BAB 1

PROSES MARKOV
(CONTINUOUS MARKOV PROCESS)
1.1 Pendahuluan

P ermasalahan keandalan umumnya terjadi pada sistem yang

memiliki karakter diskrit terhadap ruang (discrete in space)
dan kontinyu terhadap waktu (continuous in time). Discrete in
space berarti bahwa kondisi (state) yang mewakili sistem
memiliki jumlah yang terbatas dan teridentifikasi dengan jelas, sementara itu
continuous in time memiliki pengertian bahwa sistem beroperasi dengan kontinyu
hingga nantinya berpindah secara diskrit ke kondisi lainnya.

Operating Continuous
state operation
Discrete
transition

waktu

Failed
state

Gambar 1.1-1 karakter operasi sistem

Pada metode kontinyu Markov yang akan dibahas pada bab ini, sistem memiliki
karakter dengan laju kegagalan (failure rate) dan laju perbaikan (repair rate) yang
konstan disepanjang waktu. Karena itu metode ini hanya dapat dipergunakan

1
untuk sistem yang sebaran data kegagalannya dapat diwakili oleh distribusi
eksponensial.

Continuous Markov Process dapat dipergunakan untuk melakukan evaluasi

keandalan pada repairable dan non-repairable system, juga untuk sistem dengan
susunan seri, paralel ataupun standby. Karena itu, metode ini banyak
dipergunakan khususnya jika rentang waktu perbaikan cukup berpengaruh pada
pola operasi sistem tersebut.

1.2 Konsep Pemodelan

Pada kasus single repairable system, state space diagramnya dapat diwakili
seperti yang terlihat pada gambar 8.2.

λ=c

0 1

µ=c

Gambar 1.2-2 single repairable system

Jika

Po(t) = peluang komponen beroperasi pada waktu (t)

P1(t) = peluang komponen gagal pada waktu (t)

λ = laju kegagalan (failure rate)

µ = laju perbaikan (repair rate)

Maka failure density function untuk komponen yang memiliki laju kegagalan
konstan adalah:

f (t ) = λe − λt

Dengan demikian density function untuk kondisi operasi dan gagalnya adalah
secara berturut-turut menjadi:

2
f o (t ) = λe − λt dan f 1 (t ) = µe − µt

jumlah kegagalan dari komponen dalam rentang waktu tertentu

λ=
total waktu operasi komponen

jumlah perbaikan dari komponen dalam rentang waktu tertentu

µ=
total waktu perbaikan komponen

1.3 Evaluasi Time Dependent Probabilities

Jika dt adalah rentang waktu yang relatif kecil dimana selama rentang waktu
tersebut peluang terjadinya prubahan kondisi (state) lebih dari 1 kali tidak
dimungkinkan, maka peluang sistem ditemukan dalam keandaan beroperasi
pada interval t+dt, adalah: peluang sistem beroperasi pada waktu (t) DAN tidak
gagal hingga waktu (t+dt) + peluang sistem gagal saat waktu (t) DAN sudah
diperbaiki di waktu (t+dt). Pernyataan tersebut secara matematis dapat dituliskan
dengan:

Po(t+dt) = Po(t).(1-λdt) + P1(t).(µdt).....................................

Dengan konsep yang sama diperoleh:

P1(t+dt) = P1(t).(1-µdt) + Po(t).(λdt).....................................

Dari persamaan diatas:

Po (t + dt ) − Po (t )
= −λPo (t ) + µP1 (t )
dt , ........................................

jika dt
0 maka

Po (t + dt ) − Po (t ) dPo (t )
dt →0
= = Po ' (t ) ...................................
dt dt

Sehingga

Po’(t) = -λPo(t) + µP1(t) .......................................................

P1’(t) = λPo(t) - µP1(t) .........................................................

