graf. Hal ini berkaitan erat dengan salah satu aplikasi graf dalam kehidupan sehari-hari yaitu untuk menentukan lintasan terpendek (shortest path). anggotanya disebut titik (vertice) dan himpunan E (G ) yang mungkin kosong, yang anggotaGraf G didefinisikan sebagai himpunan berhingga V (G ) yang tidak kosong yang anggota-
anggotanya terdiri dari himpunan bagian dari V (G ) dengan dua elemen dan disebut garis (edge). Sebuah graf dapat disajikan dalam suatu matriks yang dinamakan matriks adjacency (matriks keterhubungan) dengan baris dan kolomnya menyatakan titik titik graf dan elemen matriks menyatakan keterhubungan antar titik graf tersebut. Jika kedua titik dalam graf tersebut terhubung maka elemen matriks tersebut bernilai 1 dan jika kedua titik dalam graf tersebut tidak terhubung maka elemennya bernilai 0. Rank matriks adalah banyaknya baris dari matriks tersebut yang bebas linier. Penelitian tentang rank matriks adjacency dari graf khusus (graf sikel, lengkap, bintang dan path) serta join dua graf khusus telah dilakukan oleh Estuningsih (2008). Selain operasi join, dalam graf juga terdapat operasi hasil kali kartesian antara dua graf (cross product), yaitu graf yang terbentuk dari keterhubungan antar setiap titik-titik pada dua graf. Penelitian tentang rank matriks adjacency hasil
75 cross product graf path dengan graf sikel telah dilakukan oleh Handayani (2011). Penelitian tentang rank matriks adjacency hasil cross product graf star dengan graf sikel telah dilakukan oleh Latifah (2011). Sedangkan penelitian tentang rank matriks adjacency hasil cross product graf sikel dengan graf sikel telah dilakukan oleh Istiqomah (2012). Berdasarkan uraian tersebut peneliti tertarik untuk melanjutkan penelitian untuk menentukan rank dari matriks adjacency hasil cross product dua graf yang merupakan pengembangan dari graf-graf khusus yang telah disebutkan di atas. Graf yang digunakan adalah graf tangga ( ) dan graf path dengan ordo ( ). Graf tangga sendiri adalah graf hasil cross product dari graf path berordo ( )dengan graf 2 , dengan kata lain = 2 (Ngurah, dkk, 2010). Selanjutnya akan diteliti mengenai hubungan antara rank matriks adjacency dari graf hasil cross product antara graf tangga dan graf path ( ) dengan rank matriks adjacency dari masing-masing graf tangga ( ) dan graf path ( ) dan kemudian dianalisa menurut konsep aljabar. METODE PENELITIAN Langkah-langkah yang digunakan dalam menyelesaikan permasalahan dalam penelitian ini adalah: 1. Mengkaji hasil penelitian sebelumnya tentang hubungan antara graf path dengan matriks adjacencynya serta rumusan umum untuk rank matriksnya. 2. Menggambarkan graf tangga sebagai hasil cross product dari graf dengan graf 2 . 3. Menentukan bentuk umum dari matriks adjacency graf tangga. 4. Membuat algoritma dan program dari bentuk umum matriks adjacency graf tangga dengan bantuan M-file MATLAB untuk menentukan bentuk matriks adjacency dari graf dan menghitung ranknya dengan bantuan paket program dari software MATLAB. 5. Menggunakan hasil pada langkah 4 untuk menentukan rumusan umum rank matriks adjacency dari graf tangga. 6. Menggambarkan graf sebagai hasil cross product dari graf dengan graf . 7. Menentukan bentuk umum dari matriks adjacency graf . 8. Membuat algoritma dan program dari bentuk umum matriks adjacency graf dengan bantuan M-file MATLAB untuk menentukan bentuk matriks adjacency dari graf dan menghitung ranknya dengan bantuan paket program dari software MATLAB. 9. Menggunakan hasil pada langkah 8 untuk menentukan rumusan umum rank matriks adjacency dari graf . 10. Menganalisis dan menyimpulkan hubungan antara rank matriks adjacency graf dengan rank matriks adjacency graf tangga dan graf path sesuai dengan konsep aljabar.
HASIL DAN PEMBAHASAN Rank Matriks Adjacency Graf Tangga Graf tangga ( ) merupakan hasil cross product dari graf path berordo n dengan graf path berordo dua, atau dapat ditulis = 2 . Dalam tulisan ini disebut panjang graf tangga atau dapat dikatakan terdiri dari anak tangga.
Contoh :
Gambar 1. 3 = 3 2
76 Panjang graf tangga 3 adalah 3, sehingga dapat dikatakan graf 3 terdiri dari 3 anak tangga.
Misalkan adalah matriks adjacency dari graf tangga , maka ada banyak bentuk tergantung pada cara penamaan titik-titiknya. Perbedaan urutan penomoran titik-titik pada graf tangga hanya mempengaruhi bentuk matriks adjacencynya saja, tetapi tidak berpengaruh terhadap nilai ranknya. Dari beberapa cara penamaan titik-titik pada graf tangga dipilih satu aturan yang paling efektif untuk mempermudah dalam menentukan rumusan umum matriks adjacency dari graf tangga tersebut. Aturan tersebut secara umum membentuk pola sebagai berikut : Penamaan dimulai dari pojok kiri atas dilanjutkan ke kanan sampai titik ke- kembali lagi ke titik pojok bawah dan berlanjut ke kanan lagi sehingga titik terletak tepat di atas titik + .
Berdasarkan aturan penamaan tersebut, penyajian matriks dapat ditulis dalam bentuk matriks partisi sebagai berikut:. 1 0 0 = 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1
0 0 0 1 = 0 0 0 1 0
Matriks adjacency dari graf tangga dapat juga dinyatakan dengan bentuk = , = , yang didefinisikan sebagai berikut : 1, = + = + 1 1, = + = 0, dengan 1 , ; 0 1 ; 1 1.
Sehingga dapat disimpulkan bahwa rumusan umum matriks adjacency graf tangga adalah = dengan adalah matriks adjacency dari graf path dan adalah matriks indentitas.
Untuk menentukan rank matriks adjacency dari graf tangga digunakan program M-File MATLAB.. Dari running program tersebut dengan memasukkan banyaknya yang berbeda-beda diperoleh beberapa rank matriks adjacency sesuai dengan . Dari hasil tersebut dapat diperoleh rumusan rank matriks adjacency dari graf tangga berdasarkan banyaknya . Dari hasil perumusan rank tersebut terlihat bahwa terdapat matriks adjacency yang mempunyai rank penuh dan juga terdapat matriks adjacency yang mempunyai rank tidak penuh. Pada matriks adjacency yang mempunyai rank penuh, semua baris-barisnya bebas linear. Sedangkan pada matriks adjacency yang mempunyai rank yang tidak penuh terdapat baris yang bergantung linear dimana baris tersebut merupakan kombinasi linear dari baris-baris yang lain. Untuk mengetahui baris manakah yang bergantung linear pada suatu matriks, perlu dilakukan pengecekan pada setiap baris dalam matriks tersebut. Selanjutnya perumusan tersebut disajikan sebagai teorema berikut. Teorema 1 Misalkan merupakan matriks adjacency dari graf tangga dengan 2, maka Jurnal Matematika-FST Unair 2012
77 (i) (ii) rank( ) = 2 2 untuk = 3 1, , dan rank( ) = 2 untuk 3 1, .
Hasil yang didapat dari analisis mengenai matriks adjacency graf tangga di atas selanjutnya digunakan untuk menentukan bentuk umum matriks adjacency dari graf hasil cross product graf tangga ( ) dengan graf path berordo ( ) yang dapat dinotasikan dengan , serta rumusan umum ranknya. Misalkan matriks adjacency dari graph dinotasikan dengan , dengan merupakan panjang graf tangga dan merupakan ordo dari graf path. Seperti graf tangga, graf dapat disajikan dalam banyak matriks adjacency tergantung pada penentuan titik awal serta urutan penempatan titik-titik pada baris dan kolom. Walaupun terdapat banyak matriks adjacency dari graf tersebut, semua nilai ranknya tetap sama. Pada bahasan sebelumnya telah diketahui bahwa matriks adjacency dari graf tangga memuat matriks adjacency dari graf path dan matriks identitas. Hal tersebut dikarenakan graf tangga sendiri merupakan graf hasil cross product dari sebuah graf path dengan path berordo 2. Karena graf adalah graf hasil cross product dari graf tangga dan graf path, maka cara penamaannya juga analog dengan cara penamaan graf tangga. Dalam penelitian ini urutan titik-titik dari graf yang berjumlah 2 ditentukan sebagai berikut:
Rank Matriks Adjacency dari Graf
1. 1 sebagai titik awal adalah salah satu titik pada graf tangga berordo yang letaknya paling atas sebelah kiri. 2. Urutan dengan 2 2 sesuai dengan aturan penamaan titik pada graf tangga. 3. 2+1 adalah titik yang terletak tepat di bawah 1 . 4. Untuk urutan titik 2+2 sampai titik 2 mengikuti pola titik 1 sampai titik 2+1 .
Selanjutnya titik dengan 1 2 disajikan dalam baris ke-i dan kolom ke-j pada matriks , yang berukuran 2 2. Dari hal di atas dapat ditentukan bahwa matriks adjacency dari graf merupakan matriks partisi dengan blok baris dan blok kolom yang berbentuk 2 2 2 2 2 2 2 2 2 2 2 2 2 2 , = 2 2 2 2 2 2 2 2 2 2 2 2 2 2 dengan merupakan matriks adjacency graf tangga yang berukuran 2 2, 2 merupakan matriks identitas berukuran 2 2, dan 2 merupakan matriks nol berukuran 2 2. Matriks adjacency dari graf dapat juga dinyatakan dalam bentuk , = , = , untuk > berlaku 1, = (2 + ) + , = + 1 1, = 2 + , = + = 1, = 2 + , = + 2 0,
78 dengan 1 , 2; 0 1; 1 1; 1 ; 1 2; 0 1; 0 2
Untuk menentukan rank matriks adjacency dari graf digunakan program M-File MATLAB. Dari running program tersebut dengan memasukkan dan yang berbeda-beda diperoleh beberapa rank matriks adjacency sesuai dengan dan . Berbeda dengan rank matriks adjacency graf tangga, dari hasil running program rank matriks adjacency graf tidak ditemukan keteraturan pola rank berdasarkan banyaknya dan . Dari hasil tersebut hanya terlihat bahwa rank, = rank, . Graf merupakan hasil cross product dari graf tangga dan graf path, sehingga analisis mengenai rank matriks adjacency dari graf dapat ditinjau dari dua sisi, yaitu dari rank matriks adjacency graf tangga dan rank matriks adjacency graf path. Berdasarkan hasil running program rank matriks , , untuk semua nilai dan secara umum tidak ditemukan pola yang teratur. Meski demikian, keteraturan pola rank matriks , dapat terlihat untuk suatu nilai dan tertentu. Salah satunya adalah untuk genap dan = 2 maka rank matriks , adalah 4. Rumusan tersebut dapat dituliskan dalam teorema berikut. Teorema 2 Misalkan , adalah matriks adjacency dari graf . Jika = 2, dan = 2 maka rank, = 4. KESIMPULAN DAN SARAN Rank matriks adjacency dari graf tangga dan graf diperoleh dari running program dengan bantuan M-File MATLAB. Dari hasil tersebut dilakukan analisis secara aljabar mengenai rumusan umum rank matriks adjacency graf tangga serta graf sehingga diperoleh : 1. Rank matriks adjacency dari graf tangga adalah 2 2 untuk = 3 1, dan 2 untuk 3 1 dengan . 2. Berdasarkan hasil running program rank matriks , , untuk semua nilai dan secara umum tidak ditemukan pola yang teratur. Meski demikian, keteraturan pola rank matriks , dapat terlihat untuk suatu nilai dan tertentu. Salah satunya adalah untuk genap dan = 2 maka rank matriks , adalah 4.
Dari hasil penelitian ini disarankan pengadaan penelitian selanjutnya untuk menentukan rumusan umum rank matriks adjacency dari graf untuk suatu nilai dan tertentu, misalkan untuk = 6 atau = 3. UCAPAN TERIMA KASIH Artikel ini merupakan hasil penulisan Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains bidang Matematika Fakultas Sains dan Teknologi Universitas Airlangga. DAFTAR PUSTAKA [1] [2] [3] [4] Abadir, K, M. and Magnus, Jan R., 2005, Matrix Algebra, Cambridge University Press, New York. Chartrand, G., Oellerman, O, R., 1993, Applied and Algorithmic Graph Theory, McGraw-Hill Inc, Canada. Estuningsih, N. dan Wahyuni, Y., 2008, Rank Matriks Adjacency Join Dua Graph. Laporan Penelitian DIPA, Universitas Airlangga, Surabaya. Foulds, L,R., 1992, Graph Theory Applications, Springer Verlag Inc, New York.
79 [5] Friedberg, S. H, Insel, A. J, and Spence, E. L., 2003, Linear Algebra Fourth Edition, Pearson Education Inc, New York. [6] Handayani, Ayuk Fitri, 2011, Rank Matriks Adjacency dari Graf Prisma Bersusun, Skripsi, Universitas Airlangga, Surabaya. [7] Istiqomah, Yulia, 2012, Rank Matriks Adjacency dari Graf , Skripsi, Universitas Airlangga, Surabaya. [8] Jacob, Bill., 1990, Linear Algebra, W.H Freeman and Company, New York. [9] Latifah, Ummy, 2011, Rank Matriks Adjacency dari Graf , Skripsi, Universitas Airlangga, Surabaya. [10] Ngurah, A.A.G., Salman, A.N.M., Susilowati, L., 2010, H-Supermagic Labelings of Graphs, Elsevier. pp 1293-1300.
80
Sifat Jarak pada Ruang Metrik
Siti Maisyaroh, Eridani, Miswanto Departemen Matematika, Fakultas Sains dan Teknologi Universitas Airlangga st_maisyaroh@yahoo.co.id
Abstrack. Metric space is a non empty set which has a function of distance with some special properties. Function of distance in this metric space can define a set diameter, the distance from the point to the set, as well as the distance from the set to the set. The purpose of this thesis is to find the relationship between the diameter of the set, the distance from the point to the set and distance from the set to the set in any metric space. The method used in the proof of the case is the analytical method. Results obtained by such methods as follows, if (, ) is a metric spaces, and are subsets of , which , then () ( ), ( , ) ( , ) ( , ) + ( ), and (, ) ( , ) + ( , ). Moreover, if , , , and , then ( , ) ( , ) + (, ) and | ( , ) (, )| ( , ) ( , ) + (, ) + ().
Keywords : metric space, distance, diameter, and the set.
1. PENDAHULUAN
2 merupakan salah satu contoh ruang ruang metrik yang lazim disebut bidang Euclidean dengan elemennya merupakan pasangan terurut (, ). Berdasarkan [2], untuk setiap , 2 fungsi jarak yang selalu bernilai tak negatif, didefinisikan sebagai berikut :
(, ) = (2 1 )2 + (2 1 )2 . Dari penjelasan di atas dapat pula ditentukan diameter dari suatu lingkaran 2 + 2 = 2 , yaitu dengan mengukur jarak maksimum dari titik terhadap titik yang terdapat pada keliling lingkaran.
(1 , 1 )
x (2 , 2 )
81
Gambar 1.1 Pada Gambar 1.1 dibuat sebuah ruas garis yang melalui titik dan titik yang didefinisikan sebagai = + , maka dengan mensubsitusikan persamaan lingkaran ke persamaan garis , sehingga diperoleh | |2 = (2 1 )2 + (2 1 )2 = = (1 + 2 )(2 1 )2 2 , 1 + 2
akibatnya diperoleh
= 4 2
4 (2 (1 + 2 ) 2 ) 1 + 2
Untuk mendapatkan jarak maksimum dari titik terhadap titik maka nilai = 0 atau 2 , sehingga didapat | | = 2.
| | = 22
2 . 1 + 2
Jarak antar titik pada 2 tidak hanya dapat digunakan untuk menentukan berapa besar diameter pada lingkaran, tetapi juga dapat mengukur jarak antara suatu titik terhadap garis yang dapat di lihat pada Gambar 1.2 di bawah ini.
y Jurnal Matematika-FST Unair 2012 = + x
82
Gambar 1.2 Jarak titik terhadap garis adalah jarak terpendek dari titik terhadap titik yang terdapat pada garis . Dengan memproyeksikan titik A ke garis maka diperoleh sebuah titik (misal B) sedemikian hingga ruas garis , kemudian ambil titik C pada garis dengan maka berdasarkan teorema Phitagoras dapat ditulis | |2 = | |2 . |2 + | | |2 |2 < | |. | | < |
Karena | |, | |, | | positif, maka
Selanjutnya dapat pula ditentukan jarak dari dua buah lingkaran dengan mencari jarak minimum antar titik pada kedua lingkaran tersebut. Misalkan terdapat dua buah lingkaran yaitu lingkaran dan lingkaran , maka dapat ditentukan jarak dari kedua lingkaran tersebut dengan membuat garis singgung 1 yang menyinggung titik dan membuat garis singgung 2 yang menyinggung titik seperti pada Gambar 1.3.
| merupakan jarak titik terhadap garis . Sehingga |
Berdasarkan pembahasan sebelumnya, jarak titik dan titik bernilai minimum jika garis | adalah jarak lingkaran terhadap 1 dan garis 2 . Jadi, pada kondisi di atas | lingkaran .
y 1 Jurnal Matematika-FST Unair 2012 2
83
Gambar 1.3 Berdasarkan ulasan tersebut, penyusun tertarik untuk mengkaji lebih lanjut tentang diameter himpunan, jarak dari titik ke himpunan, dan jarak dari himpunan ke himpunan pada sebarang ruang metrik secara umum dengan metode analitik.
2. METRIK
Tidak semua himpunan bisa dikatakan ruang metrik. Suatu himpunan dikatakan ruang metrik berdasarkan [3] jika terdapat yang merupakan himpunan tak kosong dan adalah sebuah fungsi real x [0, ) yang didefinisikan pada hasil kali Cartesian x , disebut metrik pada jika hanya jika untuk setiap , , berlaku: i. ( , ) 0; ii. ( , ) = 0 = ; iii. ( , ) = (, ); iv. ( , ) (, ) + (, ). Pasangan terurut (, ) biasa disebut ruang metrik. Secara singkat (, ) biasa dituliskan sebagai .
Menurut [3], fungsi jarak pada ruang metrik dapat mendefinisikan diameter himpunan yaitu untuk setiap ruang metrik (, ) dengan adalah subset dari , maka didefinisikan diameter dari sebagai sup{(, )|, }. Selain dapat mendefinisikan diameter himpunan, fungsi jarak ini dapat mendefinisikan jarak dari titik ke himpunan serta jarak dari himpunan ke himpunan yaitu untuk setiap ruang metrik (, ) dengan dan adalah subset dari dan , maka didefinisikan jarak dari ke sebagai ( , ) = inf{(, )| } dan jarak dari ke sebagai (, ) = inf{(, )| , }.
3. METODE PENULISAN Metode yang digunakan dalam penulisan makalah ini adalah sebagai berikut : 1. 2. 3. 4. 5. 6. 7. 8. 9. Mengkaji konsep jarak pada 2 . Mengkaji konsep jarak pada 3 . Mengkaji konsep diameter pada ruang metrik. Mengkaji konsep jarak dari titik ke himpunan pada ruang metrik. Mengkaji konsep jarak dari himpunan ke himpunan pada ruang metrik. Menyajikan ketaksamaan diameter pada subset himpunan pada sebarang ruang metrik. Membuktikan keberlakuan ketaksamaan diameter pada subset bola di 3 . Menyajikan ketaksamaan jarak dari titik ke himpunan terhadap diameter himpunan pada sebarang ruang metrik. Membuktikan keberlakuan ketaksamaan jarak dari titik ke bola terhadap diameter bola di 3 .
84 10. Menyajikan ketaksamaan jarak dari himpunan ke himpunan terhadap jarak dari titik ke himpunan pada sebarang ruang metrik. 11. Membuktikan keberlakuan ketaksamaan jarak dari garis ke garis terhadap jarak dari titik ke garis 2 . 4. HASIL DAN PEMBAHASAN 4.1 Ketaksamaan Jarak dari Titik ke Himpunan terhadap Diameter Himpunan pada Sebarang Ruang Metrik Dengan menggunakan [1] dan [3], dapat dibuktikan untuk (, ) adalah sebuah ruang metrik, dan adalah subset dari yang mana , maka berlaku () (). Sehingga untuk kondisi dan () < dapat dibuat {(, )|, } untuk () = sup{(, )|, } < , sehingga ( , ) (), , . (, ) (), , .
Pilih , sebarang. Karena , maka , . Dengan demikian
Jadi,
Jelas bahwa () adalah salah satu batas atas dari {(, )|, }. () (). Contoh 1 ini menjelaskan teorema 4.1 pada kondisi dan () < . Untuk terdapat bola di 3 yang didefinisikan sebagai dan 2 + 2 + 2 ( )2 2 + 2 + 2 2
sedemikian hingga , sehingga dapat ditentukan ( ) () yaitu dengan mengukur jarak maksimum dua buah titik pada permukaan masing-masing bola tersebut. Hal ini dijelaskan pada Gambar 4.1 di bawah ini.
Z
B
r
A
85
Gambar 4.1 Misalkan

