Konsep Distribusi
Proses evalusi keandalan sistem secara umum
Numeric function
Random variabel (variabel bebas/acak) dipergunakan untuk menghubungkan antara hasil eksperimen (kualitatif/kuantitatif) menjadi numeric function (fungsi numerik). Disebut sebagai variable karena terdapat banyak nilai numeric yang dimungkinkan, dan disebut sebagai random karena nilai numeric yang diamati sangat tergantung pada hasil eksperimen.
S -1
-2
5.99 5.99 5.99 5.99 5.99 6.00 6.00 6.00 6.00 6.00 6.01 6.01 6.02 6.02 6.02
0.25
frekuensi
panjang, panjang, m
Selain cara pengelompokan diatas, cara lain yang bisa dipergunakan untuk menyajikan data diskrit adalah dengan menggunakan cummulative probability distribution function. Ini dilakukan dengan menyusun nilai dari random variabel dari kecil ke besar ( atau sebaliknya) dan selanjutnya dan secara bertahap menjumlahkannya. Dengan demikian maka jumlah total probabilitasnya adalah 1 (luasan area dibawah grafik adalah 1). Dengan cara seperti ini maka diketahui berapa probabilitas dari sebuah random variabel yang lebih kecil atau sama dengan (O) nilai tertentu.
5.97
5.98
5.99
6.00
6.01
6.02
Data yang dibahas diatas adalah data diskrit. Hal ini disebabkan oleh salah satunya adalah terbatasnya jumlah data (finite). Dengan demikian jika data menjadi jauh lebih banyak (infinite) maka akan menjadi continuous random variabel. Gambar diatas akan berubah menjadi gambar seperti berikut:
Pada data diskrit, probability distribution function didapat dengan menjumlahkan, namun pada data kontinyu didapatkan dengan cara mengintegralkan seperti di bawah ini:
a
P ( a x b) =
f ( x)dx
b
E ( x) =
x p
i i =1
Dimana xi adalah kejadian yang muncul dan pi adalah peluang munculnya kejadian tersebut. Total peluang pi adalah 1.
Kasus: peluang seseorang yang berumur 30 tahun akan tetap bertahan hidup pada rentang waktu tertentu adalah 0,995. Sebah perusahaan asuransi menawarkan paket asuransi dengan nilai pertanggungan USD 2000 dengan premi USD 20. Berapakah nilai harapan (expecred value) keuntungan yang diharapkan didapat oleh perusahaan asuranasi tersebut?
V ( x) =
(x
i =1
E ( x)) 2 Pi
= + V (x )
Distribusi Binomial
Ada beberapa syarat agar distribusi binomial dapat dipergunakan untuk mewakili data diskrit: 1. eksperimen pengambilan data merupkan percobaan berulang sejumlah n dimana n adalah ditentukan diawal eksperimen. 2. pengambilan data (percobaan) dilakukan secara identik dan hasil dari percobaan hanya terdiri dari dua kejadian yang dimungkinkan, dinotasikan dengan sukses (S) dan gagal (F). 3. Kejadian yang muncul selama eksperimen adalah bebas (independent) atau hasil satu eksperimen tidak akan berpengaruh terhadap hasil eksperimen berikutnya. 4. Peluang sukses (p) selalu sama dari waktu ke waktu demikian juga dengan peluang gagal (q).
Distribusi Binomial
Kasus: Satu koin di toss satu kali Kejadian yang mungkin: head (H) dan tail (L): (H), (T) Ekspresi binomial : P(H) + P(T) = [P(H)+P(T)]1 Kasus: Satu koin di toss dua kali Kejadian yang mungkin adalah : (HH), (HT), (TH), (TT) Ekspresi binomial : P2(H)+ 2 P(H)P(T) + P2(T) = [P(H)+P(T)]2 Kasus: Satu koin di toss tiga kali Kejadian yang mungkin adalah : (HHH), (HTH), (HHT), (THH), (TTH), (THT), (HTT) dan (TTT) Ekspresi binomial : P3(H)+ 3 P2(H)P(T) + 3 P(H)P2(T)+P3(T) = [P(H)+P(T)]3 Secara umum ekspresi binomial dituliskan dengan (p + q)n dimana p adalah peluang sukses, q adalah peluang gagal dan n adalah jumlah eksperimen (orde).
( p + q) n =
i =0
r (n r ) =1 n Cr p q
nCr
adalah kombinasi r dari n. R adalah jumlah kejadian sukses dan (n-r) adalah jumlah kejadian gagal.
