Pendahuluan
Dalam bidang analisis kehandalan (reliability analysis) dan statistik kehidupan (survival analysis), pemodelan data waktu kegagalan merupakan aspek yang sangat krusial. Seringkali, data yang diperoleh tidak lengkap atau tidak menyajikan waktu kejadian untuk seluruh subjek dalam penelitian. Fenomena ini dikenal sebagai pensensoran (censoring). Di antara berbagai jenis pensensoran, data tersensor tipe II merupakan salah satu skema yang paling umum digunakan dalam pengujian waktu hidup (life-testing experiments), di mana pengujian dihentikan setelah sejumlah kegagalan tertentu terjadi dari sejumlah sampel yang diuji.
Untuk memodelkan data tersebut, diperlukan sebuah distribusi probabilitas yang fleksibel dan mampu mengakomodasi berbagai bentuk fungsi hazard. Distribusi Exponentiated Eksponensial (EE), yang pertama kali diperkenalkan oleh Gupta, Gupta, and Gupta (1998), merupakan generalisasi dari distribusi eksponensial standar. Distribusi ini menawarkan fleksibilitas yang lebih tinggi karena memiliki kurva kepadatan probabilitas (PDF) yang dapat bersifat *monotonically decreasing*, *unimodal*, atau *decreasing-increasing-decreasing*, serta fungsi hazard rate yang dapat berbentuk *constant*, *increasing*, atau *decreasing*.
Distribusi Exponentiated Eksponensial
Distribusi Exponentiated Eksponensial dikembangkan dengan mentransformasi variabel acak eksponensial standar menggunakan fungsi transformasi pangkat. Jika variabel acak $X$ mengikuti distribusi EE, maka fungsi kepadatan probabilitasnya (PDF) dinyatakan sebagai:
dengan parameter > 0 adalah parameter bentuk (shape parameter) dan > 0 adalah parameter skala (scale parameter). Variabel acak $x$ didefinisikan untuk $x > 0$.
Fungsi distribusi kumulatif (CDF) atau fungsi survival (dinyatakan sebagai $S(x) = 1 - F(x)$) dari distribusi ini adalah:
Fleksibilitas distribusi ini sangat berguna dalam menganalisis data kehidupan yang nyata, di mana asumsi konstan dari hazard rate distribusi eksponensial biasa seringkali terlalu membatasi dan tidak merepresentasikan kondisi sebenarnya. Parameter bentuk $\alpha$ memungkinkan model untuk menyesuaikan diri dengan tingkat kegagalan yang meningkat atau menurun seiring waktu.
Data Tersensor Tipe II
Dalam konteks ini, misalkan $X_{1}, X_{2}, ..., X_{n}$ adalah sampel acak yang saling bebas dan identik (iid) dari distribusi Exponentiated Eksponensial. Jika data diurutkan menjadi statistik urutan $X_{(1)} < X_{(2)} < ... < X_{(r)}$, maka data yang diamati hanyalah $r$ kegagalan pertama tersebut. Data $(n-r)$ sisanya diketahui bertahan lebih lama dari $X_{(r)}$, namun waktu tepat kegagalannya tidak diketahui.
Skema ini sering diaplikasikan karena alasan biaya dan waktu. Membagi eksperimen hingga seluruh unit gagal mungkin memakan waktu terlalu lama dan biaya yang tinggi, terutama pada produk dengan kehandalan tinggi.
Estimasi Parameter Menggunakan Maximum Likelihood
Pendekatan yang paling umum digunakan untuk mengestimasi parameter distribusi pada data tersensor adalah metode Maximum Likelihood Estimation (MLE). Metode ini berusaha menemukan nilai parameter yang memaksimalkan probabilitas terjadinya data sampel yang diamati.
