ESTIMASI PARAMETER DISTRIBUSI BINOMIAL NEGATIF DENGAN PENDEKATAN BAYESIAN MENGGUNAKAN MONTE CARLO MARKOV CHAIN BERDASARKAN ALGORITMA METROPOLIS HASTING

• Main Author: MIFTA DIAN MULYANINGSIH, 081211832031
• Format: Theses and Dissertations NonPeerReviewed
• Language: Indonesian; Indonesian
• Published: 2016
• Subjects: QA276-280 Mathematical Analysis
• Online Access: http://repository.unair.ac.id/55899/1/KKC%20KK%20ST.S%2049%20-16%20Mul%20e-Abstrak.pdf; http://repository.unair.ac.id/55899/2/KKC%20KK%20ST.S%2049%20-16%20Mul%20e.pdf; http://repository.unair.ac.id/55899/; http://lib.unair.ac.id
• Institution: Universitas Airlangga

Estimasi parameter merupakan estimasi sembarang nilai yang menjelasan karakteristik suatu populasi tertentu. Estimasi parameter dapat dilakukan dengan metode klasik maupun metode Bayesian. Metode Bayesian merupakan metode yang menggabung- kan informasi saat ini dengan informasi sebelumnya atau yang biasa disebut distribusi prior. Penggabungan informasi tersebut menghasilkan distribusi posterior, selanjutnya distribusi tersebut digunakan sebagai dasar estimasi parameter. Penyelesaian dari estimasi parameter tersebut terkadang sulit sehingga membutuhkan metode numerik dalam penyelesaiannya, salah satunya adalah metode Monte Carlo Markov Chain (MCMC) algoritma Metropolis Hasting. Metode tersebut merupakan metode integrasi yang menggunakan mekanisme penerimaan dan penolakan untuk membangkitkan kandidat sampel. Tujuan dari penelitian ini adalah untuk mengestimasi parameter distribusi Binomial Negatif dengan pendekatan Bayesian menggunakan MCMC algoritma Metropolis Hasting. Distribusi Binomial Negatif merupakan distribusi yang banyak digunakan untuk menganalisis data count saat terjadi overdispersi. Data yang digunakan pada penelitian ini adalah data bangkitan. Berdasarkan hasil penelitian estimasi parameter distribusi Binomial Negatif dengan pendekatan Bayesian menggunakan MCMC algoritma metropolis hasting menghasilkan nilai estimasi yang sangat dekat dengan perhitungan biasa, dengan demikian MCMC algoritma metropolis hasting dapat digunakan sebagai alternatif untuk mempermudah perhitungan yang rumit.