Distribusi Binomial
Jika sebuah koin di tos 5 kali maka akan didapat hasil seperti tabel berikut:
52130 0 ,
52651 0 ,
52651 0 ,
52130 0 ,
5213 0 ,
5213 0 ,
eu a V l
5 4 3 2 1 0
ytl baborplaud v dn ii ii I )2/1 0 2/1 0 C5 () ( )2/1 )2/1 1 C5 ( ( )2/1 2 2/1 2 C5 () ( )2/1 )2/1 3 C5 ( ( )2/1 4 2/1 4 C5 () ( )2/1 5 2/1 5 C5 () ( no sserpxe i
1 3
l aT i 5 4 3 2 1 0
Distribusi Binomial
Probabiliti density (mass) functionnya
10 9 8 7 Pr ob ab ili ty x 32 6 5 4 3 2 1 0 1 2 3 Number of heads 4 5 C o m m ul at iv e pr ob ab ili ty
Number of heads
Distribusi Binomial
Jika jumlah percobaan relatif kecil, maka tidak ada kesulitan untuk mencari peluang untuk masing-masing kejadian yang dimungkinkan. Tapi jika jumlah percobaan adalah besar, maka salah solusinya adalah dengan menggunakan segitiga pascal.
1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 ..
Kasus: Sebuah proses manufaktur menghasilkan produk yang diklaim hanya memiliki 1% produk sub-standard. Jika seorang pelanggan membeli 50 buah produk tersebut, berapakah peluang dia akan mendapat maksimal 2 produk yang sub-standard. n = 50, p = 0,99 q = 0,01
2 1 2
2689.0
O2
Distribusi Binomial
EXPECTED VALUE DAN STANDARD DEVIATION
V ( x) = n. p.q
= + n. p.q
Kasus:Sebah produk diklaim 90% free of defect, berapakah expected value dan standard deviation pada sampel yang berjumlah 4.
Distribusi Poisson
Sebuah random variabel x dikatakan memiliki distribusi poisson jika probability mass function dari x adalah:
p ( x; ) =
e x x!
Poison distribution (sama seperti eksponential distribution) hanya berlaku jika (dalam konteks reliability sering disebut dengan hazard rate atau failure rate) adalah konstant di sepanjang waktu. disini bisa laju per unit waktu atau per unit luas, miss: laju kegagalan komponen pada sistem mekanik, dsb. e adalah nilai dasar logaritmik natural yang besarnya adalah 2.71828. Jika dt adalah interval yang cukup kecil, dimana probabilitas terjadinya lebih dari satu kejadian (kegagalan) adalah nol (0) maka dt = probability of failure dalam interval dt, i.e. dalam periode (t, t+dt)
Distribusi Poisson
Kasus zero failure
Jika Px(t) adalah probabilitas terjadinya kegagalan sejumlah x kali dalam interval (0,t) , maka probability of zero failure dalam rentang (0, t+dt) adalah probability of zero failure dalam interval (0,t) x probability of zero failure dalam interval (t, t+dt) Po(t + dt) =Po(t) . (1 - dt) Jika kedua kejadian tersebut adalah bebas satu sama lain (independent) maka [ Po(t + dt) - Po(t) ] / dt = -Po(t) Jika dt 0, atau interval menjadi sangat kecil dan mendekati nol (0), maka jika di integralkan akan menjadi:
Pada t=0, di asumsikan bahwa komponen dalam keadaan beroperasi, sehingga pada t=0 Po(0) = 1, Ln Po(t) = 0 dan ini memberikan nilai C = 0, sehingga :
Po(t) = e- t
Distribusi Poisson
Kasus zero failure Po(t) = e- t
Rumus diatas adalan ekspresi pertama dari poisson distribution yang menunjukkan probability of zero failures dalam rentang waktu t. Dalam konteks reliability, maka: Keandalan sebagai fungsi waktu adalah R(t) Ke-tidak handalannya adalah Q(t) = e- t
= 1- R(t) = 1- e- t = -dR(t)/dt = e- t
10
Distribusi Poisson
Kasus multiple failure
Jika Px(t) adalah peluang/probabilitas kegagalan terjadi x kali dalam interval (0, t), maka: Px (t+dt) = Px(t) . [ P(zero failure pada interval t, t+dt ) ] + Px-1(t) . [ P(one failure pada interval t, t+dt ) ] + Px-2(t) . [ P(two failure pada interval t, t+dt ) ] + ..... Po(t) . [ P(x failure pada interval t, t+dt ) ] Akan tetapi karena dt adalah interval yang sangat kecil sehingga peluang terjadinya kegagalan lebih dari satu adalah nol (0), maka: Px (t+dt) = Px(t) . [ P(zero failure pada interval t, t+dt ) ] + Px-1(t) . [ P(one failure pada interval t, t+dt ) ] = Px (t)(1- dt) + Px-1(t)( dt) = Px (t) - dt [ Px (t) - Px-1(t) ] Dengan demikian, maka: Px (t) =[ (t)x . e- t ]/ x! bandingkan dengan rumus sebelumnya!!