0
didefinisikan titik dan sebagai
= memotong bola pada titik dan titik , maka dapat
dan
(1 + 0 , 1 + 0 , 1 + 0 )
serta terdapat titik (0 , 0 , 0 ) yang melalui garis , maka dengan mensubsitusikan persamaan garis terhadap persamaan bola diperoleh Sedemikian hingga dapat pula ditentukan selisih kuadrat dari akar-akar persamaan diatas sebagai (2 1 )2 =
2 2 2 4(0 + 0 + 0 )2 4( 2 + 2 + 2 )(0 + 0 + 0 2 ) , ( 2 + 2 + 2 )2 2 2 2 2 ( 2 + 2 + 2 ) 2 + 2(0 + 0 + 0 ) + 0 + 0 + 0 2 = 0.
(2 + 0 , 2 + 0 , 2 + 0 ),
sehingga
(, ) = (2 1 )2 + (2 1 )2 + (2 1 )2 = = ( 2 + 2 + 2 )(2 1 )2 4(0 + 0 + 0 )2 2 2 2 4(0 + 0 + 0 2 ). ( 2 + 2 + 2 )

2
Berdasarkan ketaksamaan Cauchy-Schwarz dan untuk titik terdapat pada bola , maka didapatkan (, ) = 4(0 + 0 + 0 )2 ( 2 + 2 + 2 )
2 2 2) ( 2 + 2 + 2 )(0 + 0 + 0 ( 2 + 2 + 2 )
sehingga
2 2 2) = 4(0 + 0 + 0
atau
(, ) = 2
86 () = 2.
Dengan cara yang sama diperoleh ( ) = 2( ). Sehingga terbukti bahwa 4.2 Ketaksamaan Jarak dari Himpunan ke Himpunan terhadap Jarak dari Titik ke Himpunan pada Sebarang Ruang Metrik Berdasarkan [3], misalkan (, ) adalah ruang metrik, serta dan adalah subset tak kosong dari yang mana , maka berlaku (, ) ( , ) (, ) + (). Tentunya hal ini akan berlaku untuk , sedemikian hingga dapat ditulis sehingga (, ) = inf{( , )| } 0, ( ) ().
Selanjutnya untuk setiap dan berlaku(, ) (, ). Karena , sehingga ketaksamaan diatas juga berlaku untuk . Sedemikian hingga untuk setiap berlaku ( , ) (, ) + (, ) ( , ) + (). ( , ) ( , ) ( , ) + ().
Khususnya ketaksamaan di atas juga berlaku untuk setiap . Akibatnya diperoleh (, ) (, ), untuk setiap dan (, ) = inf{( , )| }. Jadi, (, ) (, ).
( , ) (, ),
untuk setiap .
Sehingga diperoleh
4.2 di bawah ini.
Pada contoh 2 ini menjelaskan teorema 4.2 pada kondisi untuk yaitu untuk terdapat bola di 3 yaitu 2 + 2 + 2 2 dan 2 + 2 + 2 ( )2 serta sebuah titik di luar bola (, , ), dapat ditentukan jarak bola terhadap titik yaitu dengan mencari jarak terpekdek dari titik terhadap sebarang titik pada bola , sedemikian hingga dapat di buat garis

= yang melalui titik dan pusat bola seperti pada Gambar

Z P
( 0 0)
(0, , 0)
Gambar 4.2
87 Dengan mensubsitusikan persamaan garis terhadap bola dapat ditulis sehingga diperoleh
(2 + 2 + 2 ) 2 2(2 + 2 + 2 ) + 2 + 2 + 2 2 = 0, 1,2 = 1 2 + 2 + 2 . 2 + 2 + 2
Lalu ( , ) = inf (1 ) + (1 ) + (1 ) , = 2 + 2 + 2 .
2 2 2
= 1,2
Dengan cara yang sama diperoleh (, ) = 2 + 2 + 2 ( ), sehingga terbukti 4.3 Ketaksamaan Jarak dari Himpunan ke Himpunan terhadap Jarak dari Titik ke Himpunan pada Sebarang Ruang Metrik Menurut [3], misalkan (, ) adalah sebuah ruang metrik, serta dan adalah subset dari , maka berlaku (, ) ( , ) + ( , ). Tentunya ketaksamaan ini juga berlaku untuk setiap kondisi dan yang merupakan subset dari . Berikut ini akan dibuktikan untuk kondisi dan . Misalkan dan dapat ditulis (, ) (, ) (, ) + (, ). Lalu berdasarkan definisi jarak dari titik ke himpunan ditulis sebagai ( , ) + ( , ) (, ) + (, ). Sedemikan hingga diperoleh (, ) (, ) + ( , ). Contoh 3 berikut ini akan mejelaskan teorema 4.5 pada kondisi dan yaitu untuk dua garis yang sejajar pada 2 yang didefinisikan sebagai 1 = + + = 0 ( , ) (, ) ( , ) + ( ).
dan
maka dapat ditentukan jarak kedua garis tersebut dengan mengukur jarak terpendek dari dua buah titik yang diambil dari masing-masing garis. Sedemikian hingga untuk (0 , 0 ) dengan 1 dan 2 dapat dipilih , 1 sebagai 0 , 0
2 = + + = 0,
88
dan 0 , 0 ,
Sehingga diperoleh
(, ) = 0
dan
2 0 + 0 + 0 0 = (, ) = ,
0 2 0 + 0 + = ,
(, ) = 0
1 1 = 2 + 2 (0 + 0 + )2 = 2 + 2 |0 + 0 + | . || (, ). ( , ) (, )
0 2 0 2 + 0
Dengan menggunakan luas segitiga, dapat ditentukan jarak titik terhadap garis 1 sebagai (, 1 ) =
= =
(0 + 0 + ) (0 + 0 + ) (2 + 2 |0 + 0 + |) ||
Dengan cara yang sama diperoleh
|0 + 0 + | . 2 + 2
(, 2 ) =
|0 + 0 + | 2 + 2
89 Karena 1 dan 2 sejajar, maka dapat ditentukan jarak 1 terhadap 2 dengan mengukur jarak terpendek sebarang titik pada 1 terhadap garis 2 . Sedemikian hingga dapat dipilih 1 yaitu (0, ), sehingga diperoleh

Akibatnya,
( , 2 ) = +
2 + 2
| + |
= (1 , 2 ). | + |
|0 + 0 + | Jadi, terbukti 2 + 2
|0 + 0 + | 2 + 2
2 + 2
(, 1 ) + (, 2 ) (1 , 2 ). 5. KESIMPULAN Berdasarkan hasil pembahasan dapat disimpulkan untuk (, ) ruang metrik diperoleh : 1. dan adalah subset dari yang mana , maka berlaku () (), 2. serta dan adalah subset tak kosong dari yang mana , maka berlaku ( , ) (, ) ( , ) + (), dan 3. serta dan adalah subset dari , maka berlaku (, ) ( , ) + ( , ). DAFTAR PUSTAKA [10] Bartle, Robert G., and Sherbert, Donald R., 2000, Introduction to Real Analysis Third Edition, John Wiley and Sons, Inc, New York. [11] Kreyszig, Erwin., 1989, Introduction Functional Analysis with Applications, John Wiley and Sons, Inc, Canada. [12] Searcoid, Micheal O., 2007, Metric Spaces, Springer Science+Business Media, United States of America.
90
Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS) sebagai Metode Penyelesaian Uncapacitated Facility Location Problem (UFLP)
Umi Lailatul Muyassaroh, , Kampus C, Jl. Mulyorejo, Surabaya umi.lailatul.m@gmail.com
Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga
Abstract. Uncapacitated facility location problem is defined as a problem to find the optimal location to build a facility that will serve the customer with the assumption that the built facility does not have a limited number to serve the customers. Particle Swarm Optimization with Local Search (PSO-LS) algorithm is combination of PSO algorithm and Local Search (LS) Algorithm. The couple of optimization algorithm expected to optimize searching UFLP solutions. The process of algorithm begins by generating the initial positions and velocities of particles, determine the open facility vector, and then make evaluation to obtain value of fitness. Hereinafter specified for each personal best and global best particle to the whole swarm. At iteration of algorithm, performed the particle velocity and position update, and then performed the evaluation process and the personal best and set a new global best. PSO algorithm solution (global best) is the initial solution for Local Search Algorithms. Initial solution is then modified to form new solutions. Flip operation is then performed on the new solution. The process of making a conclusion is at the end of the iteration solution PSO-LS, by taking the value of the minimum objective function. The data used is the data 10 to 15 customer locations and data 50 locations with 50 customers and solved by the programming language Java Netbeans IDE 7.1.2 with the objective function (cost) for the minimum data 10 locations with 15 customers amounted 149,690.47500000003 unit. While the data for 50 locations with 50 customer acquired a fee of 793,183.89900000000 unit.
Keywords : PSO, Particle Swarm Optimization, Local Search, Uncapacitated Facility Location Problem. .
28 Pendahuluan
Kemajuan teknologi di berbagai bidang memicu pertumbuhan industri yang semakin cepat dan lahirnya berbagai industri baru. Hal ini tentu berdampak pada persaingan perusahaan yang ketat. Untuk itu diperlukan strategi yang tepat sebagai solusi cerdas untuk masalah persaingan industri tadi. Salah satu masalah penting dalam dunia industri antara lain adalah penempatan suatu fasilitas pada suatu lokasi. Secara umum, permasalahan penempatan suatu fasilitas pada suatu lokasi (facility location problem) dapat didefinisikan sebagai penempatan beberapa fasilitas pada beberapa lokasi yang mungkin sehingga seluruh customer dapat dilayani dengan biaya seminimal mungkin. Masalah penempatan fasilitas dalam suatu lokasi dapat diklasifikasikan menjadi dua berdasarkan batasan masalah yang digunakan, yaitu pengalokasian dengan jumlah customer yang terbatas (capacitated), dan pengalokasian dengan jumlah customer yang tidak terbatas (uncapacitated). Pada
91 uncapacitated facility location problem berlaku asumsi bahwa fasilitas yang dibangun dapat melayani customer dalam jumlah yang tak terbatas, sedangkan pada capacitated facility location problem berlaku sebaliknya. Beberapa contoh masalah pengalokasian fasilitas yang dimodelkan sebagai UFLP antara lain: masalah lokasi Bank, penjadwalan mesin, desain jaringan (network design), pendistribusian data serta jaringan komunikasi dan desain jaringan komputer. Pada [1] dijelaskan bahwa UFLP telah dipelajari dan diuji secara luas dengan berbagai percobaan dan pendekatan. Secara umum, metode yang digunakan untuk menyelesaikan UFLP ada dua, yaitu metode analitik dan metode numerik. Metode analitik dinilai kurang efisien untuk mencari solusi optimum, terutama dikarenakan UFLP terdiri dari beberapa kombinasi permasalahan sehingga semakin besar masalahnya, maka semakin sulit pula mencari solusi optimumnya, disamping dibutuhkan waktu yang lama untuk menyelesaikannya. Oleh karena itu, metode yang banyak digunakan adalah metode numerik. Adapun metode numerik yang digunakan adalah metode metaheuristik menggunakan algoritma tertentu. Beberapa metode metaheuristik yang pernah dicoba untuk menyelesaikan UFLP antara lain: Tabu search, Algoritma Genetik, Neighborhood Search, Simmulated Annealing. Menurut Sevkli dan Guner (2006), Particle Swarm Optimization (PSO) adalah salah satu teknik pencarian metaheuristik yang dikenalkan pertama kali pada tahun 1995 oleh Russell Eberhart dan James Kennedy berdasarkan pada perilaku interaksi sosial dan komunikasi pada segerombolan binatang, diantaranya sekawanan burung yang terbang di angkasa dan sekelompok ikan. Calon solusi pada PSO, yang disebut partikel, bergerak mengelilingi ruang pencarian dengan dengan suatu kecepatan yang di-update berdasarkan pengalaman partikel dan pengalaman keseluruhan swarm. PSO telah berhasil dicoba pada berbagai aplikasi, seperti fungsi optimisasi, neural network training, task assigment, dan masalah penjadwalan. Algoritma sebagai penyelesaian UFLP dalam paper ini adalah Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS), yaitu algoritma PSO yang dikombinasikan dengan algoritma Local Search (LS). Penambahan algoritma LS untuk algoritma PSO dimaksudkan agar tidak kehilangan solusi yang ditemukan sebelumnya, memperluas kandidat solusi di sekitar solusi sebelumnya dan mendapatkan pendekatan solusi yang optimum. 29 Uncapacitated Facility Location Problem (UFLP) Pada UFLP, terdapat sejumlah n lokasi dan m customer. Setiap pembangunan fasilitas pada lokasi tertentu (i) terdapat biaya pembangunan fasilitas yang nilainya tetap, . Terdapat biaya pelayanan atau biaya transportasi dari masing-masing lokasi (i) ke masing-masing customer (j) yang dinotasikan sebagai . Sebagaimana yang dijelaskan sebelumnya, bahwa dalam UFLP tidak ada batasan jumlah bagi masing-masing calon lokasi yang akan dibangun fasilitas untuk melayani customer dan semua permintaan customer harus dialokasikan. Permasalahan pokok pada UFLP adalah menemukan jumlah lokasi yang akan dibangun fasilitas sehingga jumlah biaya yang dikeluarkan dapat diminimalisir. Secara matematis, formulasi dari UFLP adalah sebagai berikut: = min + dengan: = 1
=1 =1 =1 =1
(1)
(3)
(2)
92 Keterangan: , {0; 1}
1, jika fasilitas dibangun = 0, jika fasilitas tidak dibangun = {1, 2, , } = {1, 2, , }
1, Jika dilayani oleh fasilitas = 0, Jika tidak dilayani oleh fasilitas
Pada model di atas, persamaan (1) menunjukkan biaya total untuk mendirikan fasilitas dan memenuhi permintaan dari costumer. Kendala persamaan (2) digunakan untuk memastikan bahwa permintaan dari tiap costumer hanya dilayani oleh satu fasilitas. Kendala persamaan (3) untuk memastikan costumer j hanya bisa dilayani oleh fasilitas i jika fasilitas tersebut dibangun pada lokasi i dan menunjukkan bahwa variabel keputusan adalah variabel biner 0 dan 1.
Setiap partikel di dalam PSO juga berhubungan dengan suatu posisi dan kecepatan yang merupakan calon solusi. Partikel-partikel tersebut bergerak melalui penelusuran ruang dengan kecepatan yang dinamis berdasarkan pengalaman sendiri (c1) dan pengalaman kelompoknya (c2). Oleh karena itu, partikel-partikel mempunyai kecenderungan untuk bergerak ke ruang penelusuran yang lebih baik setelah melewati proses penelusuran sebelumnya. Dengan kata lain, setiap partikel akan memanfaatkan baik personal best (pBest) maupun global best (gBest) untuk memperbaiki velocity () sehingga posisi baru yang didapat menjadi solusi yang optimal.[2]
30 Particle Swarm Optimization
Algoritma
Begin Initialize particles positions ();
Initialize particles velocities ( ); for each particle Find open facility vector (); Evaluate; Find the personal best ( ) and the global best ( );
do {
93
Update velocity and position vectors; Update open facility vector; Evaluate; Find the personal best ( ) and the global best ( );
} while (Termination) end End
Algoritma Local Search digunakan untuk mencari solusi disekitar posisi vektor Global best. Aplikasi Local Search pada PSO ini dapat dijelaskan sebagai berikut. Global best yang didapatkan pada akhir setiap iterasi PSO kemudian diadopsi sebagai solusi awal untuk Algoritma LS. Agar tidak menghilangkan solusi optimal dan untuk memperlebar kandidat solusi di sekitar posisi Global best, maka Global Best dimodifikasi secara random dimana dua fasilitas membuka atau menutup berdasarkan parameter dan yang dibangkitkan secara random. Kemudian, operator flip diaplikasikan selama ia masih menghasilkan solusi yang optimal.
31 Local Search (LS)

