KONVERGENSI ESTIMATOR DALAM MODEL MIXTURE BERBASIS MISSING DATA

<p>Model <em>mixture </em>dapat mengestimasi proporsi pasien yang sembuh (<em>cured</em>) dan fungsi survival pasien tak sembuh (<em>uncured</em>). Pada kajian ini, model mixture dikembangkan untuk analisis cure rate berbasis missing data. Ada beberapa metode yang dapat digunakan untuk analisis <em>missing data. <strong> </strong></em>Salah satu metode yang dapat digunakan adalah Algoritma EM, Metode ini didasarkan pada dua langkah, yaitu: (1) <em>Expectation Step</em> dan (2) <em>Maximization Step</em>. Algoritma EM merupakan pendekatan iterasi untuk mempelajari model dari data dengan nilai hilang melalui empat langkah, yaitu(1) pilih himpunan inisial dari parameter untuk sebuah model, (2) tentukan nilai ekspektasi untuk data hilang, (3) buat induksi parameter model baru dari gabungan nilai ekspekstasi dan data asli, dan (4) jika parameter tidak <em>converged</em>, ulangi langkah 2 menggunakan model baru. Berdasar kajian yang dilakukan dapat ditunjukkan bahwa pada algoritma EM, <em>log-likelihood</em> untuk <em>missing data </em>mengalami kenaikan setelah dilakukan setiap iterasi dari algoritmanya. Dengan demikian berdasar algoritma EM, barisan likelihood konvergen jika likelihood terbatas ke bawah.</p><p> </p>Model mixture can estimate the proportion of recovering (cured) patients and function of survival but do not recover (uncured) patients. In this study, a model mixture has been developed to analyze the curing rate based on missing data. There are some methods applicable to analyze missing data. One of the methods is EM Algorithm, This method is based on two (2) steps, i.e.: ( 1) Expectation Step and ( 2) Maximization Step. EM Algorithm is an iteration approach to study the model from data with missing values in four (4) steps, i.e. (1) to choose initial set from parameters for a model, ( 2) to determine the expectation value for missing data, ( 3) to make induction for the new model parameter from the combined expectation values and the original data, and ( 4) if parameter is not converged, repeat step 2 using new model. The current study indicated that for the EM algorithm, the log-likelihood function of the missing data has increased after each iteration of the algorithm. Thereby based on the EM algorithm, the on-line likelihood is convergent if the likelihood is limited downwards