Kedua persamaan diatas dapat dituliskan dalam bentuk matrik menjadi:

3
 − λ λ 
[P o
'
]
(t ) P1 ' (t ) = [Po (t ) P1 (t )]  ..................................
µ − µ

Matrik koefisien diatas bukan stochastic transitional probability matrix karena

jumlah barisnya tidak sama dengan satu, melainkan 0 (nol). Kedua persamaan
diatas adalah persamaan diferensial dan dapat diselesaikan dengan
menggunakan laplace transform, karena itu menjadi:

sPo(s) – Po(0) = -λPo(s) + µP1(s) .....................................

dimana Pi(s) adalah lapalace transform dari Pi(t) dan Po(0) adalah nilai awal dari
Po(t). Persamaan diatas dapat disusun kembali menjadi:

µ 1
Po ( s ) = P1 ( s ) + Po (0) ...............................................
s+λ s+λ

λ 1
P1 ( s ) = Po ( s ) + P1 (0) ...............................................
s+µ s+µ

Kedua persamaan diatas selanjutnya dapat disubstitusikan dan menghasilkan

µ  Po (0) + P1 (0)  1 1
Po ( s ) =
µ + λ   + µ + λ . s + λ + µ [λPo (0) − µP1 (0)] ...
s 

λ  Po (0) + P1 (0)  1 1
P1 ( s ) =   + . [µP1 (0) − λP0 (0)] ....
µ +λ  s  µ +λ s+λ +µ

Selanjutnya kedua persamaan tersebut dapat diubah dari laplace domain

menjadi time domain dan menjadi:

− ( λ + µ )t
µ
Po (t ) = [Po (0) + P1 (0)] + e [λPo (0) − µP1 (0)] ................
µ +λ µ +λ

− ( λ + µ )t
λ
P1 (t ) = [Po (0) + P1 (0)] + e [µP1 (0) − λPo (0)] ................
µ +λ µ +λ

Karena saat t=0, nilai Po(0) = 1 dan nilai P1(0) = 0, maka

µ λe − ( λ + µ )t
Po (t ) = + .......................................................
µ +λ µ +λ

λ λe − ( λ + µ ) t
P1 (t ) = + ........................................................
µ +λ µ +λ

4
Po(t) dan P1(t) diatas adalah peluang sistem ditemukan dalam keadaan
beroperasi dan gagal pada waktu (t) dimana sistem mulai dari kondisi beroperasi
saat t=0.

1.4 Evaluasi Limiting State Probabilities

Limiting state probabilities dari sitem adalah non-zero untuk kontinyu Markov jika
sistem adalah ergodic, seperti pada diskrit Markov. Limiting value ini diperoleh
dengan mengevaluasi 2 persamaan terakhir pada sub bab sebelumnya pada
waktu t
∞. Jika limiting value ini disimbulkan dengan Po dan P1 maka diperoleh:

Po = Po(∞) = µ/µ+λ.............................................................

P1 = P1(∞) = λ/µ+λ .............................................................

Kedua persamaan tersebut diatas berlaku pada kasus sistem dimulai pada
kondisi beroperasi maupun sistem dimulai pada kondisi gagal.

Pada bab sebelumnya juga telah disampaiakan bahwa pada distribusi

eksponensial, nilai mean time to Failure (MTTF) adalah:

MTTF = 1/λ........................................................................

Dan mean time to repair adalah:

MTTR = 1/µ .......................................................................

Dengan demikian maka dengan mensubstitusikan ke-empat persamaan diatas

diperoleh:

Po = MTTF/(MTTF+MTTR) ................................................

P1 = MTTR/(MTTF+MTTR) ................................................

Kedua nilai terakhir diatas adalah limiting value atau sering dikenal dengan istilah
availability/ketersediaan (A) dan unavailability/ketidaktersediaan (U) masing
masing untuk Po dan P1.

5
1.5 Disain State Space Diagram

Dalam mempermudah evaluasi keandalan dengan metode Markov, maka

diperlukan kehati-hatian dalam mendisain state space diagram. Pada diagram ini
semua transisi yang mungkin terjadi di dalam sistem harus secara tepat
digambarkan dengan mengertikan terlebih dahulu karakter operasional dari
sistem itu sendiri. Jumlah state/kondisi yang ada di dalam sistem tidak terbatas,
dan ini tergantung pada karakter sistem tersebut.

Pada penjelasan berikut tidak akan disampaikan semua konfigurasi yang

mungkin ada di dalam sistem, namun beberapa konfigurasi utama dan umum
ditemukan didalam sistem akan diuraikan sehingga akan mempermudah dalam
mendisain state space diagram tersebut.