4B
Algoritma
Begin 0 ;
for t 0 to max_iter do
Modify 0 based on and ; Apply Flip to and get 1 ; if ( f(1 ) f() ) do 1 ;
else t = t+1; end
94
end if f() f(0 ) do end End
Algoritma Particle Swarm Optimization dengan Local Search (PSO-LS) adalah gabungan antara Algoritma PSO dan Algoritma Local Search. Penggabungan Algoritma PSO dengan algoritma lain (salah satunya dengan Algoritma Local Search) adalah untuk menghasilkan solusi yang optimal. Algoritma Local Search yang dioperasikan dengan Algoritma PSO berfungsi mencari solusi (yang diharapkan lebih baik) di daerah sekitar solusi Algoritma PSO.
32 Particle Swarm Optimization dengan Local Search
Algoritma PSO-LS disini diusulkan untuk menyelesaikan uncapacitated facility location problem (UFLP) dengan 3 buah vektor kunci dalam pencarian solusi, yaitu himpunan vektor posisi (L), himpunan vektor kecepatan (V) dan himpunan vektor open facility (Y). Vektor posisi yang dinotasikan sebagai = { } merupakan himpunan dari vektor-vektor posisi pada suatu swarm. Vektor posisi pada partikel ke-i didefinisikan sebagai = [ ] = [1 , 2 , , ], dengan i adalah jumlah partikel dalam suatu swarm (sw_size), = {1, 2, , }, dan n adalah jumlah lokasi pada UFLP.
Vektor kunci kedua untuk menyelesaikan UFLP adalah vektor kecepatan (). Vektor kecepatan merupakan himpunan dari vektor-vektor kecepatan dalam suatu swarm dan dinotasikan sebagai = { }. Vektor kecepatan pada partikel ke-i didefinisikan sebagai: = [ ] = [1 , 2 , , ], dengan i adalah jumlah partikel dalam suatu swarm (sw_size), = {1, 2, , } dan n adalah jumlah lokasi pada UFLP.
Vektor posisi () tidak mengarah langsung sebagai kandidat solusi untuk menghitung total biaya (), tetapi dibawa ke himpunan biner, yaitu vektor open facility (). Dapat dikatakan bahwa vektor Open Facility merupakan vektor kunci terakhir untuk penyelesaian UFLP. Vektor Open Facility yang dinotasikan sebagai = { } merupakan himpunan dari vektor-vektor Open Facility pada suatu swarm. Vektor Open Facility pada partikel ke-i didefinisikan sebagai = [1 , 2 , , ], dengan i adalah jumlah partikel dalam suatu swarm (sw_size) dan n adalah banyaknya kandidat lokasi yang akan dibangun fasilitas. Nilai dari vektor Open Facility dihitung dari persamaan 2.4 sebagai berikut: = 2 (4) Jurnal Matematika-FST Unair 2012
95 dengan: menggambarkan variabel keputusan untuk membuka atau menutup fasilitas ke-k dari partikel ke-i, merupakan bilangan bulat terbesar yang kurang dari atau sama dengan , sedangkan adalah nilai posisi dari partikel ke-i yang bersesuaian dengan dimensi ke-k. Jumlah dimensi menunjukkan banyaknya fasilitas yang akan dibangun ( = {1,2, , }) dan n adalah jumlah lokasi yang akan dibangun fasilitas.
Selanjutnya, setiap partikel dihitung nilai fitness-nya. Nilai fitness adalah keandalan partikel untuk bertahan dalam suatu populasi (swarm). Nilai fitness partikel ke-i yang dinotasikan dengan didapatkan dengan menghitung nilai fungsi tujuan (Z) sebagaimana persamaan (1). Semakin kecil nilai fitness berbanding lurus dengan semakin andal partikel untuk bertahan dalam suatu swarm. Posisi partikel yang bersesuaian dengan nilai fitness terbaik pada partikel itu sendiri disebut personal best (P), sedangkan posisi partikel dengan nilai fitness terbaik dalam satu swarm disebut global best (G). Personal best yang dinotasikan = { } adalah himpunan dari vektor-vektor posisi terbaik untuk partikel ke-i pada iterasi tertentu, dan = [ ] = [1 , 2 , , ], dengan nilai posisi dari Pbest ke-i yang berkaitan dengan dimensi ke-k. Personal best masing-masing partikel pada setiap iterasi t diperbarui jika didapatkan nilai fitness yang lebih baik.
Nilai fitness dari Personal best partikel ke-i dinotasikan dengan . Personal best awal adalah nilai dari vektor posisi ( = ), sehingga nilai fitness Personal best ke-i sama dengan nilai fitness dari
= min Dengan = {1,2, , _}, = {1,2, , }, sw_size adalah banyaknya partikel dalam swarm, n adalah jumlah lokasi yang akan dibangun fasilitas, = {1,2, , max _}, dan max_iter adalah iterasi maksimum untuk Algoritma PSO.
posisi ke-i, = . Nilai fitness Personal best pada iterasi ke-t adalah nilai fitness terkecil dari masing-masing partikel untuk iterasi awal (iterasi ke-1) hingga iterasi ke-t dan dinotasikan sebagai
= 1 , 2 , , dinotasikan sebagai vektor Open Facility dimana Global Best didapatkan.
best, dinotasikan sebagai = min , yang berkaitan dengan vektor posisi Global best, , sehingga = . Dengan kata lain, = 1 = 1 , 2 = 2 , , =
Kemudian, salah satu Personal best dengan nilai fitness terbaik pada keseluruhan swarm pada iterasi tertentu merupakan Global best dan dinotasikan dengan = [1 , 2 , , ]. Nilai fitness Global
dan
Setelah didapatkan personal best dan global best, dilakukan update kecepatan. Proses update kecepatan ini dilakukan pada setiap iterasi untuk menggerakkan vektor posisi semula menuju vektor posisi yang lebih baik. Misalkan () adalah komponen vektor kecepatan ke-i ( ) pada iterasi ke-, Jurnal Matematika-FST Unair 2012
96 maka untuk memperbaharui komponen vektor kecepatan ke-i pada iterasi ke + 1 digunakan persamaan (5) sebagai berikut:
dengan: adalah bobot inersia yang dibangkitkan secara random pada interval [0, 1 ], 1 dan 2 adalah koefisien sosial dan kognitif yang merupakan faktor pengalaman partikel itu sendiri dan pengalaman keseluruhan swarm, 1 dan 2 Bilangan random pada interval [0,1], dan adalah banyaknya iterasi. Setelah mendapatkan komponen-komponen vektor kecepatan baru, komponen-komponen vektor lokasi di-update berdasarkan persamaan (6) sebagai berikut: (+1) = () + (+1) Algoritma (6)
(+1) = . () + 1 1 () () + 2 2 () () (5)
Begin Initialize particles positions (); for each particle
Initialize particles velocities ( ); Find open facility vector ();
Evaluate;
do {
Find the personal best ( ) and the global best ( ); Update open facility vector ();
Update velocity ( ) and position vectors ();
Evaluate;
Apply Local Search Algorithm; } while (Termination);
Find the personal best ( ) and the global best ( );
97
End
Data yang digunakan dalam penelitian, terdiri dari dua jenis data, Data Kecil dan Data Besar. Data Kecil didapat dari Beasley (2005a) dengan sedikit modifikasi. Sedangkan Data Besar didapat dari Beasley (2005b). Parameter yang digunakan diantaranya jumlah populasi partikel (swarm), koefisien social dan kognitif (c1 dan c2). Solusi didapatkan dengan menggunakan program yang menerapkan PSO-LS yang disusun dalam bahasa pemrograman Java Netbeans 7.1.2.
Pada Tabel 1 berikut disajikan perbandingan hasil perhitungan nilai fungsi tujuan (Z) untuk Data kecil dengan parameter berbeda. Perhitungan data dilakukan rata-rata sebanyak lima kali dan diambil nilai Z yang terbaik. Berdasarkan Tabel 1 dapat dilihat bahwa hasil perhitungan nilai fungsi tujuan (Z) telah menemukan solusi terbaiknya, yaitu 149690.4750 satuan.
Tabel 22
Tabel 2 Perbandingan Nilai fungsi tujuan (Z) pada Data Kecil dengan parameter berbeda
Ukuran swarm c1 c2 1 1 3 5 1 10 3 3 5 1 5 3 5 1 1 3 5 30 3 1 3 5 5 1 Z 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750
98
3 5 149.690,4750 149.690,4750
Ukuran swarm
c1
c2 1
Z 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750 149.690,4750
3 5 1
50
3 5 1
3 5
Pada Tabel 2 berikut disajikan perbandingan hasil perhitungan nilai fungsi tujuan (Z) untuk Data besar dengan parameter berbeda. Perhitungan data dilakukan rata-rata sebanyak lima kali dan diambil nilai Z yang terbaik. Berdasarkan Tabel 1 dapat dilihat bahwa hasil perhitungan nilai fungsi tujuan (Z) telah ditemukan solusi optimal, yaitu 793.439,5625 satuan.
Tabel 3 Perbandingan Nilai fungsi tujuan (Z) pada Data Besar dengan parameter berbeda
Tabel 23 Ukuran swarm c1 c2 1 1 3 5 10 1 3 3 5 5 1 3 Z 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625
99
5 1 1 30 3 3 5 1 3 5 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625
Ukuran swarm
c1
c2 1
Z 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625 793.439,5625
30
3 5 1
3 5 1
50
3 5 1
3 5
Setiap data yang diterapkan pada program dilakukan rata rata lima kali percobaan dan dipilih solusi terbaiknya. Kemudian hasil tersebut dibandingkan dengan hasil optimal [5] serta hasil yang didapatkan dengan menggunakan Algoritma Genetic Paralel (GP) [3] dan Algoritma parallel VEGA(PVEGA) [4]. Hasil keseluruhan ditunjukkan padaTabel 1.
No
Tabel 4 Perbandingan penyelesaian beberapa metode Data Hasil Optimal GP PVEGA
PSO-LS
100 1 2 Data Kecil Data Besar

793.439,5625 149.690,484375 793.439,625 149.690,475 793.439,5625 149.690,4750 793.439,5625
Dari Tabel 3 dapat dilihat bahwa hasil running program menggunakan Algoritma PSO-LS mendapatkan solusi optimal.
Hasil yang diperoleh dengan menggunakan PSO-LS pada Data Kecil setara dengan hasil PVEGA dan lebih baik dari Algoritma Genetik Palalel. Pada Data Besar, perhitungan nilai fungsi tujuan dengan Algoritma PSO-LS mencapai solusi optimal sebagaimana Beasley (2005b). Hasil perhitungan fungsi tujuan ini setara dengan hasil Algoritma PVEGA dan lebih baik daripada hasil yang diperoleh dengan menggunakan Algoritma Genetic Paralel.
34 Kesimpulan
35 Daftar Pustaka
[13] Sevkli, M and Guner, Ali R., 2006, Ant Colony Optimization and Swarm Intelligence: A continuous Particle Swarm Optimization for Uncapacitated Facility Location Problem, Lecture Notes in Computer Science, 4150:316-323. [14] Eberhart, R.C., Kennedy, J.: A New Optimizer Using Particle Swarm Theory. In Proc. of the 6th Int. Symposium on Micro Machine and Human Science, Nagoya Japan (1995) 3943. [15] Aslam, M., 2007, Pendekatan Algoritma Genetik Paralel untuk Uncapacitated Location Problem, Skripsi, Universitas Airlangga, Surabaya. [16] Makki, M. 2012, Parallel Virus-Evolutionary Genetic Algorithm Untuk Uncapacitated Location Problem, Skripsi, Universitas Airlangga, Surabaya. [17] Beasly, J.E., 2005a. OR-Library: http://people.brune1.ac.uk/~mastjjb/ jeb/orlib/files/cap71.txt. [18] Beasly, J.E., 2005b. OR-Library: http://people.brune1.ac.uk/~mastjjb/ jeb/ orlib/files/cap131.txt.
101
Analisis dan Kontrol Optimal pada Model Penyebaran Virus HIV dalam Tubuh Manusia
Wheni Sukokarlinda, Fatmawati, Yayuk Wahyuni Departemen Matematika, Fakultas Sains dan Teknologi Universitas Airlangga phiemiewheni@yahoo.co.id
Abstrack. HIV virus is one of the viruses which can cause a disease called Acquired Immune Deficiency Syndrome (AIDS) by attacking the immune system. The purpose of this paper is to analyze the mathematical model of the spreading of HIV virus in human body and to determine the optimal control form. In determining the stability of the system we used Routh-Hurwitz stability criteria, and to determine the optimal control form we used Pontryagin Maximum Principle. Based on the analytical model without control, the results obtained two equilibrium points, they are the diseasefree equilibrium point 1 = ( , 0,0) and the endemic equilibrium point 2 =

equilibrium point 1 will be asymptotically stable if the threshold value 0 = asymptotically stable if
(1 2 )
= min 0,
controller (ARV drugs) which can reduce the population of CD4 cells infected by HIV virus so that the spreading of HIV virus can be suppressed and be able to maximize the healthy CD4 cells with the minimum cost of ARV drugs.
, 1 . The simulation result showed the effectiveness of control by a
0 =
>
1,
while
the
optimal
control
< 1 and 2 will be form is
. The
Keywords : HIV, Routh-Hurwitz Criterion, Optimal Control, Threshold Value, Potryagin Maximum Principle.
3. PENDAHULUAN
Acquired Immune Deficiency Syndrome (AIDS) adalah sekumpulan gejala dan infeksi yang timbul karena rusaknya sistem kekebalan tubuh manusia akibat infeksi Human Immunodeficiency Virus (HIV). Virus HIV sendiri merupakan virus yang memperlemah kekebalan tubuh manusia dengan cara menyerang sel CD4. Sel CD4 adalah salah satu jenis dari sel darah putih (limfosit) yang merupakan bagian penting dari sistem kekebalan tubuh. Pada penelitian ini akan dibahas mengenai model penyebaran virus HIV dalam tubuh manusia yang dibagi menjadi tiga kelompok populasi yaitu populasi/jumlah sel CD4 yang belum terkena virus HIV, populasi sel CD4 yang telah terinfeksi virus HIV, dan populasi virus HIV. Untuk menekan penyebaran virus HIV dalam tubuh dapat digunakan suatu pengontrol berupa obat, dalam hal ini berupa obat ARV. Pemberian obat ARV dapat menghambat replikasi virus HIV dalam tubuh manusia. Dengan menggunakan prinsip Maksimum Pontryagin, diharapkan dapat mengoptimalkan pemberian obat ARV. Sehingga perkembangan virus HIV dapat ditekan dan jumlah sel CD4 yang sehat dapat meningkat.
102
4. PENYEBARAN VIRUS HIV

Seperti virus pada umumnya, HIV hanya dapat bereplikasi dengan memanfaatkan sel inang. Siklus hidup HIV diawali dengan penempelan partikel virus dengan reseptor pada permukaan sel inang, di antaranya adalah CD4 dan CXCR5 yang ada pada sel darah putih. Setelah menempel, selubung virus akan melebur (fusi) dengan membran sel sehingga isi partikel virus akan terlepas di dalam sel. Selanjutnya, enzim transkriptase yang dimiliki HIV akan mengubah genom virus yang berupa RNA menjadi DNA. Kemudian, DNA virus akan dibawa ke inti sel manusia sehingga dapat menyisip atau terintegrasi dengan DNA manusia. DNA virus yang menyisip di DNA manusia disebut sebagai provirus dan dapat bertahan cukup lama di dalam sel. Saat sel teraktivasi, enzim-enzim tertentu yang memiliki sel inang akan memproses provirus sama dengan DNA manusia, yaitu diubah menjadi mRNA. Kemudian mRNA akan dibawa keluar dari inti sel dan menjadi cetakan untuk membuat protein dan enzim HIV. Sebagian RNA dari provirus merupakan genom RNA virus. Bagian genom RNA tersebut akan dirakit dengan protein dan enzim hingga menjadi virus utuh. Pada tahap perakitan inti virus, enzim protease virus berperan penting untuk memotong protein panjang menjadi bagian pendek yang menyusun inti virus. Apabila HIV utuh telah matang, maka virus tersebut dapat keluar dari sel inang dan mendapatkan selubung dari membran permukaan sel inang, sehingga menjadi virus baru hasil replikasi terhadap sel inang (sel CD4). Virus yang baru tersebut akan terus bereplikasi dengan sel CD4 lain yang ada pada tubuh manusia. Karena sel CD4 berada pada sel darah putih yang mengalir keseluruh tubuh manusia, maka sel CD4 yang terinfeksi HIV juga akan menyebar keseluruh tubuh manusia sehingga menimbulkan penyakit, salah satunya adalah AIDS.
5. MODEL PENYEBARAN HIV