Fungsi Likelihood
Berdasarkan definisi pensensoran tipe II dan fungsi kepadatan serta survival distribusi EE, fungsi likelihood $L$ untuk data tersensor tipe II dapat dibentuk. Fungsi likelihood menggabungkan probabilitas densitas untuk $r$ data yang gagal dan probabilitas survival untuk $(n-r)$ data yang tersensor:
Substitusi rumus $f(x)$ dan $S(x)$ ke dalam persamaan di atas menghasilkan fungsi likelihood yang cukup kompleks dalam bentuk parameter $\alpha$ dan $\lambda$. Untuk memudahkan komputasi, biasanya digunakan fungsi log-likelihood, yaitu logaritma natural dari fungsi likelihood.
Persamaan Likelihood
Dengan mengambil turunan parsial terhadap masing-masing parameter ($\alpha$ dan $\lambda$) dan menyamakannya dengan nol, kita memperoleh sistem persamaan non-linear. Penyelesaian sistem persamaan ini secara analitis (closed-form) sangat sulit, sehingga umumnya digunakan metode numerik seperti Newton-Raphson atau teknik optimasi numerik lainnya untuk mendapatkan nilai estimasi $\hat{\alpha}$ dan $\hat{\lambda}$.
Secara umum, estimator yang dihasilkan dari metode ini bersifat *asimtotik normal* untuk ukuran sampel yang besar. Hal ini memungkinkan pembentukan interval kepercayaan (confidence interval) untuk parameter yang diestimasi menggunakan pendekatan Fisher Information Matrix.
Aplikasi dan Interpretasi
Hasil estimasi parameter dari distribusi EE pada data tersensor tipe II memberikan wawasan penting bagi insinyur kehandalan dan peneliti medis. Sebagai contoh:
- Analisis Kehandalan Produk: Parameter $\lambda$ memberikan informasi tentang skala waktu kegagalan, sedangkan parameter $\alpha$ mengindikasikan bentuk kurva kegagalan. Jika estimasi $\alpha > 1$, hal ini mengindikasikan adanya *wear-out* (kerusakan akibat kelelahan material), sedangkan $\alpha < 1$ mungkin mengindikasikan *infant mortality*.
- Studi Medis: Dalam uji klinis, di mana pasien mungkin keluar dari studi sebelum akhir pengamatan (censoring), estimasi parameter ini membantu memodelkan waktu survival pasien secara akurat meskipun data tidak lengkap.
Penggunaan distribusi EE memberikan keuntungan signifikan dibandingkan distribusi eksponensial biasa karena kemampuannya dalam menangani data yang bersifat *heavy-tailed* atau memiliki pola kegagalan yang bervariasi. Ketepatan estimasi pada data tersensor tipe II memastikan bahwa kesimpulan yang diambil berdasarkan data parsial tetap valid dan dapat diandalkan untuk pengambilan keputusan.
Kesimpulan
Estimasi parameter Distribusi Exponentiated Eksponensial pada data tersensor tipe II merupakan topik yang relevan dalam statistik terapan. Melalui metode Maximum Likelihood, kita dapat memperoleh estimator yang konsisten dan efisien bagi parameter bentuk ($\alpha$) dan skala ($\lambda$). Meskipun memerlukan pendekatan numerik untuk penyelesaiannya, model ini menyediakan fleksibilitas yang jauh lebih besar dibandingkan model satu parameter, sehingga mampu menghasilkan estimasi yang lebih akurat mengenai fungsi survival dan hazard rate.
Pemahaman mengenai teknik estimasi ini sangat vital bagi para praktisi yang bekerja dengan data waktu kehidupan, di mana pengambilan data seringkali terbatas oleh kendala waktu dan biaya, sehingga menuntut metode analisis yang kuat seperti yang dibahas di atas.
Referensi Terpilih
- Gupta, R. D., & Gupta, R. C. (1998). Analyzing skewed data by power normal model. Test.
- Nelson, W. (1982). Applied Life Data Analysis. John Wiley & Sons.
- Cohen, A. C. (1991). Truncated and Censored Samples: Theory and Applications. Marcel Dekker.