Single repairable component:

Gambar 8.2 pada sub bab sebelumnya menggambarkan state space diagram
untuk single repairable component yang terdiri dari dua state yaitu kondisi
operasi dan kondisi gagal. Pada beberapa kasus, terdapat lebih dari dua state
yang dibutuhkan untuk menggambarkan state space diagram dari satu
komponen. Sebagai contoh, pompa yang sempurna bekerja akan mampu
mengalirkan air dengan kapasitas penuh. Pada kondisi tertentu mungkin hanya
sebagian kapasitas saja yang dapat dialirkan atau tidak mampu mengalirkan air
sama sekali. Ketiga kondisi ini dapat digambarkan menjadi sebuah state space
diagram seperti dibawah ini:

0
Full
µ1 output
µ3
λ1 λ3
λ2
1 2
Partial failed
output
µ2

Gambar 1.5-3 single repairable system dengan 3 kondisi

6
Pada gambar diatas tidak semua transisi harus ada, dan ini tergantung pada
karakteristik operasional dari sistem tersebut. Sebagai contoh, laju transisi µ2
mungkin tidka perlu ada karena saat pompa gagal, proses perbaikan umumnya
mengembalikan pompa pada kapasitas penuh, bukan pada setengah
kapasitasnya saja.

Two repairable components:

Jika sistem terdiri dari dua komponen yang dapat diperbaiki, maka akan terdapat
4 (empat) buah state/kondisi seperti terlihat pada gambar berikut.

1 λ1 2
1 UP 1 DN
2 UP µ1 2 UP

µ2 λ2 λ2 µ1

3 λ1 2
1 UP 1 DN
2 DN µ1 2 DN

Gambar 1.5-4 two repairable components

Jika kedua komponen tersebut diatas terhubung secara seri maka sistem akan
beroperasi pada kondisi 1 saja, dan sistem akan gagal beroperasi pada kondisi 2,
3 dan 4. Sebaliknya jika dua komponen tersebut terhubung paralel, maka operasi
sistem akan dijamin oleh kondisi 1, 2 dan 3, dan kondisi 4 akan menjamin sistem
gagal. Dengan demikian:

Untuk sistem seri:

Pup = A = P1 Pdown = U = P2 + P3 + P4

Dan untuk sistem paralel:

Pup = A = P1+ P2 + P3 Pdown = U = P4

Beberapa variasi mungkin terdapat di dalam state space diagram diatas,

misalnya jika ada kemungkinan bahwa kedua pompa gagal bersamaan dan
dapat diperbaiki secara bersamaan pula aliran transisi dari 4 ke 1 akan muncul

7
Jika kedua pompa yang dibahas diatas adalah pompa yang identik, maka state
space diagram diatas akan menjadi:

1 2λ 2 λ 3
1 UP 1 Comp 1 DN
2 UP UP 2 DN
µ 2µ

Gambar 1.5-5 dua komponen identik

Transisi dari kondisi 1 ke kondisi 2 bernilai 2λ. Ini berarti bahwa terdapat dua
pompa yang memiliki peluang gagal, namun hanya satu pompa saja yang akan
gagal. Demikin juga halnya dengan transisi dari kondisi 3 ke kondisi 2 yang
bernilai 2µ, terdapat 2 pompa yang gagal dan punya peluang untuk diperbaiki
namun hanya satu pompa saja yang akan diperbaiki.

Three repairable components:

Jumlah maksimum kondisi yang dimungkinkan pada sistem yang terdiri dari 3
komponen adalah 23 = 8 kondisi, seperti terlihat pada gambar berikut.

1
1 UP
2 UP
3 UP
λ1 µ1 µ3 λ3
µ2
λ2
2 3 4
1 DN µ1 1 UP µ2 1 UP
2 UP 2 DN 2 UP
3 UP µ3 3 UP 3 DN

µ2 µ3 µ1
λ2 λ3 λ1
5 6 λ3 7
1 DN λ1 1 UP λ2 1 DN
2 DN 2 DN 2 UP
3 UP 3 DN 3 DN

µ1
λ1 λ2 µ2
µ3 λ3 8
1 DN
2 DN
3 DN

Gambar 1.5-5 tiga komponen repairable

8
Dengan demikian maka:

Untuk sistem seri:

Pup = A = P1 Pdown = U = P2 + P3 + P4 + P5 + P6 + P7 + P8

Untuk sistem paralel:

Pup = A = P1 + P2 + P3 + P4 + P5 + P6 + P7 Pdown = U = P8

Untuk sistem dimana sukses dijamin oleh minimal 2 komponen (2 out of 3):

Pup = A = P1 + P2 + P3 + P4 Pdown = U = P5 + P6 + P7 + P8

Standby redundant system:

Pada standby redundant system dengan satu komponen beroperasi dan satu
komponen pada posisi standby dan akan menggantikan fungsi komponen utama
saat komponen utama tersebut gagal, maka state space diagram dari ssistem
tersebut jika diasumsikan bahwa switch yang menghubungkan kedua komponen
tersebut selalu sukses (sempurna) adalah:

1 4
1 UP 1 UP
2 SB µ2 2 DN

µ1 λ1 λ1 µ1

2 λ2 3
1 DN 1 DN
2 UP µ2 2 DN

Gambar 1.5-6 two repairable components

1.6 Stochastic Transitional Probability Matrix

Pada penjelasan di Bab sebelumnya, stochastic transitional probability matrix

telah dibahas, dimana matrix ini mewakili probabilitas transisi dari satu kondisi ke
kondisi yang lain. Untuk kontinyu Markov, konsep yang sama dipergunakan
namun pada kasus kontinyu Markov, setiap transisi dikalikan dengan sebuah

9
nilai interval diskrit (∆t). Interval ∆t ini adalah waktu interval yang relatif kecil
dimana peluang munculnya dua kali perubahan transisi atau lebih tidak
dimungkinkan. Dengan demikian, stochastic transitional probability matrix untuk
satu komponenyang dapat diperbaiki akan menjadi:

1 − λ ∆ t λ∆t 
P=
 µ∆ t 1 − µ ∆ t 

1.7 Evaluating Limiting State Probabilities

Masih sama dengan konsep diskrit Markov, maka perkalian limiting state
probability vector (α) dengan stochastic transitional probability matrix (P) harus
menghasilkan limiting state probability vector (α) seperti dibawah ini:

α P = α ..............................................................................

Ini akan menghasilkan:

1 − λ∆t λ∆t 
[Po P1 ]  = [Po P1 ] ..........................................
 µ∆t 1 − µ∆t 

Yang dapat dituliskan kembali menjadi:

(1-λ∆t)Po + µ∆tP1 = Po .......................................................

λ∆tPo + (1-µ∆t)P1 = P1 .......................................................

Persamaan tersebut diatas dapat disederhanakan menjadi:

-λ∆tPo + µ∆tP1 = 0 .............................................................

λ∆tPo - µ∆tP1 = 1 ...............................................................

Jika ∆t adalah non-zero dan finite, maka:

-λPo + µP1 = 0....................................................................

λPo - µP1 = 1......................................................................

Yang akan menghasilkan limitig value untuk Po dan P1 menjadi:

10
 Po = Po(∞) = µ/µ+λ.............................................................

P1 = P1(∞) = λ/µ+λ .............................................................

Pada kasus dua komponen identik yang repairable, maka diperoleh stochastic
transitional probability matrix seperti:

1 − 2λ 2λ 0 
 µ 1− µ − λ λ  ......................................................

 0 2µ 1 − 2µ 

Dengan demikian, untuk mencari limiting state probabilities-nya persamaan α P =

α tetap dipergunakan dan menjadi:

1 − 2λ 2λ 0 
[P1 P 2 P3] µ 1 − µ − λ λ  = [P1 P 2 P3] ..............

 0 2µ 1 − 2µ 

Yang akan menghasilkan:

P1(1-2λ) + P2µ= P1 ........................................................

P12λ + P2(1-λ-µ) + 2µ P3 = P2 .........................................................
P2λ + P3(1-2µ) = P3.........................................................

Jika disederhanakan akan menjadi:

-2λP1 + P2µ= 0..............................................................

P12λ - (λ+µ)P2 + 2µ P3 = 0..............................................................
P2λ - 2µP3= P3 ...........................................................
P1 + P2 + P3 = 0 ............................................................

Dengan menggunakan metode substitusi maka diperoleh limiting value:

P1 = µ2/(λ+µ)2 P2 = 2λµ/(λ+µ)2 P3 = λ2/(λ+µ)2 ............