Model dasar penyebaran virus HIV dalam tubuh dapat dinyatakan dalam bentuk sistem persamaan diferensial sebagai berikut: () = () = () ()() () ) = () () () = ( () = () = () ()
dengan , , dan berturut-turut adalah populasi sel CD4 yang sehat, populasi sel CD4 yang terinfeksi virus HIV, dan populasi virus HIV, dimana , , adalah laju perubahan sel CD4, laju perubahan sel CD4 yang terinfeksi virus HIV dan laju perubahan virus HIV. Sedangkan laju pertumbuhan sel CD4 dinotasikan , laju kematian sel CD4 secara alami dinotasikan , laju sel CD4 yang sehat menjadi terinfeksi virus HIV dinotasikan , laju kematian sel CD4 yang terinfeksi virus HIV dinotasikan , laju replikasi virus HIV di dalam sel CD4 yang terinfeksi virus HIV dinotasikan , laju kematian virus HIV secara alami dinotasikan . Jurnal Matematika-FST Unair 2012
103
6. ANALISIS KESTABILAN Untuk menganalisis kestabilan dari suatu model matematika yang berbentuk nonlinier, maka langkah awal yang dilakukan adalah mencari titik setimbang dari model tersebut. Berdasarkan [3] titik setimbang dapat diperoleh dengan menggunakan ( ) = 0 dengan adalah titik setimbang

selanjutnya dilakukan analisis kestabilan dengan cara membentuk matriks Jacobian dari titik setimbang tersebut dan didapatkan persamaan karakteristik sehingga diperoleh nilai eigen. Sebelum dilakukan analisis model perlu dikenalkan suatu nilai ambang batas 0 , yaitu sebagai bilangan yang menyatakan banyaknya kasus baru dari sel terinfeksi yang muncul akibat masuknya sel terinfeksi dalam suatu populasi virgin.
dan ( ) =
adalah persamaan diferensial yang autonomous. Setelah didapatkan titik setimbang,
Pada permasalahan tertentu kestabilan dari titik setimbang tidak dapat diamati karena tanda bagian real dari nilai eigen tidak mudah ditentukan. Untuk matriks yang berukuran dengan > 2 tanda bagian real dari nilai eigen dapat ditentukan dengan menggunakan kriteria kestabilan Routh-Hurwitz. Berdasarkan [1], analisis kestabilan dengan menggunakan Kriteria Routh-Hurwitz, dapat dilakukan sebagai berikut: Diberikan persamaan karakteristik: + 1 1 + 2 2 + + 1 + = 0 1 1 , 3 = 3 2 5 1 2 4 1 0 3 1 , , = 3 0 1 2 0 (1)
1 = (1 ), 2 = 1 3
dengan , = 1, , , adalah bilangan real. Diberikan matriks Hurwitz dinotasikan , yang berisi koefisien dari persamaan karakteristik (1) sebagai berikut : 0 0 0
Akar-akar persamaan karakteristik (1) akan negatif atau mempunyai bagian real negatif jika dan hanya jika ( ) > 0.
dengan = 0 saat > .
5.
KONTROL OPTIMAL
Menurut [2], dalam menyelesaikan permasalahan kontrol optimal, salah satu metode yang dapat digunakan adalah prinsip maksimum Pontryagin. Prinsip maksimum Pontryagin merupakan suatu kondisi sehingga dapat diperoleh penyelesaian kontrol optimal yang sesuai dengann tujuan (memaksimalkan indeks performansi).
104 Prosedur menyelesaikan masalah kontrol optimal dengan menggunakan prinsip maksimum Pontryagin adalah sebagai berikut: Diberikan persamaan state: = ((), (), )
(2)
dengan () dan () , dan indeks performansi:
Syarat cukup untuk memaksimalkan indeks performansi adalah mengkonversi persamaan (2) dan (3) ke dalam masalah memaksimalkan fungsi Hamiltonian. Maka dilakukan penyelesaian sebagai berikut: 1. Bentuk fungsi Hamiltonian: ( (), (), (), ) = ((), (), ) + ()( (), (), ) 2. Maksimumkan terhadap semua vektor kontrol (): = 0 sehingga diperoleh () = ( (), (), )
dimana nilai kondisi batas (0 ) = 0 dan diberikan, dan = bebas.
= ( , ) + ( (), (), )
(3)
4. Selesaikan sekumpulan 2 persamaan: 1. Persamaan state () = dengan diberikan nilai (0 ) = 0 . 2. Persamaan co-state atau persamaan adjoint ()
3. Gunakan hasil dari Langkah 2 ke dalam Langkah 1 dan tentukan yang optimal, yaitu ( (), (), (), ) = ( (), (), )
5. Untuk memperoleh kontrol yang optimal, substitusikan solusi () dan () dari Langkah 4 ke dalam kendali optimal () pada Langkah 2.
() = dengan diberikan nilai =
6. HASIL DAN PEMBAHASAN 1. Analisis Kestabilan Dengan menggunakan [3], model penyebaran virus HIV mempunyai dua titik setimbang yaitu titik setimbang bebas penyakit 1 = ( , 0,0) dan titik setimbang endemik 2 = Selanjutnya akan dianalisis kestabilan pada setiap titik setimbang tersebut dengan menggunkan kriteria Kestabilan Routh-Hurwitz. Untuk titik setimbang 1 didapatkan matriks Jacobian Jurnal Matematika-FST Unair 2012
,
105 0
.
1 merupakan hasil pelinieran dari model HIV pada titik setimbang 1 . Dari matriks Jacobian tersebut, dengan menggunakan det( 1 ) = 0, diperoleh persamaan karakteristik Berdasarkan kriteria kestabilan Routh-Hurwitz, titik setimbang 1 akan stabil asimtotis jika
1 = 0 0
3 + ( + + )2 + + +
+ ( ) = 0.
0 =
populasi sel CD4 yang sehat, sel CD4 yang terinfeksi dan virus HIV.
< 1. Dimana bilangan reproduksi dasar 0 adalah rasio pertumbuhan dan kematian dari
Untuk titik setimbang 2 didapatkan matriks Jacobian 2 = Dan diperoleh persamaan karakteristik
Berdasarkan kriteria kestabilan Routh-Hurwitz, titik setimbang 2 akan stabil asimtotis jika 0 = > 1
3 + + +
2 + + + ( ) = 0
2. Penyelesaian Kontrol Optimal Selanjutnya untuk mendapatkan jumlah sel CD4 yan sehat yang maksimum dengan biaya pengobatan yang minimal, maka perlu dicari bentuk kontrol optimal (obat ARV) dengan menggunakan Prinsip Maksimum Potryagin 2.3. Bentuk fungsi tujuannya adalah
(, ) = ( 2 ) 0
dengan variabel kontrol adalah dan variabel keadaannya = . Constrain dari fungsi tujuan (4) adalah
1 2
(4)
= = (1 )
106 ) = (1 ) = ( = =
dengan kondisi batas 0 < < (0 ) = 0 0, (0 ) = 0 0, (0 ) = 0 0. Fungsi Hamiltonian diberikan sebagai berikut: ( , , , ) = kondisi stasioner : = =0 1 2 + 1 (1 ) + 2 ((1 ) ) + 3 ( ) 2 0 1
sehingga diperoleh
Karena [0,1] maka dperoleh
(1 2 ) (1 2 ) , 1 .
Sedangkan persamaan state adalah
= min 0, =
= 1 = (1 ) 2 = = . 3
Persamaan co-state adalah
107 = 1 = (1 1 1 + 1 2 ) = 1 1 + 2 2 3 (1 2 ) , 1 = 2 = (2 + 3 )
Dari sini, maka hasil yang optimal adalah
= 3
= min 0, = 1 min 0,
(1 2 ) , 1
3. Simulasi Karena solusi sistem berbentuk persamaan nonlinier dan berjumlah enam persamaan maka sulit untuk diselesaikan secara analitik, oleh karena itu perlu diselesaikan secara numerik dengan menggunkan software MATLAB. Parameter-parameter yang digunakan pada simulasi model HIV [4] antara lain: = 7 sel/hari, = 0.007/hari, = 0.00000042163/virus hari, = 0.0999/hari, = 90.67/hari, = 0.2/hari, = 110. Selain itu juga nilai kondisi awal dari subpopulasi sebelum diberi pengontrol 1 (0) = 1000 sel, 1 (0) = 0 sel, 1 (0) = 7000 virus, dan sesudah diberi pengontrol 2 (0) = 363 sel, 2 (0) = 57 sel, 2 (0) = 28860 virus. Pada simulasi yang dilakukan kisaran waktu yang digunakan adalah 0 sampai dengan 1000 hari. Berikut hasil simulasi menggunakan software MATLAB:
Gambar 1 Populasi sel CD4 yang sehat sebelum diberi pengontrol (obat ARV)
Gambar 2 Populasi sel CD4 yang sehat setelah diberi pengontrol (obat ARV)
Berdasarkan Gambar 1 terlihat bahwa populasi sel CD4 yang sehat sebelum diberi pengontrol mengalami penurunan, sedangkan pada Gambar 2 populasi sel CD4 yang sehat setelah diperi pengontrol meningkat lebih cepat dibandingakan sebelum diberi pengontrol. Jurnal Matematika-FST Unair 2012
108
Gambar 3 Populasi sel CD4 yang terinfeksi virus HIV sebelum diberi pengontrol (obat ARV)
Gambar 4 Populasi sel CD4 yang terinfeksi virus HIV setelah diberi pengontrol (obat ARV)
Berdasarkan Gambar 3 terlihat bahwa populasi sel CD4 yang terinfeksi virus HIV sebelum diberi pengontrol mengalami peningkatan kemudian menurun dan bergerak konstan, sedangkan pada Gambar 4 populasi sel CD4 yang yang terinfeksi virus HIV setelah diperi pengontrol menurun lebih cepat dibandingkan sebelum diberi pengontrol.
Gambar 5 Populasi Virus HIV sebelum diberi pengontrol (obat ARV)
Gambar 6 Populasi Virus HIV Setelah Diberi Pengontrol (Obat ARV)
Berdasarkan Gambar 5 terlihat bahwa populasi virus HIV sebelum diberi pengontrol mengalami peningkatan kemudian menurun dan bergerak konstan, sedangkan pada Gambar 4 populasi virus HIV setelah diperi pengontrol menurun lebih cepat dibandingkan sebelum diberi pengontrol.
109 Gambar 7 Kondisi pengontrol (Obat ARV)
Berdasarkan Gambar 7 terlihat bahwa pengontrol pada awal periode pengendalian adalah 1 ini berarti bobot dari dosis obat diberikan sepenuhnya, kemudian bergerak menurun, konstan dan mulai turun kembali.
Dari hasil simulasi di atas dapat disimpulkan bahwa pemberian obat ARV pada sel CD4 yang terinfeksi virus HIV menunjukkan keefektifannya dalam menghambat replikasi virus HIV dalam tubuh manusia dengan selarasnya populasi virus HIV yang menurun.
7. KESIMPULAN 1. Titik setimbang bebas penyakit 1 = ( , 0,0) bersifat stabil asimtotis untuk 0 < 1 sedangkan Bentuk kontrol (1 2 ) , 1 Hasil simulasi menunjukkan keefektifan pengontrol (obat ARV) pada waktu kurang lebih 0 sampai dengan 900 hari, yang dapat memaksimumkan sel CD4 yang sehat dan meminimumkan biaya dalam pemberian obat ARV. = min 0, untuk titik setimbang endemik 2 =
, ,
2.
bersifat stabil asimtotis untuk 0 > 1.
3.
8. DAFTAR PUSTAKA [1] Merkin, D.R., 1997, Introduction to the Theory of Stability, Springer, New York [2] Naidu D.S., 2002, Optimal Control Systems, CRC Press, New York [3] Olsder, G.J., 1992, Mathematical System Theory, Delft, The Natherland [4] Shirazian M., Farahi M. H., 2010, Optimal Control Strategy for a Fully Determined HIV Model, vol.1, Intelligent Control and Automation, pg. 15-19
110
Estimasi Model Linier Tergeneralisasi Gaussian Berdasarkan Maximum Likelihood Estimator Dengan Menggunakan Algoritma Fisher Scoring
Zahrotul Ummah, Suliyanto & Sediono Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga Kampus C Jl. Mulyorejo, Surabaya E-mail : z.ummah45@gmail.com Abstract. Linier classic model is linier model which is the response variable has normally distribution. When the distribution of the response variable is the exponential family then the distribution is called generalized linier model. In this final report used the gaussian distribution. The aims of this final report are to obtain parameters estimators of generalized linier modelgaussian based on maximum likelihood estimation with residual deviance test. Maximum likelihood method used to find parameter estimator with maximize the parameter , while residual deviance test is used to measure how big a group of predictor variable to response variable. Since the result implicit estimate, Fisher Scoring Algorithm used in this final report. The Fisher Scoring Algorithm is Newton Raphson development which replaces the hessian matrix by its expectation. The final of applying generalized linier model-gaussian through S-Pluss 2000 Software on economic growth of east java on January 2007 until December 2010. Response variable used in this final report is economic growth of East Java on January 2007 until December 2010 and predictor variables are income from export, agriculture and import. Based on the data analysis we get the estimate of income export is -3e-005, income agriculture is 0.02418 and income agriculture is 0.0202. Based on the residual deviance test, it means that economic growth of east java will progressively 61% with increasing income from export, agriculture and import. In the suitability test the prediction is fairly well. Keywords : Generalized linear model, Gaussian Distribution, Maximum likelihood, Residual DevianceTest
1. Pendahuluan 2. Model linier merupakan model statistika yang memegang peranan penting dalam suatu percobaan untuk melakukan analisis hubungan antar beberapa variabel. Model linier yang paling sederhana adalah model regresi sederhana yang hanya melibatkan satu variabel respon dan satu variabel prediktor. Model linier sederhana ini dikembangkan menjadi model linier klasik (Classical Linear Model). Model linier klasik adalah model yang galatnya berdistribusi multivariat normal (MVN)[17]. Seiring dengan perkembangan pengetahuan, telah dikembangkan model linier yang dikenal dengan nama model linier tergeneralisasi. Model ini menggunakan asumsi bahwa respon memiliki distribusi Jurnal Matematika-FST Unair 2012
111 keluarga eksponensial[12]. Distribusi keluarga eksponensial adalah distribusi yang mempunyai sifatsifat karakteristik tertentu antara lain untuk menentukan estimasi menurut kecukupan statistik. Beberapa distribusi yang termasuk keluarga eksponensial yaitu distribusi gaussian, invers-gaussian, gamma, poisson, binomial, binomial negatif dan bernoulli. Pada dasarnya, distribusi berperan penting untuk menentukan model penyebaran dalam suatu data statistika. Dalam skripsi ini akan dibahas secara spesifik mengenai distribusi gaussian dalam kaitannya dengan model linier tergeneralisasi. Distribusi gaussian adalah distribusi yang memiliki kelebihan selain dapat dinyatakan sebagai distribusi keluarga eksponensial dan penerapannya dalam kehidupan sehari-hari lebih luas, distribusi gaussian juga bisa untuk menghitung beberapa distribusi hampiran. Beberapa contoh penerapan model linier tergeneralisasi gaussian adalah DCTDaerah Cap Air pada Foto [8]. Estimasi parameter populasi merupakan salah satu hal penting didalam inferensi statistika. Terdapat beberapa metode untuk mengestimasi parameter model linier tergeneralisasi, diantaranya adalah Maximum Likelihood Estimation (MLE) yang menggunakan pendekatan distribusi dengan memaksimumkan fungsi likelihood dan least square method (metode kuadrat terkecil) yang menggunakan pendekatan geometris dengan meminimumkan galatnya. Pada umumnya maksimum suatu fungsi tidak bisa diselesaikan secara analitik karena jika diperoleh bentuk implisit dan nonlinier maka tidak dapat diselesaikan sehingga dapat menggunakan Algoritma Fisher-Scoring [17].
3. Distribusi Keluarga Eksponensial
Suatu variabel acak y dengan probability density function f dan parameter dikatakan menjadi anggota keluarga eksponensial, jika f dapat dinyatakan sebagai (2.1) ( , ) ( ; , ) = exp
( ) ()
dengan (. ), (. ) dan (. ) masing-masing adalah fungsi khusus yang diketahui, adalah parameter kanonik (parameter lokasi) dan adalah parameter dispersi (parameter skala).Salah satu distribusi yang termasuk keluarga eksponensial adalah distribusi gaussian[7]. [2] Variabel acak kontinu y dikatakan berdistribusi gaussian dengan parameter dan 2 jika mempunyai probability density function (PDF) yang berbentuk : 1 1 (2.2) exp 2 ( )2 ( ; , 2 ) = 2 2 Teorema 2.1 dengan < < ; < < dan 2 > 0 dan dinotasikan sebagai ~ ( , 2 ).
Jika variabel acak y berdistribusi keluarga eksponensial dengan pdf pada persamaan (2.2), maka 2 (, , ) = (, , ) [7].
2 2
112 Lemma 1. Jika ( , ) ada dan kontinu pada untuk setiap dan setiap berada pada interval terbuka

dalam S, Maka
S [5]. Jika ( , ) () pada S dengan ( ) ( ) < , dan jika (, ) ( ) ada di

