Estimasi Parameter Distribusi Gamma pada Data Tersensor Tipe II Menggunakan Algoritma Fisher Scoring

1. Pendahuluan

Analisis statistika menjadi instrumen vital dalam berbagai bidang penelitian, mulai dari teknik, kedokteran, hingga ilmu sosial. Salah satu aspek penting dalam analisis statistika adalah pemodelan distribusi probabilitas yang sesuai dengan data yang diamati. Di antara berbagai jenis distribusi kontinu, Distribusi Gamma menempati posisi yang sangat penting karena fleksibilitasnya. Distribusi ini sering digunakan untuk memodelkan waktu tunggu (waiting time) atau usia kegagalan suatu komponen dalam analisis keandalan (reliability analysis), serta banyak diterapkan dalam hidrologi untuk analisis curah hujan.

Namun, dalam pengumpulan data dunia nyata, seringkali peneliti menghadapi kondisi di mana tidak semua unit eksperimen dapat diamati hingga terjadinya kejadian yang diinginkan (misalnya kegagalan total). Kondisi ini dikenal sebagai data tersensor (censored data). Jenis penyensoran yang umum terjadi dalam uji hidup adalah Tipe II, di mana eksperimen dihentikan setelah kegagalan ke-$r$ terjadi dari $n$ unit yang diuji.

Untuk memperkirakan parameter distribusi Gamma dari data yang tersensor ini, diperlukan metode estimasi yang akurat. Metode Maksimum Likelihood (Maximum Likelihood Estimation - MLE) adalah pendekatan yang paling umum digunakan. Namun, karena fungsi likelihood untuk distribusi Gamma biasanya tidak memiliki bentuk tertutup (closed-form), solusi numerik diperlukan. Algoritma Fisher Scoring merupakan salah satu metode iterasi numerik yang efektif untuk menyelesaikan masalah ini, menawarkan konvergensi yang baik terutama ketika matriks informasi Fisher dapat dihitung dengan mudah.

2. Distribusi Gamma

Distribusi Gamma adalah distribusi probabilitas kontinu dua parameter dengan fungsi kepadatan probabilitas (PDF) yang didefinisikan sebagai berikut:

Di mana:

• x adalah variabel acak (waktu hidup),
• α (alpha) adalah parameter bentuk (shape parameter),
• β (beta) adalah parameter skala (scale parameter),
• Γ(α) adalah fungsi Gamma.

Fungsi Gamma Γ(α) didefinisikan sebagai integral ∫₀^∞ t^α-1 e^-t dt. Parameter α sangat menentukan bentuk kurva. Jika α = 1, distribusi Gamma berubah menjadi distribusi Eksponensial. Mean (rata-rata) distribusi ini adalah α/β dan variansinya adalah α/β².

3. Data Tersensor Tipe II

Data tersensor Tipe II terjadi ketika n unit independen dan identik ditempatkan dalam pengujian. Pengujian tidak dihentikan sampai seluruh unit gagal, melainkan dihentikan pada waktu ketika kegagalan ke-r terjadi (di mana r < n).

Misalkan X₍₁₎ < X₍₂₎ < ... < X_(r) adalah data waktu kegagalan yang terurut (order statistics) dari sampel acak berukuran n. Maka, likelihood function untuk data tersensor Tipe II dapat dinyatakan sebagai:

Di mana f(x) adalah fungsi kepadatan probabilitas (PDF) dan F(x) adalah fungsi distribusi kumulatif (CDF). Pada konteks distribusi Gamma, substitusi fungsi f dan F ke dalam persamaan likelihood menghasilkan fungsi yang cukup kompleks untuk diselesaikan secara analitis, sehingga diperlukan pendekatan numerik.

4. Metodologi Fisher Scoring

Algoritma Fisher Scoring adalah teknik iterasi untuk mencari nilai estimasi parameter yang memaksimalkan fungsi likelihood. Metode ini sangat mirip dengan metode Newton-Raphson, namun memiliki keunggulan pada penggunaan matriks informasi Fisher (Expected Fisher Information) menggantikan matriks Hessian (turunan kedua negatif dari log-likelihood).

4.1 Log-Likelihood

Langkah pertama adalah membentuk fungsi Log-Likelihood. Dengan mengabaikan konstanta \frac{n!}{(n-r)!}, fungsi log-likelihood untuk distribusi Gamma dengan data tersensor Tipe II adalah:

4.2 Vektor Skor dan Matriks Informasi

Estimasi (parameter estimation) diperoleh dengan menurunkan log-likelihood terhadap setiap parameter (α dan β) untuk mendapatkan Vektor Skor U(θ):

Karena persamaan nonlinear ini sulit diselesaikan langsung, kita menggunakan rumus iterasi Fisher Scoring:

Di mana I(θ) adalah Matriks Informasi Fisher yang diharapkan (Expected Fisher Information Matrix). Elemen-elemen matriks ini adalah ekspektasi dari turunan kedua log-likelihood:

4.3 Algoritma Iterasi

Proses komputasi dilakukan dengan langkah-langkah berikut:

1. Tentukan nilai awal (initial guess) untuk parameter α⁽⁰⁾ dan β⁽⁰⁾. Nilai awal ini bisa diperoleh menggunakan metode momen.
2. Hitung vektor skor U(θ^(t)) pada iterasi ke-t.
3. Hitung matriks informasi Fisher I(θ^(t)).
4. Hitung invers dari matriks informasi [I(θ^(t))]^-1.
5. Update parameter menggunakan rumus θ^(t+1) = θ^(t) + ....
6. Ulangi langkah 2-5 hingga konvergensi tercapai (yaitu, ketika selisih nilai parameter pada iterasi t+1 dan t sangat kecil, di bawah ambang batas toleransi yang ditentukan, misalnya 10^-5).

Keunggulan utama menggunakan Fisher Scoring dibandingkan Newton-Raphson dalam konteks ini adalah bahwa matriks informasi Fisher yang diharapkan selalu non-negatif definit (positif semi-definit), yang menjamin stabilitas iterasi dan menghindari masalah singularitas yang mungkin terjadi pada Hessian empiris.

5. Kesimpulan

Estimasi parameter distribusi Gamma pada data tersensor Tipe II presents a significant challenge due to the complexity of the likelihood function involved. Penyensoran data menambah kompleksitas secara matematis karena adanya suku survival function [1 - F(x_(r))] yang tidak memiliki turunan sederhana ketika melibatkan fungsi Gamma.

Algoritma Fisher Scoring terbukti menjadi metode yang handal dan efisien untuk mengatasi masalah ini. Dengan memanfaatkan informasi yang diharapkan dari distribusi data, algoritma ini mampu mengarahkan estimasi parameter menuju nilai maksimum likelihood dengan tingkat konvergensi yang stabil. Pendekatan ini memberikan solusi numerik yang presisi, memungkinkan peneliti melakukan inferensi statistika yang akurat mengenai karakteristik populasi dari data hidup yang tersensor.