Untuk sistem seri:

Pup = A = P1 = µ2/(λ+µ)2

Pdown = U = P2 + P3 = 2λµ/(λ+µ)2 + λ2/(λ+µ)2

Untuk sistem paralel:

Pup = A = P1 + P2 = µ2/(λ+µ)2 + 2λµ/(λ+µ)2

11
Pdown = U = P3 = + λ2/(λ+µ)2

1.8 Evaluating Time Dependent State Probabilities

Dalam menentukan Time Dependent State Probabilities, sekali lagi metode

persamaan diferensial dapat dipergunakan. Sistem yang terdiri dari 2 komponen
identik akan dibahas pada bagian ini, dimana persamaan diferensial yang
disusun dalam bentuk matrik akan menjadi:

 − 2λ 2λ 0 
[P1 ' (t ) P2 ' (t ) P3 ' (t )] = [P1 (t ) P2 (t ) P3 (t )] µ −µ −λ λ  ...
 0 2µ − 2µ 

Matrik diatas dapat diubah menjadi persamaan sebagai berikut:

P1’(t) = -P1(t)2λ + P2(t)µ ..................................................................

P2’(t) = P1(t)2λ - P2(t)(λ+µ) + 2µ P3(t)..............................................
P3’(t) = P2(t)λ - P3(t)2µ ....................................................................

Persamaan-persamaan diatas dapat diubah menjadi Laplace domain menjadi:

sP1(s)- P1(0) = -2λP1(s) + P2(s)µ.....................................................

sP2(s)- P2(0) = P1(s)2λ - P2(s)(λ+µ) + 2µ P3(s)................................
sP3(s)- P3(0) = P2(s)λ - P3(s)2µ.......................................................

Asumsikan sistem dimulai dari kondisi 1, maka P1(0) = 1; P2(0) = 0; P3(0) = 0,

(s + 2λ)P1(s) = 1 + P2(s)µ ...............................................................

(s + λ + µ)P2(s) = P1(s)2λ + 2µ P3(s)...............................................
(s + 2µ) P3(s) = P2(s)λ ....................................................................

Kita akan menyelesaikan probabilitas salah satu kondisi saja, yakni P2, dimana
dengan substitusi ketiga persamaan diatas atau dengan metode Cramer, akan
diperoleh:

2λs + 4λµ
P2 ( s ) = ...........................................................
s ( s + λ + µ )(s + 2λ + 2µ )

Dengan aturan-aturan transformasi Laplace, persamaan diatas dapat disusun

kembali menjadi:

12
 2λs + 4λµ A B C
≡ + + ..............................
s ( s + λ + µ )( s + 2λ + 2µ ) s s + λ + µ s + 2λ + 2µ

Yang akan menghasilkan:

2λs + 4λµ ≡ A( s + λ + µ )(s + 2λ + 2µ ) + B.s.( s + 2λ + 2µ ) + C.s ( s + λ + µ ) .......

Jika s = 0
A = 2λµ/(λ+µ)2

Jika s = -(λ+µ)
B = 2λ(λ-µ)/(λ+µ)2

Jika s = -(2λ+2µ)
C = -2λ2/(λ+µ)2

Sehingga:

2λµ 2 λ (λ − µ ) 2λ 2
P2 ( s ) = + − ..................
s (λ + µ ) 2 ( s + λ + µ )(λ + µ ) 2 ( s + 2λ + 2µ )(λ + µ ) 2

Persamaan diatas dapat dikembalikan ke domain waktu dan menjadi:

2λµ 2 λ (λ − µ ) 2λ 2
P2 (t ) = + e −(λ + µ )t − e − ( 2λ + 2 µ )t .........................
(λ + µ ) 2 (λ + µ ) 2 (λ + µ ) 2

Dengan proses yang sama didapatkan untuk P1(t) dan P3(t) adalah:

µ2 2λµ −( λ + µ )t λ2
P1 (t ) = 2
+ 2
e − 2
e − ( 2λ + 2 µ )t ...........................
(λ + µ ) (λ + µ ) (λ + µ )

λ2 2λ 2 − (λ + µ )t λ2
P3 (t ) = + e + e − ( 2λ + 2 µ )t ...........................
(λ + µ ) 2 (λ + µ ) 2 (λ + µ ) 2

1.9 Evaluasi keandalan pada repairable system

Nilai P1(t), P2(t) dan P3(t) adalah peluang sistem ditemukan dalam 3 kondisi yang
berbeda atau sering disebut dengan state availability values. Jika yang hendak
kita hitung adalah keandalan sistem secara keseluruhan, kita harus tentukan
dimana sistem akan berhenti. Kondisi ini bisa diwujudkan dengan menjadikan
kondisi 3 sebagai absorbing state. Jika ini terjadi, maka saat sistem memasuki
kondisi 3 maka sistem akan terhenti sampai sistem memulai misi kembali dari
kondisi 1. Dengan demikian persamaan 8.10 akan berubah menjadi:

13
 − 2λ 2λ 0
[P1 ' (t ) P2 ' (t ) P3 ' (t )] = [P1 (t ) P2 (t ) P3 (t )] µ − µ − λ λ  ...............
 0 0 0 

Dengan menggunakan cara yang sama seperti pada penjelasan pada sub bab
sebelumnya, matrik diatas dapat diubah kedalam bentuk persamaan diferensial
dan diselesaikan dengan transformasi Laplace. Proses ini akan menghasilkan:

s1 exp(− s 2 t ) − s 2 exp(− s1t )

R(t ) = P1 (t ) + P2 (t ) = ......................................
s1 − s 2

Dimana:
1 1
s1 = (3λ + µ + λ 2 + 6λµ + µ 2 ) dan s2 = (3λ + µ − λ 2 + 6λµ + µ 2 )
2 2

Jika pada sistem yang tidak dapat diperbaiki, maka ekspresi keandalan sistem
yang terdiri dari 2 komponen yang identik tersebut dapat diekspresikan dengan:

R(t ) = e − λt + e − λt − e −2λt = 2e −λt − e −2λt ..................................................

Disini terlihat bahwa perbedaan antara kedua kondisi diatas pada kasus
repairable system, maka sistem akan gagal hanya jika komponen kedua gagal
sebelum komponen pertama yang gagal terlebih dahulu belum diperbaiki. Namun
pada kasus non-repairable system, tidak ada perbaikan yang dimungkinkan
sehingga sistem akan gagal jika semua komponen gagal beroperasi, atau saat
komponen kedua gagal beroperasi setelah komponen pertama gagal.

Pada kasus repairable system, Mean Time To Failure didapatkan dengan

mengintegralkan R(t) pada persamaan 8.12 menjadi:

∞
s1 + s 2 3λ + µ
∫
MTTF = R (t )dt =
0
s1 s 2
=
2λ 2

Pada kasus non-repairable system, Mean Time To Failure didapatkan dengan

mengintegralkan R(t) pada persamaan 8.13 dan menghasilkan:

MTTF = 3/2λ

Nilai MTTF diatas juga bisa diperoleh dengan menggunakan stochastic

transitional probability matrix seperti dijelaskan pada kasus diskrit Markov. Pada
kasus sistem dengan 2 komponen identik yang terhubungkan paralel, jika kondisi

14
3 adalah absorbing state, maka matrik Q didapat dengan menghilangkan kolom
dan baris ke 3 dari stochastic transitional probability matrix, menghasilkan:

1 − 2λ 2λ 
Q=  ........................................................................
 µ 1− µ − λ 

Matrik N didapat dengan menjadikan matrik Q sebagai pengurang matrik

identitas, dan menjadi:

1 0 1 − 2λ 2λ   2λ − 2λ 
N = [ I − Q] =  − = ...........................
0 1  µ 1 − µ − λ  − µ λ + µ 

Inverse dari matrik N adalah:

−1
−1  2λ − 2λ  1 λ + µ 2λ 
N =  =   ..............................................
− µ λ + µ  2λ 2  µ 2λ 

Jika sistem dimulai dari kondisi 1, maka

MTTF = m11 + m12 = [(λ+µ)+(2λ)]/2λ2 = 3(λ+µ)/2λ2 .........................

Nilai diatas identik dengan hasil sebelumnya yang didapat dengan

mengintegralkan R(t).

Jika sistem dimulai dari kondisi 2 (salah satu komponen beroperasi) maka

MTTF = m21 + m22 = (2λ+µ)/2λ2 ......................................................

Jika sistem dengan 2 komponen identik diatas terhubung secara seri antara satu
komponen dengan komponen yang lainnya maka kondisi 2 (satu komponen
beroperasi) dan kondisi 2 (kedua komponen gagal) adalah merupakan absorbing
state. Dengan demikian maka matrik Q didapat dengan menghilangkan kolom
dan baris ke 2 dan ke 3 dari stochastic transitional probability matrix,
menghasilkan:

Q = [1− 2λ ] .......................................................................................