( , )
Teorema 2.2
( ) = (, ) ( )
Jika variabel acak y berdistribusi keluarga eksponensial dengan pdf pada persamaan (2.2), maka mean dan varians dari Y adalah () = ( ) dan () = () () = " ( )() [7]. Model linier tergeneralisasi adalah model linier yang melibatkan lebih dari satu variabel prediktor dengan variabel respon diasumsikan berdistribusi keluarga eksponensial [7]. Bentuk umum model linier tergeneralisasi adalah : ( | ) = ( ), = 1,2,3, , = 1,2,3, , (2.3) 4. Model Linier Tergeneralisasi
dengan adalah variabel respon ke- , adalah variabel prediktor kepada variabel prediktor ke- j, adalah vektor parameter yang diestimasi, dan G adalah fungsi link. Dalam model linier tergeneralisasi ada tiga komponen penting, yaitu : 1. komponen distribusi, yaitu yang berdistribusi keluarga eksponensial 2. komponen prediktor linier, yaitu = 3. fungsi link adalah fungsi monoton dan diferensiabel sedemikian sehingga ( ) = . 4. Maximum Likelihood Estimator Misalkan y1,y2, ...,yn merupakan variabel acak independen dari suatu distribusi dengan pdf ( , ) , untuk dengan ruang parameter, maka pdf bersama antara y1,y2, ...,yn adalah (1 , ). (2 , ) . . ( , ). [9] Jika pdf bersama tersebut dinyatakan sebagai fungsi terhadap maka dinamakan fungsi likelihood yang dinotasikan L dan ditulis : = (1 , 2 , , ) memaksimumkan (; 1 , 2 , , ) maka statistik = Jika statistik (1 , 2 , , ) adalah Maximum Likelihood Estimator dari . (; 1 , 2 , , ) = (1 , ). (2 , ) . . ( , ) = =1 ( , ) (2.4)
5. Algoritma Fisher-Scoring
113 Algoritma adalah prosedur komputasi dimana mengambil sebuah nilai atau menentukan nilai sebagai input dan menghasilkan beberapa nilai sebagai output. Sebuah algoritma adalah sebuah urutan langkah-langkah komputasi yang dapat merubah sebuah input menjadi output [16]. [11] Misalkan terdapat fungsi-fungsi fungsi implisit tersebut dapat diperoleh melalui iterasi Newton-Raphson sebagai berikut : (+) = () () () ,
()
= 0 dengan = 1,2, , , maka nilai-nilai yang memenuhi = 0,1,2,

() ,
(2.5)
dengan
= 1 , 2 , , , j,k=0,1,2,..., p.
() = , ,
()
() = , dan

2 ()
Adapun langkah-langkah dalam algoritma Newton-Raphson adalah sebagai berikut : 1. Menentukan nilai awal , 2. Menentukan dan , 3. Menghitung estimator parameter untuk r=0,1,2, dengan menggunakan persamaan (2.5), (+) (+) () , setelah itu dicari () 4. Menghitung () (+) 5. Mengulangi iterasi sampai diperoleh nilai yang konvergen, yaitu max dengan adalah konstanta positif yang ditentukan. (+) (+) () yang berarti nilai () yang diambil adalah nilai 6. Dimana max yang paling besar. Algoritma Fisher-Scoring adalah salah satu bentuk pengembangan dari metode Newton-Raphson dengan mengganti () dengan () [15]. Bentuk persamaan iterasi Fisher-Scoring adalah sebagai berikut : (+) = () + () ()
dengan () = [ ()], dan () adalah matriks informasi fisher berukuran (p+1) x( p+1). 6. Pearsons Generalized 2
2 = =1 ( )
Statistik Pearsons Generalized 2 dengan derajat bebas didefinisikan sebagai : diperoleh : sehingga untuk estimasi parameter dispersi
( )2
dengan p adalah banyaknya parameter dalam model [6].
= 2 ( )
114 7. Uji Kesesuaian Model Kesesuaian model digunakan untuk membandingkan model sebenarnya dengan model dugaan [2]. Untuk menguji : H0 : ( | ) =
digunakan statistik uji residual deviance pada taraf dengan derajat bebas n-p dan didefinisikan oleh :
) (, ~ 2 ()
H1 : ( | )
(, ) = 2[ () ( )] Keputusan : Tolak H0 jika = dengan
2 ( 1 ) =1 ( )
) (,
adalah estimasi parameter dispersi .
> 2 ()
8. Jumlah Kuadrat Galat Jumlah Kuadrat Galat digunakan untuk mengukur seberapa besar variabel prediktor mempengaruhi variabel respon, [3] yang didefinisikan sebagai :
=1 2 = (
( )2 )2 =1
9. Uji Chi-Square Uji Chi-Square dapat digunakan untuk menguji kesesuaian distribusi gaussian pada variabel respon [14]. Hipotesis yang digunakan adalah : H0 : Distribusi gaussian pada variabel respon sesuai H1 : Distribusi gaussian pada variabel respon tidak sesuai dengan 2 = =1
( )2
oi = pengamatan sebenarnya ei = pengamatan harapan
tolak H0 jika 2 > 2 (1,1) Jurnal Matematika-FST Unair 2012
115 10. Software S-Plus 2000 S-Plus adalah suatu paket program yang memungkinkan membuat program sendiri walaupun didalamnya sudah tersedia banyak program internal yang siap digunakan [4]. Kelebihan dari S-Plus adalah baik program internal maupun program yang pernah dibuat dapat digunakan sebagai sub program dari program yang akan dibuat. Beberapa perintah internal yang digunakan dalam S-Plus adalah a. function ( ) Perintah function ( ) digunakan untuk menunjukkan fungsi yang akan digunakan dalam program. b. length ( ) Perintah length ( ) merupakan perintah untuk menunjukkan banyaknya data. c. format( ) perintah format( ) digunakan untuk mencetak output atau hasil. d. cat( ) perintah cat( ) digunakan untuk menuliskan argumentasi dalam bentuk karakter dan kemudian mencetak hasil atau file yang telah ditetapkan. Bentuk : cat(\n, ,format(file)))
e. for( ) perintah for( ) digunakan untuk mengulang satu blok pernyataan berulang kali sesuai dengan kondisi yang telah ditentukan. Bentuk : f. for(kondisi){pernyataan}
perkalian matrix misalkan A dan B adalah suatu matriks, maka bentuk perkalian matriksnya adalah A%*%B.
11. Pertumbuhan Ekonomi Pertumbuhan ekonomi adalah suatu kondisi dimana terjadi peningkatan produk domestik bruto dari suatu negara atau suatu daerah [1]. Pertumbuhan ekonomi dikatakan meningkat apabila presentase kenaikan Produk Domestik Bruto (PDB) pada suatu periode lebih besar dari periode sebelumnya. Kenaikan PDB tersebut tidak disertai penghitungan persentase terhadap tingkat pertumbuhan penduduk. Jadi pertumbuhan ekonomi adalah suatu keadaan dimana terjadi kenaikan PDB suatu negara tanpa memandang apakah kenaikan tersebut lebih besar atau lebih kecil dari tingkat pertumbuhan penduduk. Pertumbuhan ekonomi merupakan kenaikan output perkapita dalam jangka panjang. Proses menggambarkan perkembangan perekonomian dari waktu ke waktu yang lebih bersifat dinamis, output perkapita mengaitkan aspek output total (GDP) dan aspek jumlah penduduk, sedangkan jangka panjang menunjukkan kecenderungan perubahan ekonomi dalam jangka waktu tertentu yang
116 didorong oleh proses intern perekonomian (self generating). Berdasarkan laporan Badan Pengawas Statistik periode pertumbuhan ekonomi periode 2007 hingga 2010, dalam lima tahun terakhir sektor industri pengolahan dan pertanian merupakan penyumbang terbesar atas pertumbuhan ekonomi dari faktor eksternal. Begitu pula pendapatan swasta dan pemerintah menyumbang terbesar dari sisi pemasukan seperti investasi, penanaman modal dan kepercayaan dalam kredit yang diselenggarakan para UKM Jawa Timur. Perekonomian Jawa Timur pada lima tahun ini tumbuh sebesar 6,5%, sedikit lebih tinggi dari perkiraan sebelumnya ( 5,5% - 6% ). Petumbuhan ini sangat menggembirakan, karena telah melewati besaran pertumbuhan pada akhir tahun 2009 yang sebesar 4,95 persen. Kinerja pertumbuhan perekonomian Jawa Timur ditandai oleh pertumbuhan yang tinggi di sektor industri dan perdagangan sebesar 9,62 persen, sektor keuangan ( penanaman modal ) yang mencapai kisaran 9,24 persen serta sektor perhotelan dan restoran yang mencapai 8,37 persen. Pendorong pertumbuhan sektor industri dan perdagangan terutama dipengaruhi dari hasil sektor pertanian ( kopi, tembakau, cabai dan lada ) sedangkan disektor industri Jawa Timur cukup tinggi dalam memenuhi permintaan luar negeri dan domestik selain masuknya pasokan barang impor baik dari luar negeri maupun lintas provinsi serta laju ekspor Jawa Timur. Variabel variabel yang digunakan pada penelitian ini adalah sebagai berikut : 1. Variabel respon ( Y ) yang digunakan yaitu pertumbuhan ekonomi di jawa timur dengan periode bulan januari 2007 hingga desember 2010. 2. Variabel prediktor ( X ) yang digunakan adalah nilai Ekspor, Pertanian, Impor pada periode bulan januari 2007 hingga desember 2010.
12. METODE PENELITIAN

Untuk menjawab dalam tulisan ini maka metode penelitian yang harus dilakukan adalah: I. Mengestimasi model linear tergeneralisasi Gaussian dengan langkah-langkah sebagai berikut : a. Mengasumsikan n data pengamatan { , } =1 memenuhi bentuk umum model linier tergeneralisasi b. Menyatakan bahwa vektor kovariat mempengaruhi distribusi melalui prediktor linier = c. Mengasumsikan berdistribusi gaussian dengan parameter dan 2 d. Menyatakan fungsi densitas dari yang berdistribusi gaussian kedalam bentuk fungsi densitas distribusi keluarga eksponensial e. Menentukan link-function G yang menghubungkan ekspektasi ( ) = dengan prediktor linier = f. Menghitung fungsi likelihood dari langkah (d) g. Menghitung fungsi log-likelihood dari langkah (f) h. Mengestimasi parameter dan
II. Menguji kesesuaian model linier tergeneralisi gaussian menggunakan uji Residual Deviance dengan langkah-langkah sebagai berikut : a. Menulis hipotesis H0 dan H1 yang digunakan dalam menguji kesesuaian model linier tergeneralisasi gaussian b. Menghitung nilai Residual Deviance c. Menyusun hasil analisis uji Residual devince , yaitu tolak H0 jika diperoleh
) (,
117
) (,
III. Membuat model linier tergeneralisasi gaussian pada data pertumbuhan ekonomi di Jawa Timur pada periode Januari 2007 Desember 2010 dengan langkah langkah sebagai berikut : a. Mengelompokkan data dengan beberapa vektor kovariat atau baris X yang memiliki nilai kovariat identik 0 , , Membuat algoritma dan program untuk estimasi model linier tergeneralisasi gaussian dengan menggunakan Software S-PLUS 2000 13. Hasil Dan Pembahasan I. Didefinisikan bentuk umum tergeneralisasi gaussian adalah : ( | ) = = sehingga fungsi densitas dari adalah 1 1 ( ; , 2 ) = 2 exp 2 ( )2 2 Dengan = , () = 2 , ( ) =
2 2 2 2
d. Menghitung nilai 2
> 2
Sehingga diperoleh ( ) = , = , ( ) = ( ) = = dan 2 () = () () = " ( )() = 1. 2 = 2 Dalam model linier tergeneralisasi Gaussian terdapat fungsi link yang menghubungkan ( ) = dengan prediktor linier = , yaitu : ( ) = = Dari fungsi densitas diperoleh fungsi likelihood : ( ) (|) = exp + ( , ) =1 Karena () dan ( , ) tidak bergantung pada vektor parameter , maka untuk mengestimasi vektor parameter adalah dengan cara menyederhanakan fungsi log-likelihood menjadi :
=1 =1
, ( , ) =
1 2 2 2
ln(2 2 )
1 2
Dan fungsi log-likelihood nya : ( ) (, , ) = + ( , ) =1

()
()
Dengan mendiferensialkan fungsi log-likelihood terhadap semua elemen vektor parameter , maka diperoleh : (, ) = , = 0,1,2, , Dan diferensial kedua dari fungsi log-likelihood : (, ) 2 = , , = 0,1,2,3, , 0
=1 =1
(, ) = { ( )} = { ( )}
Syarat cukup agar fungsi log-likelihood mempunyai nilai maksimum adalah dengan disamadengankan 0, sehingga diperoleh : = 0 ; = 0,1, ,
=1
118 Karena vektor parameter tidak dapat diselesaikan secara analitik maka untuk menyelesaikan persamaan tersebut digunakan metode iterasi dengan algoritma Fisher-Scoring dengan langkahlangkah sebagai berikut : 0 dengan mengasumsikan data memenuhi model 1. Menentukan vector awal parameter regresi linier berganda : = 0 0 + 1 1 0 + + 0 + ; = 1,2, , 2. 3.
4. 5. 6.
digunakan statistik Pearsons Generalized 2 Untuk mengestimasi parameter = 1 ( )2 ( )

=1
= dan dengan metode kuadrat terkecil diperoleh Menghitung Menghitung matrik informasi Fisher + + = Untuk = 0,1,2, , hitung + + , maka lanjutkan ke langkah 6, tetapi apabila > , maka Jika ulangi langkah 4 Mendapatkan estimator
II. Uji Kesesuaian Model Linier Tergeneralisasi Gaussian Uji kesesuaian model digunakan untuk membandingkan model sebenarnya dengan model dugaan. Adapun hipotesis yang digunakan untuk menguji kesesuaian model linier tergeneralisasi gaussian adalah sebagai berikut : H0 : ( | ) = H1 : ( | ) Dalam penyelesaian uji kesesuaian model tersebut digunakan statistik uji Residual Deviance pada taraf dengan derajat bebas n - p yaitu : (, ) 2 ~ () > 2 () diperoleh bahwa = , maka = Keputusan : Tolak H0 jika
) (,
2 ln(2 2 ) 2 2 ( ) = 2 2 2 2 2 2
=1
( ) =
=1
melalui perhitungan diperoleh : (, ) = 2[() ( )]
2 2 ln(2 2 ) 2 2 2 2 2 2
119
2 2 + 2 (, ) = 2 =1
= Dengan mensubstitusikan estimasi ke dalam perhitungan (, ) 1 2 = 3 2 + 2

=1
) (,
maka diperoleh :
14. Kesimpulan Dari hasil dan pembahasan pada bab sebelumnya, maka dapat diambil beberapa kesimpulan yaitu sebagai berikut : 1. Hasil estimasi parameter model linier tergeneralisasi gaussian dengan menggunakan Maximum Likelihood Estimator adalah : , = 0,1,2, ,
=1
Karena vektor parameter tidak dapat diselesaikan secara analitik, sehingga untuk menyelesaikan persamaan tersebut digunakan metode iterasi dengan algoritma FisherScoring. 2. Uji kesesuaian model linier tergeneralisasi gaussian diperoleh melalui Uji Residual Deviance yaitu : 1 (, ) 2 = 3 2 + 2 Hasil penerapan program estimasi parameter model linier tergeneralisasi gaussian pada data pertumbuhan ekonomi di Jawa Timur pada januari 2007 sampai desember 2010 diperoleh bentuk model dugaan sebagai berikut : ( | ) = 3e 0050 + 0.024181 + 0.144512 + 0.02023 Alam, S., 2007, Ekonomi, Esis, Jakarta Czado, C., 2004, Gamma Regression Lecture Eighty, Techische University, Munchen Draper, N.R dan Smith, H., 1992, Analisis Regresi Terapan Edisi Kedua, PT. Gramedia, Jakarta Everitt, S.B., 1994, A Handbook of Statistical Analysis Using S-PLUS, Chapman and Hall, London Ferguson, T. S., 1996, A Course in Large Sample Theory: Text in Statistical Science, Chapman and Hall, Los Angeles, USA Halekoh, U, and Hojsgaard, S., 2008, Generalized Linear http://gbi.agrsci.dk/statistics/course/Rcourse-DJF2008/ , 27 Juli 2011 Models Lecture,
=1
15. Daftar Pustaka [1] [2] [3] [4] [5] [6] [7]
Hardle, W., Muller, M., Sperlich, S dan Werwatz, A., 2004, Nonparametric and Semiparametric Models, Springer-Verlag Berlin Heidelberg, Germany
120 [8] [9] [10] Hernandez, J., R., Perez-Gonzales, F., Amado,M., 2000, Dct-Domain Image watermarking and Generalized Gaussian Models Hogg dan Craig, 1995, Introduction to Mathematical Statistic First Edition, Prentice Hall, Englewood Clief, New Jersey Jamaludin, M., 2010, Estimasi Model Linier Tergeneralisasi Gamma Berdasarkan Estimasi Maksimum Likelihood dengan Menggunakan Algoritma Fisher-Scoring, Skripsi, Departemen Matematika FST, Universitas Airlangga, Surabaya Lawless, J. F., 1982, Statistical Modells and Methods for Lifetime Data, John Willey and Sons, University of Waterloo, New York McCullagh, P. dan Nelder, J.A, 1989, Generalized Linear Models Second Edition, Chapman and Hall, London Sembiring, R.K., 1995, Analisis Regresi, ITB, Bandung Siegel, Sudrajat, S., W., M., 1985, Nonparametrik Statistics for The Behavioral Sciences, McGraw-Hill Kogakusa, Ltd., Tokyo. Smyth, G.K, 2002, Optimation, Encyclopedia of Environmetrics, Volume 3, pp1481-14687 Edited : Abdel H. El Shaarawi and Walter W.Piegorsch, Chicester Thomas, H. C., Charles E., Ronald L., Clifford S., 2001, Introduction To Algorithms, MIT Press, USA Tirta, I.M., 2008, Model Statistika Linier (Versi Elektronik), Jurusan Matematika FMIPA, Universitas Jember
[11] [12] [13] [14] [15] [16] [17]
121
Estimasi Parameter Distribusi Exponentiated Eksponensial Pada Data Tersensor Tipe II

Ahmad Zuda Kumala Sani,Toha Saifudin,Eko Tjahjono
Outsidersid61@yahoo.com
Departemen Matematika Fakultas Sains Dan Teknologi Universitas Airlangga
Abstract : In this undergraduate theses, we discuss about Exponentiated Exponential distribution which is the general form of an exponential distribution with one parameter and we will apply to censored data type II which is one of the censoring methods based on the failure. The writing undergraduate theses purposes to determine the better estimation method for parameter of exponentiated exponential distribution on censored data type II. The estimation process uses Maximum Likelihood method and Ordinary Least Square (OLS) to obtain the point estimator. Exponentiated exponential distribution on censored data type II has the form of distribution function is given: (; , ) = 1
where is the shape parameter, is the scale parameter, and t is data censored type II i.e data up to r failures. Estimation parameter of exponentiated exponential distribution on censored data type II using MLE and OLS cannot be solve analytically because the obtained estimator is still implicit form. Therefore we need a numeric method to solve and this final project uses Newton-Raphson method to find numeric solution. To determine is better estimation method in this final project uses MSE criteria with the smallest value. After doing test in data Leukimia patients, we can know that method Ordinary Least Square (OLS) is better. The value MSE of ordinary least square (OLS) =0.09842778 and The value of maximum likelihood estimator (MLE) = 0.3210319. Keyword:Exponetiated exponential distribution, lifetime data for censored type II, Ordinary Least Square (OLS), Maximum Likelihood Estimator (MLE), Newton-Raphson, Mean square error
PENDAHULUAN
Perkembangan ilmu pengetahuan yang disertai dengan meningkatnya kebutuhan hidup manusia , kemajuan teknologi yang berkembang pesat dan persaingan ditingkat global yang
semakin meningkat, sehingga itu semua menuntut industri-industri dalam negeri harus memiliki keunggulan komparatif. Diantara keunggulan-keunggulan tersebut adalah kualitas dan keandalan suatu produk hasil sebuah produksi. Untuk menilai tingkat kualitas dari produknya, maka diperlukan suatu penelitian. Untuk menguji serta mengetahui kualitas dan keandalan suatu produk hasil industri, maka diperlukan analisis tentang data uji hidup. Analisis data uji hidup merupakan analisis statistik yang menyelidiki tentang waktu tahan hidup suatu individu atau benda pada keadaan operasional tertentu, yang telah banyak dikembangkan menjadi topik yang sangat penting bagi para ilmuwan dalam banyak bidang. Diantaranya dalam bidang teknik, kedokteran dan bahkan dalam bidang psikologi. Pada pengujian data uji hidup, untuk menghemat waktu dan biaya dilakukan metode penyensoran, yaitu jika hanya sebagian unit eksperimen diamati, sehingga diperoleh sampel tersensor (Lawless, 1982). Salah satu tipe sampel penyensoran adalah tipe sampel tersensor tipe II. Suatu sampel dikatakan tersensor tipe II jika penelitian di hentikan setelah kegagalan ke-r telah diperoleh. Misalkan Jurnal Matematika-FST Unair 2012
122 1 , 2 , . , adalah observasi terurut dari n sampel dengan pdf dan fungsi survival S dan waktu sensor L . Penelitian dikatakan telah selesai jika kegagalan ke-r telah tercapai .Adapun pdf bersama dari 1 , 2 , . , adalah ! g() = ( )! [ =1 ( )][( )]
dengan distribusi yang digunakan adalah Distribusi Exponentiated Eksponensial. Distribusi Exponentiated Eksponensial pertama kali dikenalkan oleh Gupta dan Kundu (1999) Sebuah Variabel acak dikatakan mempunyai Distribusi Exponentiated Eksponensial jika probabilitas density function (pdf) : (2.1) () = (){1 ()}1 dan cumulative distribution function (cdf) : () = {1 ()} (2.2) > 0 , > 0 dan > 0 Dengan : parameter bentuk : parameter skala kelebihan dari Distribusi ini menurut Gupta dan Kundu (1999) adalah memiliki fungsi yang fleksibel yaitu dapat menganalisis sampel yang berbentuk distribusi Eksponensial satu parameter, dan distribusi weibull 2 parameter, dan fungsi hazradnya memiliki bentuk yang tidak konstan sehingga tidak sama dengan distribusi Eksponensial 1 parameter yang berbentuk konstan sehingga fungsi hazradnya logis. Dalam penerapannya pada data riil menggunakan data waktu tahan hidup pasien Leukimia. Untuk memperoleh kesimpulan dari suatu penelitian, diperlukan inferensi secara statistik. Dalam hal ini penduga yang digunakan untuk melakukan inferensi parameter adalah Metode Maximum Likelihood dan Ordinary Least Square yang kemudian dibandingkan hasilnya berdasarkan indikator Mean Square Error. Penduga yang memiliki MSE paling kecil atau minimum merupakan penduga yang lebih baik karena MSE nilainya tidak mungkin sama dengan nol.
METODE PENELITIAN Langkah-langkah yang digunakan untuk mencapai tujuan penelitian : 1. Menentukan bentuk penduga Distribusi Exponentiated Eksponensial pada data tersensor tipe II A. Menentukan estimasi parameter Distribusi Exponentiated Eksponensial pada data tersensor tipe II menggunakan metode Maximum Likelihood dengan langkah-langkah sebagai berikut : a. Mengambil sampel data tahan hidup pasien Leukimia berdistribusi Exponentiated Eksponensial. b. Menentukan (n-r) sample tersensor tipe II yang posisinya sebagai berikut 1 , 2 , 3 , 4 , 5 , . . , , , , +1 c. Menentukan fungsi Likelihood dari distribusi Exponentiated Eksponensial pada data tersensor tipe II ! (, |) = ( ) [( )] ( )!
=1 ()
Dengan (|, ) = 1 1 d. Me-log-kan fungsi Likelihood tersebut e. Mendifferensialkan hasil Log-Likelihood tersebut terhadap parameter-parameter distribusi Exponentiated Eksponensial pada data tersensor tipe II
123 Hasil dari differensial tersebut disamadengankan nol sebagai syarat perlu untuk memaksimalkan fungsi Likelihood. g. Jika pada langkah f penduga yang didapatkan masih dalam bentuk fungsi implisit maka ditentukan nilai estimasi dari fungsi tersebut melalui metode Newton-Raphson. Menentukan estimasi parameter Distribusi Exponentiated Eksponensial pada data tersensor tipe II menggunakan metode Ordinary Least Square dengan langkah-langkah sebagai berikut : a. Mengambil sampel data tahan hidup pasien Leukimia berdistribusi Exponentiated Eksponensial. b. Menentukan (n-r) sample tersensor tipe II yang posisinya sebagai berikut 1 , 2 , 3 , 4 , 5 , . . , , , , +1
()
f.
B.
Dengan ( ) merupakan fungsi distribusi kumulatif empiris d. Mengulang langkah a sampai c sebanyak B kali percobaan 3. Menentukan penduga yang lebih baik dengan melihat nilai MSE yang terkecil dari kedua penduga 4. Menyusun algoritma berdasarkan langkah-langkah yang telah dibuat 5. Membuat progam komputer berdasarkan algoritma tersebut dengan S-Plus HASIL DAN PEMBAHASAN Distribusi Exponentiated Eksponensial
c. Menentukan fungsi distribusi kumulatif distribusi Exponentiated Eksponensial 2 d. Meminimalkan fungsi () +1) dengan cara Mendifferensialkan fungsi =1( tersebut terhadap parameter-parameter distribusi Exponentiated Eksponensial ( , ) kemudian disama dengankan nol e. Melakukan pendekatan numerik jika pada langkah d diperoleh bentuk fungsi yang implisit 2. Membandingkan kedua penduga melalui indikator Mean Square Error dengan langkahlangkah sebagai berikut : a. Mengambil sampel data tahan hidup pasien Leukimia berdistribusi Exponentiated Eksponensial. b. Mengestimasi parameter distribusi Exponentiated Eksponensial pada data tersensor tipe II dengan metode Maximum Likelihood dan metode Ordinary Least Square c. Menghitung Mean Square Error dari metode Maximum LIkelihood dan metode Ordinary Least Square dengan rumus 2 1 MSE = =1 ( ) ( )
Distribusi ini merupakan bentuk umum dari Distribusi Eksponensial dengan satu parameter. Variabel acak dikatakan berdistribusi Exponentiated Eksponensial jika fungsi kepadatan peluang sebagai berikut : 1 () = 1 Dengan : parameter bentuk : parameter skala
Setelah diketahui bentuk fungsi kepadatan peluang dari distribusi Exponentiated Eksponensial maka dapat ditentukan fungsi kepadatan kumulatif dan fungsi survival sebagai berikut: () = 1 dan Jurnal Matematika-FST Unair 2012
124 (; , ) = 1 (; , ) Estimasi Parameter , dalam distribusi Exponentiated Eksponensial pada data tersensor tipe II dengan metode MLE Untuk mengestimasi parameter dan distribusi Exponentiated Eksponensial pada data tersensor tipe II, digunakan penduga Maximum Likelihood dengan rumus sebagai berikut : ! [ (, |) = =1 ( )][( )]
()!
Selanjutnya,dengan mensubstitusikan persamaan diatas ,diperoleh bentuk umum fungsi Likelihood pada data tersensor tipe II sebagai berikut : (, |) = 1
=1 1
Bentuk logaritma fungsi Likelihood diatas adalah :
log = + + + ( 1) 1 +
=1
1 1
Penduga Maximum Likelihood untuk parameter dan diperoleh dengan cara menyamadengankan nol turunan fungsi log Likelihood dibawah, sebagai syarat perlu untk memaksimumkan fungsi log-Likelihood-nya. ln = + ln1
=1
( ) ln 1 1
=1
=1
Algoritma untuk mendapatkan penduga parameter dan sub-bab
Kedua persamaan diatas tidak dapat diselesaikan secara analitis, karena masih dalam bentuk implisit sehingga diperlukan metode lain untuk menyelesaikannya. Pada kesempatan ini digunakan metode Newton-Raphson untuk mendapatkan parameter dan . Berikut ini merupakan langkah-langkah metode Newton-Raphson yang telah dijelaskan pada
1 ln = + ( 1) ( ) 1 1 (1 ) =1 =1 =1
1 ln1 ( ) =0 1 (1 )
=1
=0
0 A 1. Menentukan nilai awal penduga , yang dapat ditulis dengan 0 A = 0 A k A = ; 2. Menentukan fungsi dalam bentuk matriks, dengan k A k A A1 k A k = 0,1,2, . r, yaitu Ak A = A2 k A 3. Menentukan matriks jacobian dari fungsi yaitu :
125
A1 k A A2 k A A1 k A
JA k A =
A1 k A
4. Mencari nilai koreksi (hk B ), yaitu 1 k A1 k Ak hk A = JA A A = k A2 Dengan JA k A

1
k+1 k hk A A A1 k k 5. Menentukan k+1 = + h atau = + A A A k k h k+1 A A2 A merupakan nilai penduga yang akan dicari. Dimana k+1 A 6. Melakukan pengulangan dari langkah II sampai V hingga max hA < error dengan hA = k A k dengan error = 0.5. Kemudian diperoleh nilai penduga parameter = k+1 A A k A Estimasi Parameter , dalam distribusi Exponentiated Eksponensial pada data tersensor tipe II dengan metode Ordinary Least Square Untuk mengestimasi parameter dan distribusi Exponentiated Eksponensial pada data tersensor tipe II, digunakan penduga Ordinary Least Square dengan rumus sebagai berikut : E = F()
=1
adalah invers dariJA k A , dan k = 0,1,2, . , r
Selanjutnya,dengan mensubstitusikan persamaan diatas ,diperoleh bentuk umum fungsi E pada data tersensor tipe II sebagai berikut :
E =r i=1 1 i 2 n+1
i 2 n+1
Kemudian mendifferensialkan persamaan (E) terhadap , dan hasilnya disamadengankan nol, sehingga didapatkan : E 1 2 = 1 ln1 i1 ln1 n+1 E 21 1 = 1 i1 n+1
i=1 i=1 i=1 r i=1 r r r
Kedua persamaan diatas tidak dapat diselesaikan secara analitis, karena masih dalam bentuk implisit sehingga diperlukan metode lain untuk menyelesaikannya. Pada kesempatan ini digunakan metode Newton-Raphson untuk mendapatkan parameter dan . Algoritma untuk mendapatkan penduga parameter dan sub-bab Berikut ini merupakan langkah-langkah metode Newton-Raphson yang telah dijelaskan pada
0 B 1. Menentukan nilai awal penduga , yang dapat ditulis dengan 0 = B 0 B
126 k B 2. Menentukan fungsi dalam bentuk matriks, dengan k = ; B k B B1 k B k = 0,1,2, . r, yaitu Bk B = B2 k B 3. Menentukan matriks jacobian dari fungsi diatas yaitu : JB k B =
B1 k B B2 k B B1 k B B1 k B
4. Mencari nilai koreksi (hk B ), yaitu 1 k B1 k k = = J B hk B B B B k B2 Dengan JB k B