1
N −1 = [I − Q ]−1 = [2λ ]−1 = ...............................................................
2λ

15
1.10 Aplikasi Pada Sistem Yang Lebih Kompleks

Secara umum prosedur yang harus dilakukan untuk melakukan evaluasi

keandalan dengan metode Markov pada sistem yang lebih kompleks adalah
dengan mengikuti langkah-langkah sebagai berikut:

(1) Identifikasi semua kondisi (state) dimana sistem mungkin bertransisi

(2) Tentukan peluang transisi dari satu kondisi ke kondisi yang lainnya
seperti yang teridentifikasi pada langkah 1.

(3) Turunkan persamaan diferensial yang sesuai atau susunlah stochastic

transitional probability matrix-nya..

(4) Dengan metode persamaan diferensial atau perkalian matrik, tentukan

time dependent state probabilitiesnya (jika diperlukan)

(5) Dengan menggunakan prinsip αP = α, hitung limiting state

probabilitiesnya.

(6) Tentukan availability dan unavailability, dengan menggambungkan nilai

probabilitas kondisi-kondisi yang bersesuain yang menjamin sistem
beroperasi dan sistem gagal.

(7) Dengan menggunakan prinsip absorbing state, selesaikan persamaan

diferensial yang dimodifikasi untuk menentukan keandalan sistem dan
selanjutnya gunakan persamaan tersebut untuk mendapatkan MTTF.
Jika persamaan diferensial tidak dapat dipergunakan untuk melakukan
proses ini, maka gunakan metode perkalian matrik.

Untuk memberikan ilustrasi pemakaian prosedur diatas dalam melakukan

evaluasi keandalan sistem yang lebih kompleks, perhatikan sistem yang
tergambar dibawah ini. (Gambar 8.7).

(1) Gambar 8.5 adalah state space diagram untuk kasus hubungan seri-
paralel seperti terlihat pada gambar 8.7.

16
(2) Laju transisi yang mungkin terjadi pada sistem juga telah dijelaskan
pada gambar 8.5.

Gambar 1.10-7 sistem kombinasi seri-paralel

(3) Stochastic transitional probability matrix sistem diatas adalah seperti

berikut:

1 − λ1 − λ2 − λ3 λ1 λ2 λ3 − − − − 
 
 µ1 1 − µ1 − λ2 − λ3 − − λ2 − λ3 − 
 µ2 − 1 − µ 2 − λ1 − λ3 − λ1 λ3 − − 
 
 µ3 − − 1 − µ3 − λ1 − λ2 − λ2 λ1 − 
P= 
− µ2 µ1 − 1 − µ 2 − λ1 − λ3 − − λ3
 
 − − µ3 µ2 − 1 − µ2 − µ3 − λ1 − λ1 
 
 − µ3 − µ1 − − 1 − µ1 − µ3 − λ2 λ2 
 − − − − µ3 µ1 µ2 1 − µ1 − µ 2 − µ3 

(4) Jika Stochastic transitional probability matrix tersebut dikalikan dengam

matriks itu sendiri sejumlah yang diinginkan, maka didapatkan time
dependent state probabilities setelah interval yang diinginkan.

(5) Jika limiting state probability vektor α=[P1 P2 P3 P4 P5 P6 P7 P8] dikalikan

dengan Stochastic transitional probability matri dan harus sama dengan
limiting state probability vektor α, maka akan didapatkan limiting value.

(6) Jika sistem pada gambar 8.7 dapat beroperasi jika minimal salah satu
dari komponen 2 dan 3 dapat beroperasi, maka Pup=P1 + P3 + P4 dan
Pdown = P2 + P5 + P6 +P7 + P8

(7) Jika sistem pada gambar 8.7 dapat beroperasi jika kedua komponen 2
dan 3 harus beroperasi, maka Pup=P1 dan Pdown = P2 + P3 + P4 + P5 + P6
+P7 + P8

17
(8) Jika sistem pada gambar 8.7 dapat beroperasi jika minimal salah satu
dari komponen 2 dan 3 dapat beroperasi, maka kondisi 2, 5, 6, 7 dan 8
adalah absorbing state dan memberi nilai Q adalah:

1 − λ1 − λ 2 − λ 3 λ2 λ3 

Q= µ2 1 − µ 2 − λ1 − λ 3 − 

 µ3 − 1 − µ 3 − λ1 − λ 2 

(9) Dari matrik Q diatas selanjutnya dapat dihitung inverse dari matrik
dimana N-1=[I-Q]-1 dan selanjutnya keandalan sistem dapat didapatkan
dengan menggunakan metode persamaan diferensial.

18
19