1
k+1 k hk B B B1 k k 5. Menentukan k+1 = + h atau = + B B B k k k+1 h B B2 B Dimana k+1 merupakan nilai penduga yang akan dicari. B 6. Melakukan pengulangan dari langkah II sampai V hingga max hB < dengan hB = k+1 k B dengan error = 0.5. Kemudian diperoleh nilai penduga parameter B k B = k B Membandingkan Penduga Maximum Likelihood dan Ordinary Least Square dengan Mean Square Error (MSE) Untuk mendapatkan nilai Mean Square Error dari penduga Maximum Likelihood dan Ordinary Least Square dari distribusi Exponentiated Eksponensial pada data tersensor tipe II, digunakan rumus sebagai berikut : 1 ( ) ( )2 MSE =
=1
adalah invers dariJB k B , dan k = 0,1,2, . , r
Kemudian menentukan penduga yang lebih baik dengan melihat nilai rata-rata MSE yang terkecil. Algoritma untuk mendapatkan nilai Mean Square Error dari metode Maximum Likelihood dan Ordinary Least Square 1. Memasukkan data 2. Mengurutkan data 3. Memasukkan penduga yang telah diperoleh dari metode Maksimum Likelihood dan OLS (Ordinary Least Square) ke persamaan : 1 ( ) ( )2 MSE = 4. Menghitung MSE untuk metode Maksimum Likelihood. 5. Menghitung MSE untuk metode OLS (ordinary Least Square). 6. Menentukan penduga yang lebih baik dengan melihat nilai MSE (Mean Square Error) terkecil.
=1
127 Penerapan Distribusi Exponentiated Eksponensial pada data tersensor tipe II Sumber Data Data yang akan diterapkan pada progam adalah data sekunder hasil penelitian tentang waktu tahan hidup pasien Leukimia yang diberi terapi khusus Permasalahan yang akan diselesaikan adalah mencari penduga dan distribusi Exponentiated Eksponensial pada data tersensor tipe II dari data pasien Leukimia. Uji Kesesuaian Distribusi Exponentiated Eksponensial pada data tahan hidup pasien Leukimia Uji yang dilakukan untuk mengetahui apakah distribusi waktu tahan hidup pasien Leukimia yang diberi terapi khusus berdistribusi Exponentiated Eksponensial dengan menggunakan uji Kolmogorov-smirnov dengan taraf kepercayaan 5 %. Hipotesisnya adalah sebagaiberikut : 0 = Distribusi waktu tahan hidup pasien Leukimia yang diberi terapi khusus adalah Exponentiated Eksponensial 1 = Distribusi waktu tahan hidup pasien Leukimia yang diberi terapi khusus bukan Exponentiated Eksponensial dengan ketentuan : Jika stat hitung data < table A14 (Quantiles of the Kolmogorov Test Statistik) dengan tingkat kesalahan 5% maka distibusi waktu tahan hidup berdistribusi Exponentiated Eksponensial Jika stat hitung data > table A14 (Quantiles of the Kolmogorov Test Statistik) dengan tingkat kesalahan 5% maka distibusi waktu tahan hidup bukan berdistribusi Exponentiated Eksponensial Di peroleh: (7) : 0.436 statistik hitung (T) : 0.0780 Daerah kritis : T < (7) keputusan : Terima Ho Dari hasil di atas dapat diambil kesimpulan bahwa data tahan hidup ( ) pasien leukemia berdistribusi Exponentiated Eksponensial. Analisis data Hasil analisis data untuk mengestimasi distribusi Exponentiated Eksponensial pada data tersensor tipe II dengan mengunakan progam S-Plus 2000 terjadi saat kegagalan ke-9 dengan memasukkan nilai awal 0 = 0.1 dan 0 = 0.1 menghasilkan output progam yang disajikan dalam table berikut : Tabel.1 Nilai penduga parameter dan dari data tahan hidup pasien Leukimia dengan metode Maximum Likelihood dan Ordinary Least Square
Penduga MLE OLS
0.2109925 0.5701738
1.561138 0.04031853
Mendapatkan nilai MSE dari penduga metode MLE dan OLS Jurnal Matematika-FST Unair 2012
128
Berdasarkan hasil analisis contoh kasus data tahan hidup pasien Leukimia dengan metode Maksimum Likelihood dan OLS (ordinary Least Square) dengan tipe datanya adalah tersensor tipe II, maka didapatkan nilai MSE sebagai berikut: Nilai MSE MLE : 0.3210319 Nilai MSE OLS : 0.09842778
Melihat nilai MSE Ordinary Least Square (OLS) dan Maximum Likelihood, maka penduga yang lebih baik untuk parameter distribusi Exponentiated Eksponensial pada data tersensor tipe II yaitu pada data pasien Leukimia adalah dengan metode Ordinary Leat Square (OLS).
KESIMPULAN DAN SARAN Penduga parameter distribusi Exponentiated Eksponensial pada data tersensor tipe II yaitu 16 data simulasi dan data tahan hidup pasien Leukimia dengan metode Maximum Likelihood diperoleh dengan cara menyelesaikan sistem persamaan implisit : 1 ln1 + ln1 =0 ( ) 1 (1 )
1 ( ) + ( 1) 1 1 (1 ) =1 =1 =1 =1 =1 1
dan
dengan metode numerik. Salah satu metode yang dapat digunakan adalah metode NewtonRaphson. Penduga parameter distribusi Exponentiated Eksponensial pada data tersensor tipe II yaitu 16 data simulasi dan data tahan hidup pasien Leukimia dengan metode Ordinary Least Square (OLS), diperoleh dengan cara menyelesaikan sistem persamaan implisit : 1
i=1 r r 2
=0
dan
ln1
21
1 i1 ln1 = 0 n+1
i=1 r
dengan metode numerik. Salah satu metode yang dapat digunakan adalah metode Newton-Raphson.
Didapatkan penduga berdasarkan hasil dari persamaan diatas
Penduga MLE OLS
1
i=1
1 i1 = 0 n+1
i=1
0.2109925 0.5701738
1.561138 0.04031853
Kemudian membandingkan penduga di atas berdasarkan kriteria MSE
129 Nilai MSE MLE Nilai MSE OLS : 0.3210319 : 0.09842778
Berdasarkan hasil MSE diatas diketahui bahwa Nilai MSE Ordinary Least Square < Nilai MSE Maximum Likelihood sehingga dapat diketahui bahwa penduga yang lebih baik pada distribusi Exponentiated Eksponensial pada data tersensor tipe II adalah metode Ordinary Least Square.
SARAN Saran yang dapat diberikan dari hasil penelitian ini adalah Estimasi parameter Distribusi Exponentiated Eksponensial pada data tersensor tipe II untuk pembahasan skripsi ini hanya menggunakan metode Maximum Likelihood dan Ordinary Least Square (OLS). Untuk pengembangan lebih lanjut dapat menggunakan penduga lainnya yaitu metode moment, metode L-moment, metode Weight Least Square (WLS), metode Percentiles
UCAPAN TERIMA KASIH Artikel ini merupakan hasil penulisan Skripsi sebagai salah satu syarat untuk memperoleh gelar sarjana Sains bidang Matematika Fakultas Sains dan Teknologi Universitas Airlangga.
DAFTAR PUSTAKA
1. Al-fawzan , M.A , 2000 ,Methods for estimating the parameters of the Weibull Distribution , King Abdul Aziz City for science and Tecnology , Riyadh Saudi Arabia. 2. Conover, W.J ,1980 ,Practical Nonparametric Statistics Second Edition , John Wiley & Sons , New York. 3. Everitt, Brian S., 1994 , A Handbook of Statistical Analyses Using S-plus, Chapman & Hall, London. 4. Graybill, F. A., Mood, A. M., and Boes, D. C., 1963, Introduction to The Theory of Statistics, Third Edition, McGraw-Hill, Inc, Japan. 5. Gupta, R. D. And Kundu, D. 1999, Generalized Exponential Distribution, Australian and New Zealand journal of Statistics, 41(2), 173-188. 6. Gupta, R. D. And Kundu, D. 2000, Generalized Exponential Distribution: Different Method of Estimations, journal of Statistical Computations and Simulations, 69(4), 315-337. 7. Hogg, R. V., and Craig, A. T. 1978, Introduction to Mathematical Statistics,Fourth Edition, Prentice-Hall, Inc. New York. 8. Hogg, R. V., and Craig, A. T. 1995, Introduction to Mathematical Statistics,Fifth Edition, Prentice-Hall, Inc. New York.
9. Kleinbaum, D. G. and Klein, M., 2005, Survival Analysis A Self-Learning Text ,Second Edition, Springer Science Business Media, Inc, New York. 10. Lawless, J. F., 1982, Statistical Models and Method for Lifetime Data. John Wiley
and Sons, Inc. New York.
130
Estimasi Model Regresi Poisson Menggunakan Metode Iteratively Reweighted Least Square
Sandy Fauzi, Toha Saifudin, Suliyanto sandy.fauzi@yahoo.com
Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga Abstract. Poisson regression model is a regression model that included the application of the Generalized Linear Model (GLM) which does not require the assumption of normality of the response variables and homogeneity of variance. The purpose of this final project is using an iterative technique that produces through the procedure with the approach the maximum likelihood estimator for the regression coefficient Iteratively Reweighted Least Square (IRWLS) and testing the goodness of fit for the model. To estimate the model parameters can be obtained by solving the equation of the form: n n = yi xij exp . x ij = 0 , j = 0,1, , k j Above equation can only be expressed in implicit form that must be solved using numerical iteration. In this final project used IRWLS iteration algorithm. This Poisson regression model can be applied on the data of number of Dengue Hemorrhagic Fever (DHF) patients in each district / city in East Java province in 2009 with 28 observations. The variable response is the number of Dengue Hemorrhagic Fever (DHF) patients (y), whereas the predictor responses are the percentage of households who have health waste (x1 ), the percentage of households who free from mosquito larva of Aedes Aegepty (x2 ), the percentage of households who use clean water (x3 ) and the percentage of households who have healthy haouse (x4 ). The estimation result using S-Plus 2000 is: ( | ) = (8.840 0.0951 0.0282 0.0173 0.5714 ) The result of the Poisson regression model goodness of fit test with deviance statistic test can be concluded that the expectation model and the real model are fit.
i=1 i=1
Keywords: Generalized Linear Model, Poisson Regression, Maximum Likelihood, IRWLS Algorithm, Deviance Statistic Test
36
Pendahuluan
Analisis regresi seringkali digunakan untuk mengetahui bentuk hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Analisis regresi yang umumnya digunakan adalah analisis regresi klasik, dengan variabel responnya merupakan data kontinu yang mengikuti distribusi normal. Namun dalam perkembangannya model regresi klasik ini tidak mampu mengatasi permasalahanpermasalahan seperti variabel respon yang berupa data diskrit dan tidak berdistribusi normal. Solusi untuk mengatasi masalah tersebut adalah dengan menggunakan model linier tergeneralisir atau biasa disebut Generalized Linear Model (GLM). Uji asumsi yang diterapkan pada GLM tidak mengharuskan asumsi kenormalan dari variabel respon dan
131 juga tidak mengharuskan kehomogenan dari variansinya (de Jong dan Heller, 2008). Salah satu model regresi yang termasuk dalam penerapan GLM adalah regresi Poisson seperti dalam regresi ini variabel respon diasumsikan berdistribusi Poisson, dengan fungsi peluang dengan adalah mean distribusi Poisson. Mean dan variansinya adalah () = () = . Baharuddin (2005: 114) menyatakan bahwa metode regresi Poisson biasanya diterapkan pada penelitian kesehatan masyarakat, biologi, dan teknik dimana variable responnya () berupa cacahan objek yang merupakan fungsi dari sejumlah karakteristik tertentu (). Metode ML (Maximum Likelihood) adalah salah satu metode penaksiran parameter yang dapat digunakan untuk menaksir parameter suatu model yang diketahui distribusinya. Sebagaimana diketahui bahwa taksiran parameter melalui metode ML adalah melakukan turunan parsial fungsi kemungkinan terhadap parameter yang akan ditaksir.
Persamaan tersebut akan dimaksimumkan dengan menggunakan teknik iterative yang menghasilkan . Prosedur yang disarankan oleh penaksir kemungkinan maksimum untuk koefisien regresi dalam Myers (1991: 85) untuk menentukan penaksir kemungkinan maksimum adalah dengan pendekatan Iteratively Reweighted Least Squares (IRWLS).
Berdasarkan uraian di atas penulis tertarik untuk membahas estimasi model regresi Poisson dengan menggunakan metode IRWLS dan menerapkan hasilnya pada data. Skripsi ini bukan sesuatu yang baru, tetapi penyusun mengambil salah satu topik yaitu regresi Poisson dalam buku yang berjudul An Introduction to Generalized Linear Models oleh Dobson, A.J. Penyusun hanya menuliskan kembali dengan kata-kata sendiri dalam melengkapi bukti yang ada jika dipandang perlu.
37 Model Regresi Poisson

Misalkan variabel random untuk jumlah klaim pada kelompok , = 1,2, , , dimana menyatakan banyak kelompok. Jika mengikut distribusi Poisson, maka fungsi peluangnya adalah : dengan rata-rata dan varians, ( ) = ( ) = . Pr( = ) = ; = 0,1,2, !
Fungsi disebut fungsi penghubung (link function). Hubungan antara mean dan prediktor linier adalah: = 1 ( ) = 1 . Terdapat dua fungsi penghubung yang biasa digunakan dalam Jurnal Matematika-FST Unair 2012
Regresi Poisson pilihan yang tepat, ketika variabel respon merupakan bilangan bulat kecil. Model regresi Poisson ditulis sebagai berikut (Myers,1991:8): = + ( = 1,2, , ). Dalam generalize linear model (GLM), terdapat sebuah fungsi yang linear dan menghubungkan mean dari variabel respon dengan sebuah predictor, yaitu: ( ) = = 0 + 1 1 + 2 2 + +
132 regresi poisson. Pertama adalah penghubung identitas (identity link). Kedua adalah penghubung log (log link). Fungsi penghubung identitas berbentuk: ( ) = = . Fungsi penghubung selanjutnya adalah fungsi penghubung log yang berbentuk: ( ) = = . Untuk fungsi penghubung log, hubungan antara mean variable respon dengan prediktor linear adalah: = =
Fungsi penghubung log adalah fungsi yang lebih cocok digunakan, karena fungsi log menjamin bahwa nilai variable yang diharapkan dari variabel responnya akan benilai non negatif. Dalam hal ini fungsi yang digunakan adalah fungsi penghubung log.
Pada model regresi Poisson, biasanya link function yang digunakan adalah fungsi penghubung log yaitu ln( ) = , sehingga fungsi hubungan untuk model regresi Poisson mempunyai logaritma seperti ditunjukkan pada persamaan berikut ini: (| ) = ln( ) = = 0 + 1 1 + 2 2 + + = exp = exp(0 + 1 1 + 2 2 + + )
Fungsi peluang persamaan distribusi Poisson untuk , = 1,2, , dalam model regresi poisson ini dapat dinyatakan sebagai berikut: ( ; ) =
[ ;] [( ;)] !
dengan ( ; ) adalah mean Poisson dan vector menunjukkan parameter model regresi poisson. Mean dan varians untuk model regresi Poisson adalah sebagai berikut: = exp dan ( ) = = exp . Selanjutnya model regresi Poisson dapat ditulis sebagai berikut (Myers,1991:18): = exp + .
38
Kasus Penyakit Demam Berdarah Dengue (DBD)
Contoh kasus untuk model regresi Poisson adalah pada kasus penyakit Demam Berdarah Dengue (DBD). Kasus ini merupakan suatu kasus yang menarik didalam penelitian karena setiap tahunnya terdapat 50-100 juta kasus infeksi virus dengue di seluruh dunia. DBD adalah penyakit demam akut yang disebabkan oleh virus dengue, yang masuk ke peredaran darah manusia melalui gigitan nyamuk Aedes Aegypti.
Adapun variabel-variabel yang digunakan dalam penulisan skripsi ini meliputi variabel respon dan variabel prediktor. Sebagai variabel respon () adalah jumlah penderita DBD. Sedangkan variabel Jurnal Matematika-FST Unair 2012
133 prediktornya ( ) berupa faktor-faktor yang diduga mempengaruhi jumlah penderita DBD. Terdapat 4 variabel prediktor yang diduga mempengaruhi jumlah penderita DBD yaitu prosentase rumah tangga yang memiliki limbah sehat (1 ), prosentase rumah tangga yang bebas jentik nyamuk Aedes Aegepty (2 ), prosentase rumah tangga yang memiliki akses air bersih (3 ), dan prosentase rumah tangga yang memiliki rumah sehat (4 ).
39 Metode Penelitian
Mengestimasi model regresi poisson menggunakan metode iteratively reweighted least square dilakukan dengan langkah-langkah sebagai berikut: a. Mengasumsikan terdapat data berpasangan ( ; 0 , 1 , 2 , , ), = 1,2, , b. Mengasumsikan berdistribusi Poisson dengan fungsi peluang: Pr( = ) = ; = 0,1,2, ! dengan rata-rata dan varians, ( ) = ( ) = c. Menentukan fungsi likelihood dari langkah (b), yaitu : = exp( ) ( ) ( !)1
=1 =1 =1
d. Menentukan fungsi ln-likelihood dari langkah (c), yaitu : = [ + ln !]

=1
e. Mengestimasi parameter dengan langkah-langkah sebagai berikut: i. Mendiferensialkan hasil ln-likelihood dari langkah (d) terhadap parameter . ii. Hasil dari diferensial pada langkah (i) disamakan dengan nol sebagai syarat perlu untuk memaksimumkan fungsi ln-likelihood dan diselesaikan. iii. Melakukan pendekatan iterasi, karena pada langkah (ii) masih diperoleh persamaan yang berbentuk implisit. Langkah-langkah numerik dengan iterasi yaitu: Langkah 1, Langkah 2, Menentukan nilai awal estimator untuk = 0 yaitu 0 () = ( dan, Menghitung () dan () dengan:
, , ,, ) 0 1 2
dengan =
134 2 2 0 2 () = 1 0 2 0 2 0 1 2 2 0 2 1 2 2
Langkah 3,
Untuk = 1,2, menghitung estimator berikutnya
1 2 2 1
Langkah 4,
Mengganti ((1) ) dengan (((1) )), ((1) ) = ((1) ) sehingga diperoleh () = (1) + [(1) ]1 ((1) )
() = (1) [((1) )]1 ((1) )
misalkan
Langkah 5, Kedua ruas dikalikan (1 ) Langkah 6,
Menotasikan hasil terakhir, untuk ruas kiri dan
((1) )() = ((1) )(1) + ((1) )
kanan masing-masing ke dalam notasi matriks . Langkah 7, . Mendapatkan iterasi Reweighted untuk estimasi
dengan tingkat ketelitian 0.0001
Menggunakan uji kesesuaian model regresi poisson dengan menggunakan statistik uji deviance. Statistik uji deviance dilakukan dengan langkah-langkah sebagai berikut : i. Menulis hipotesis H0 dan H1 yang digunakan dalam menguji kesesuaian model regresi poisson, yaitu : H0 : Model regresi poisson sesuai H1 : Model regresi poisson tidak sesuai ii. Menghitung nilai deviance, yaitu : (, ) = 2[() ( )] iii. Menghitung statistik uji deviance, yaitu tolak H0 jika diperoleh : 2 (, ) > ( )()
Membuat algoritma dan program dalam software S-Plus 2000 untuk estimasi dan uji kecocokan model regresi poisson dilakukan dengan langkah-langkah sebagai berikut : e. Membuat algoritma untuk menentukan nilai awal 0 . f. Membuat algoritma untuk estimasi model regresi poisson. g. Membuat algoritma untuk menguji kesesuaian model regresi poisson dengan statistik uji deviance. Menerapkan program pada data jumlah Penderita DBD di tiap Kabupaten/Kota di Provinsi Jawa Timur tahun 2009.
135

Diasumsikan data berpasangan ( ; 0 , 1 , 2 , , ), = 1,2, , memenuhi model regresi poisson yaitu : ( | ) = = dengan ~ . Oleh karena adalah variabel random berdistribusi Poisson maka dipenuhi fungsi peluang : ; = 0,1,2, (5.1) ( , ) = ! Fungsi likelihood dari (4.1) adalah : = exp( ) (
=1 =1
= ln exp( ) (
=1 =1 =1 =1
fungsi ln-likelihood dari (4.2) adalah = ln , sehingga diperoleh : )
( !)1
=1
(5.2)
( !)1
=1
dengan
= + ln !
=1
(5.3)
ln = = 0 + 1 1 + 2 2 + + =
dengan mengikuti (ln = maka persamaan (4.3) dapat dinyatakan:

exp( ) + ( ) ln ! =1 = =
(5.4)
Syarat cukup agar fungsi ln-likelihood (5.4) mencapai nilai maksimum adalah

=0
Selanjutnya dihitung : =0 0
=1
0 . 0 = 0 =0 1
=1
(5.5)
136

1 . 1 = 0
=1
=0
=1
=1
(5.6)
Dari persamaan (4.5), (4.6) dan (4.7) diperoleh persamaan secara umum sebagai berikut : =0
=1
. = 0
=1
(5.7)
. = 0
=1
(5.8)
Persamaan (5.8) merupakan persamaan yang hanya bisa dinyatakan dalam bentuk implisit sehingga tidak dapat diselesaikan secara analitik. Untuk mengestimasi vektor parameter dari persamaan (5.8) digunakan langkah-langkah numerik dengan iterasi. Dalam skripsi ini untuk iterasi numerik tersebut digunakan algoritma Newton-Raphson. Untuk keperluan Algoritma Newton-Raphson maka berikut ini didefinisikan : () = , , ,, 0 1 2 dan 2 2 0 2 () = 1 0 2 0
(5.9)
Elemen-elemen () dapat dilihat pada persamaan (5.8) sedangkan elemen-elemen dari () dapat diuraikan sebagai berikut: 0 2 2
2 = . 0 =1 2 = . 1 =1
1 2 2 1
2 0 1 2
2 0 2 1 2 2
(5.10)
(5.11) (5.12)
1 2
137
Persamaan (5.11), (5.12), dan (5.13) secara umum dapat ditulis dalam bentuk sebagai berikut : 2
2 = . =1
2 = . =1
(5.13)
dan turunan kedua dari fungsi ln-likelihood terhadap dan untuk , dengan , = 0,1, , diperoleh : 2 = .
=1
(5.14)
Syarat perlu bahwa memaksimumkan persamaan (5.4) adalah () pada persamaan (5.10) harus definit negatif. Untuk menyelesaikan persamaan (5.8) maka digunakan Langkah-langkah numerik sebagai berikut: Langkah 1. (awal algoritma Newton-Raphson)
(5.15)
Menentukan = 0, dan nilai awal estimator parameter 0 dapat dihitung menggunakan metode kuadrat terkecil seperti yang diusulkan Draper dan Smith (1992) sebagai berikut :
0 ln = (5.16) Persamaan (4.16) dapat dinyatakan sebagai model regresi linier berganda dalam bentuk matriks sebagai berikut : (5.17) dengan : = 0 + (5.18) = [(1 ) (2 ) ( )] 1 11 1 1 12 2 = (5.19) 1 1 0 =
Langkah 2.
0 0 0 1 0 = 0 Dengan menggunakan pers persamaan fungsi peluang (2.3) diperoleh estimator kuadrat terkecil sebagai berikut : (5.20) 0 = ( )
Menghitung dengan menggunakan persamaan (4.9) dan menghitung dengan menggunakan persamaan (4.15). Langkah 3. (akhir algoritma Newton-Raphson)
138 Untuk = 1,2, menghitung update estimator dengan rumus berikut: (5.21) [((1) )]1 (1) Langkah 4. (algoritma Fisher-Scoring) Mengganti ((1) ) dengan (((1) )). () = (1) + (1) (1)
1
() = (1)
Misalkan ((1) ) = ((1) ) maka diperoleh update estimator dengan rumus berikut: Selanjutnya untuk mencari Matriks Informasi (1) menurut Chapman & Hall/CRC (2002) elemen-elemen dari matriks tersebut didefinisikan sebagai berikut: (5.22)
. = = ( . ) =
=1 =1
Langkah 5. (algoritma IRWLS) Kedua ruas dari persamaan (5.22) dikalikan (1) sehingga diperoleh: Langkah 6. (1) () = (1) (1) + (1)
(5.23)
Menotasikan ulang hasil terakhir pada persamaan (5.23) untuk ruas kiri dan kanan masing-masing ke dalam format matriks. (i) Notasi matriks ruas kiri Berdasarkan langkah 4 maka dapat dituliskan matriks informasi sebagai berikut:
139 (1)
= ()
20 10 () () 11 21 () () = 22 12 () () 2 1 ( ) 10 20 0 11 21 1 0 = 12 22 2 0 1 2
() 0 0 = () 1 0 = = () 2 0 = () 0 = ()

= = =
() () ()
0 1 1 1 2 1 1

= =
() ()
= ()
()
0 2 1 2 2 2 2 11 21 1
()
0 () 10 1 () 20 2 0 ()
()
()
()
0 0 0
0 10 20 0 () 0
12 1 22 2 2 11 21 1
0 = () 1 = (5.24) () 2 = () =
()
(5.25)
12 22 2
1 2
()(+1)
()()
= 0 0
10 20 = 0
11 21 1

12 22 2
(+)()
Sehingga ruas kiri persamaan (4.23) dapat ditulis sebagai () () (5.29) (ii) Notasi matriks ruas kanan:
10 11 = 12 1
0 0 0 0 0 20 21 22 2
1 2
(5.26)
(5.27)
0 1 2
(5.28)
140 (1) (1) + (1)

() () () () (1) (1) + + + + 10 1 10 10 0 0 0 1 =0 =0 () () () () ( 1) ( 1) 11 1 + 1 11 10 + + 1 + 1 1 =0 =0 = () (1) () () () (1) 12 1 + 1 12 10 + + 2 + 2 2 =0 =0 () () () () 1 1 (1) + 1 1 10 + + (1) + =0 =0 1 1 (1) + ( ) = () () 0 2 (1) + 2 () () = 1 ( ) () 2 (1) + 3 3 () () = () (1) + ( ) =
()
() () (1) 0 + 0 0 =1 =1 = = () () (1) 1 + 1 1 = = =1 =1 (5.30) = (1) () () 2 + 2 2 =1 =1 = = () () (1) + = = =1 =1
10 () 11 () = 12 () 1
()
22 () 2
20 21
() ()
()
141 1 1 (1) + () = () 2 2 (1) + () 0 = 0 () 3 (1) + 3 ( ) () = () (1) + () = (5.31)
()
10 11 12 1
20 21 22 2
0 () 1 0 2 0
()
0 0 0
= () ()
( +)()
()()
= 0 0
10 11 = 12 1
20 21 22 2

()(+1)
Berdasarkan (5.25) dan (5.31) maka persamaan (5.23) dapat ditulis menjadi () () = () () (5.35)
1 1 + = 2 2 + = = 3 3 + = + =
0 0 0 0 0
0 1 2
(5.32)
(5.33)
(5.34)
Langkah 7.
Mendapatkan estimator IRWLS. Berdasarkan (5.35) maka diperoleh () = ( () ) () () (5.36)
142 Pemodelan diperlukan untuk mendapatkan hubungan yang menggambarkan variabel respon dan variabel prediktor. Uji kesesuaian model digunakan untuk membandingkan model sebenarnya dengan model dugaan. Salah satu metode untuk menentukan kesesuaian model regresi Poisson adalah dengan menggunakan statistik uji deviance. Adapun hipotesis yang digunakan untuk menguji kesesuaian model regresi Poisson adalah sebagai berikut : H0 : Model regresi Poisson sesuai H1 : Model regresi Poisson tidak sesuai Untuk menguji hipotesis tersebut digunakan statistik uji deviance sebagai berikut : (, ) = 2[() ( )]
Berdasarkan persamaan (5.3) dihitung : ( ) = [ + ln ln( !)]

=1
(5.37)
dan
= + ln ln( !)
=1 =1 =1
() = [ + ln( !)]
=1
= + ln( !)
=1 =1 =1
sehingga diperoleh deviance : (, ) = 2[() ( )]

=1
(, ) = 2 + ln( !) ( + ln ln( !) = 2 ( ) + ln = 2 ( ) + ln
=1 =1 =1 =1 =1 =1 =1 =1 =1 =1
Dengan menggunakan persamaan (4.29) diperoleh keputusan tolak H0 jika diperoleh :
(5.38)
143
2 2 > ( hitung )()
Algoritma untuk menentukan nilai awal adalah sebagai berikut : Langkah 1. Menginput data sekunder. Langkah 2. Mendefinisikan sesuai dengan persamaan (5.18).
(5.39)
Langkah 3.
Langkah 4.
Mendefinisikan sesuai dengan persamaan (5.19).
Menghitung 0 sesuai dengan persamaan (5.20). Algoritma untuk estimasi model regresi Poisson dengan IRWLS adalah sebagai berikut : Langkah 1. Menginput data sekunder. Langkah 2. Mendefinisikan sesuai dengan persamaan (5.18).
Langkah 3.
Langkah 4.
Menghitung nilai awal 0 . Langkah 5. Set = 1
Langkah 6.
0 = 0
() ()
Menghitung () Langkah 7.
0 0
0 0 ( )
144
(1) + 1 () = 1 () 2 (1) + () = 2 () = (1) + 3 () = 3 () (1) + () =
()
Menghitung ()
Langkah 8.
Menghitung () = ( () ) () () Langkah 9. Jika () (1) < 0.0001 maka ke langkah 10. Jika tidak maka kembali ke langkah Langkah 10. 5 dengan update = + 1
Langkah 11.
= () Menampilkan estimator iterasi Reweighted
Mengestimasi model regresi Poisson adalah (|) = . Algoritma untuk menguji kesesuaian model regresi Poisson dengan statistik uji deviance dijabarkan dalam langkah-langkah adalah sebagai berikut : Langkah 1. Menentukan hipotesis. Langkah 2. Menginput data sekunder. Langkah 3. Mendefinisikan sesuai dengan persamaan (5.18).
Langkah 4.
Langkah 5.
Menghitung (, ) sesuai dengan persamaan (5.37). Jurnal Matematika-FST Unair 2012
145 Langkah 6. Membuat daerah kritis sesuai dengan persamaan (5.39). Langkah 7. Membuat keputusan.
Berdasarkan tabel data jumlah penderita DBD di tiap kabupaten/kota di Provinsi Jawa Timur tahun 2009, maka dapat dibuat model regresi Poisson sebagai berikut : ( | ) = (0 + 1 1 + 2 2 + 3 3 + 4 4 ) , = 1,2, ,28
Proses analisa data dalam contoh kasus data jumlah penderita DBD di tiap kabupaten/kota di Provinsi Jawa Timur tahun 2009 dilakukan dengan menggunakan program yang dibuat dalam software S-Plus 2000. Berdasarkan hasil penerapan program diperoleh nilai estimator awal seperti pada tabel 5.1 berikut: Tabel 5.1 Nilai estimator awal parameter dari data jumlah penderita DBD di tiap kabupaten/kota di Provinsi Jawa Timur tahun 2009
0 0 0 0 1 0 2 0 3 0 4 Nilai Estimator Awal 8.79200880 -0.09383474 -0.02783120 -0.01363888 -0.56653378
dari data jumlah penderita DBD di tiap kabupaten/kota di Tabel 5.2 Nilai estimator parameter Provinsi Jawa Timur tahun 2009
0 1 2 3 4 Nilai Estimator 8.84018141 -0.09455570 -0.02803195 -0.01650381 -0.57056100
Berdasarkan hasil penerapan program pada data yang digunakan untuk memperoleh () dan () dengan memasukkan nilai estimator awal pada tabel 5.1 didapatkan () dan (). Langkah-langkah numerik dengan iterasi melalui software S-Plus 2000 diperoleh nilai estimator seperti pada tabel 5.2 berikut : parameter
Berdasarkan tabel 5.2 maka diperoleh bentuk umum model regresi Poisson untuk data jumlah penderita DBD di tiap kabupaten/kota di Provinsi Jawa Timur tahun 2009 sebagai berikut : ( | ) = (8.840 0.0951 0.0282 0.0173 0.5714 ) Jurnal Matematika-FST Unair 2012
146 dengan menyatakan banyaknya unit eksperimen yaitu kabupaten/kota di Provinsi Jawa Timur. Berdasarkan persamaan model regresi Poisson diatas dijelaskan bahwa variabel prediktor yang paling dominan berpengaruh dalam model regresi Poisson diatas adalah (4 ) yang menyatakan prosentase rumah tangga yang memiliki rumah sehat dan juga dapat dilihat secara keseluruhan berdasarkan model diatas bahwa semakin bertambahnya prosentase rumah tangga yang memiliki limbah sehat (1 ), prosentase rumah tangga yang bebas jentik nyamuk Aedes (2 ), prosentase rumah tangga yang memiliki akses air bersih (3 ), dan prosentase rumah tangga yang memiliki rumah sehat (4 ), maka akan menurunkan jumlah penderita DBD di tiap Kabupaten/Kota di provinsi Jawa Timur tahun 2009. Hal ini berarti semakin bertambahnya rumah tangga yang memiliki limbah sehat, bebas jentik nyamuk Aedes, memiliki akses air bersih dan memiliki rumah sehat menyebabkan penurunan jumlah penderita DBD di tiap Kabupaten/Kota di provinsi Jawa Timur tahun 2009. Dengan demikian, pola hidup sehat sangat berpengaruh dalam penekanan jumlah penderita DBD di tiap Kabupaten/Kota di Provinsi Jawa Timur tahun 2009.
Uji kesesuaian model digunakan untuk membandingkan model sebenarnya dengan model dugaan. Adapun hipotesis yang digunakan untuk menguji kesesuaian model regresi Poisson untuk data jumlah penderita DBD di tiap kabupaten/kota di Provinsi Jawa Timur tahun 2009 adalah sebagai berikut : H0 : ( | ) = (8.840 0.0951 0.0282 0.0173 0.5714 ) H1 : ( | ) (8.840 0.0951 0.0282 0.0173 0.5714 ) terima H0, sehingga dapat disimpulkan bahwa model dugaan sesuai. Nilai statistik uji deviance (, ) = 10.640, dengan menggunakan tingkat signifikan = 0,05 2 2 diperoleh nilai ( 23)(0,05) = 35.172. Oleh karena (, ) < (23)(0,05) maka diperoleh keputusan
41 Simpulan
1. 2
Estimator parameter model regresi Poisson dengan MLE dapat diperoleh dengan menggunakan sistem persamaan sebagai berikut :
2 = , = 0,1, , . =1
yang dapat diselesaikan dengan pendekatan Iteratively Reweighted Least Squares (IRWLS) dengan rumus () = ( () ) () ()
untuk
147
0 = 0
()
()
()
()
1 1 (1) + () = () 2 2 (1) + () = ( ) = 3 (1) 3 + () = () (1) + ( ) =
()
0 0
0 0 ()
2.
dengan :
Uji kesesuaian model regresi Poisson dengan menggunakan statistik uji deviance, yaitu : 2 (, ) ~ ( )() (, ) = 2 +
=1 =1
dan daerah kritisnya adalah sebagai berikut :

2 (, ) > ( )()
3.
Hasil penerapan program estimasi model regresi Poisson pada data jumlah penderita DBD di tiap kabupaten/kota di Provinsi Jawa Timur tahun 2009 diperoleh model dugaan sebagai berikut : ( | ) = exp(8.840 0.0951 0.0282 0.0173 0.5714 )
Dengan uji kesesuaian model diperoleh nilai (, ) = 10.640 dan model dugaan sesuai.
2 Karena (, ) < ( 23)(0,05) diperoleh keputusan terima
H0 pada tingkat kepercayaan 95% . Jadi
2 ( 23)(0,05) = 35.172.
42 Daftar Pustaka
1. Badan Pusat Statistik, 2009, Data Jumlah Penderita Penyakit Demam Berdarah Dengue Provinsi Jawa Timur Tahun 2009, Badan Pusat Statistik, Surabaya.
148 2. Cameron dan Trivedi, 1998, Regression Analysis of Count Data, United Kingdom: Cambridge University Press. 3. Dobson, A.J., 2002, An Introduction to Generalized Linear Models, Chapman & Hall, USA. 4. Draper, N.R. dan Smith, H., alih bahasa Bambang Sumantri, 1992, Analisis Regresi Terapan, Edisi Kedua, PT Gramedia, Jakarta. 5. Everitt, S.B., 1994, A Handbook of Statistical Analysis using S-PLUS, : Chapman & Hall, London. 6. Hogg and Craig, 1995, Introduction to Mathematical Statistics, Fifth Edition, Prentice Hall, Englewood Clief, New Jersey. 7. Ismail, N., dan Jemain, A.Z., 2005, Generalized Poisson Regression: An alternative for risk classification, Jurnal Teknologi 43(C):39-54, Universitas Teknologi Malaysia. 8. Lawless, J.F., 1982, Statistical Models and Methods for Lifetime Data, University of Waterloo, New York. 9. Myers, R.H., 1991, A First Course in the Theory of Linear Statistical Models; PWS-KENT Publ. Co., Boston.

Jurnal Matematika Vol 1 No 1 Januari 2013

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Jurnal Matematika Vol 1 No 1 Januari 2013

Uploaded by

Copyright:

Available Formats

DAFTAR ISI

Dyah Widiantini, Suliyanto, Eko Tjahjono

Muh.Harun Ar Rosyid Herry Suprajitno, Miswanto

Sifat Jarak pada Ruang Metrik

Umi Lailatul Muyassaroh, ,

Wheni Sukokarlinda, Fatmawati, Yayuk Wahyuni Zahrotul Ummah, Suliyanto, Sediono

1.Ketua Dewan Redaksi : 2.Wakil Dewan Redaksi : 3. Anggota :

Dr.Miswanto,M.Si Drs.Eko Tjahjono,M.Si Dr.Fatmawati,M.Si Sumilan

Jurnal Matematika-FST Unair 2012

Jurnal Matematika-FST Unair 2012

> 0, > 0, > 0

Maximum Likelihood Estimator

Jurnal Matematika-FST Unair 2012

Jurnal Matematika-FST Unair 2012

Menggunakan Jumlah Kuadrat Galat (JKG) sehingga diperoleh () dan ( ) JKG =

Hasil dan Pembahasan

, > 0, > 0, > 0

Jurnal Matematika-FST Unair 2012

Jurnal Matematika-FST Unair 2012

Hasil dari ekspektasi bersyarat dengan menggunakan persamaan (9) yaitu:

nilai akan nilai Nilai

exp () +2 exp () 1 R ( ) 2 :: exp () +exp ()

Jurnal Matematika-FST Unair 2012

8 Sedangkan (+1) diperoleh berdasarkan persamaan berikut:

(+1) R 2 :: (+1) 1+exp (+1)

Nilai ( ) diperoleh dari perhitungan dengan menggunakan metode Kaplan-Meier.

Jurnal Matematika-FST Unair 2012

5. Mendapatkan estimator (+1) dengan cara menyelesaikan persamaan (+1) | () , ( ) = 6. Mendapatkan

exp +2 exp exp +exp

Jurnal Matematika-FST Unair 2012

(+1) R 2 :: (+1) 1+exp ( ) +1

R (+1) :: 2 ( ) =1 1 + exp R R (+1) (+1) 2 + () 1 :: :: 2 (+1) + R 2 R ( :: + (+1) :: +1) 2 R :: 1+exp 1+exp () ()

[3] [4] [5]

Jurnal Matematika-FST Unair 2012

Jurnal Matematika-FST Unair 2012

Metode Penelitian Sumber Data

Jurnal Matematika-FST Unair 2012

Hasil dan Pembahasan Pemeriksaan Asumsi Proporsional

Jurnal Matematika-FST Unair 2012

Model Regresi Cox

Menghitung Estimasi Parameter Model Cox Proporsional Hazard

Nama Variabel IPK IPK(1) IPK(2)

Jurnal Matematika-FST Unair 2012

Menghitung Hazard Dasar Model Cox Proporsional Hazard

Tabel estimasi hazard dasar dan survival

0.209961578 1.415801949 2.826610753

0.209961578 1.205840371 1.410808804 1.410800934 0.735891711

0.81061539 0.24273088 0.05921320 0.01444493 0.00692025

Menentukan Model Cox Proporsional Hazard

dengan nilai hazard dasar untuk tiap semester adalah:

Jurnal Matematika-FST Unair 2012

Dugaan peluang mahasiswa yang lulus ( , ) pada berbagai semester

Gambar 3 Waktu (t)

Jurnal Matematika-FST Unair 2012

Jurnal Matematika-FST Unair 2012

= 161770.51 + 615494.82 921821.13 + 144593.54 + 0.3836201

Jurnal Matematika-FST Unair 2012

Jurnal Matematika-FST Unair 2012

d) Mendeferensialkan fungsi terhadap dan disamadengankan 0, = 0 Sehingga didapat nilai estimator

= c) Meminimunkan fungsi = dengan

vt ~ N(0,2) dengan t = 1, 2, ..., T

Jurnal Matematika-FST Unair 2012

vt | Ft 1 ~ N (0, ht ) dan t = 1, 2, ..., T

Hasil dan Pembahasan