Ekspresi t diatas sering disimbolkan dengan yang tidak lain adalah expected value (E(x) (nilai harapan).
Distribusi Poisson
Jika x adalah jumlah retak pada permukaan boiler yang dipilih secara acak dan terdistribusi poisson dengan = 5, maka berapakah probabilitas boiler yang secara acak dipilih akan memiliki retak sejumlah 2. P(X=2) = [e-5 . (5)2] / 2! = 0.084 Peluang boiler memiliki paling banyak 2 retak adalah:
P(XO2) =
x =0
e 5 5 x 25 = e 5 (1 + 5 + ) = 0.125 x! 2!
Jika random variabel X terdistribusi menurut distribusi poisson dengan parameter , maka E(X) dan V(X) =
11
R (t ) =
Ns(t ) No Nf (t ) Nf (t ) = = 1 No(t ) No No
Peluang gagalnya komponen atau cummulative failure distribution Q(t) akan menjadi:
Q (t ) =
Nf (t ) No
dR (t ) dQ(t ) 1 dNf (t ) = = . dt dt No d (t )
12
f (t ) =
1 dNf (t ) . No d (t )
(t ) =
(t ) =
Dari ekspresi diatas diketahui bahwa saat t=0, maka f(0) = 0 karena R(0) = 1. Disamping itu juga terlihat baha hazard rate fungsi yang tergantung pada failure density function. Dalam konteks phisik dapat diterjemahkan bahwa failure density function memungkinkan peluang gagal dihitung disetiap waktu pada masa yang akan datang, sementara hazard rate memungkinkan peluang kegagalan dihitung pada masa yang akan datang dimana diketahui bahwa sistem/komponen dalam kondisi sukses sampai waktu t.
ln R(t ) = (t )dt
o
R (t ) = e t
Guna memberikan ilustrasi prosedur dalam melakukan evaluasi berbagai fungsi keandalan, contoh berikut akan dievaluasi. 1000 buah komponen yang identik dievaluasi . Diperoleh hasil evaluasi seperti pada tabel berikut:
13
3 cummulative failures
5 failure density function 2/1000 f 0,14 0,085 0,075 0,068 0,06 0,053 0,048 0,043 0,038 0,034 0,031 0,028 0,04 0,06 0,075 0,06 0,042 0,015 0,005 0
8 Hazard Rate 2/ave4 0,151 0,104 0,102 0,102 0,100 0,097 0,097 0,096 0,093 0,091 0,091 0,090 0,144 0,264 0,470 0,652 1,024 1,200 2,000
Nf 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 140 85 75 68 60 53 48 43 38 34 31 28 40 60 75 60 42 15 5 0 140 225 300 368 428 481 529 572 610 644 675 703 743 803 878 938 980 995 1000
Ns 1000 860 775 700 632 572 519 471 428 390 356 325 297 257 197 122 62 20 5 0
Q 0 0,14 0,225 0,3 0,368 0,428 0,481 0,529 0,572 0,61 0,644 0,675 0,703 0,743 0,803 0,878 0,938 0,98 0,995 1
R 1 0,86 0,775 0,7 0,632 0,572 0,519 0,471 0,428 0,39 0,356 0,325 0,297 0,257 0,197 0,122 0,062 0,02 0,005 0
71
71
n tu b rt s D er u a F e v t a u m m u C no ii tu b ii rt s ii D er u ll ii a F e v iit a ll u m m u C
51
51
31
31
lavretni ut kaw
la vretn i
11
11
2,1
8,0
6,0Q (
4,0
2,0
2, 1 8, 0 6, 0 4, 0 2, 0 1 0
t )
k e a n d a l a n
i n d e k s
61 51 41 31 21 11 01
91
71
31
utkaw lavretni
lavretn i
11
h 003,0 a z a r d 004,0 a r t e
14
Distribusi Normal
Distribusi normal sering disebut dengan distribusi Gaussian adalah salah satu jenis distribusi yang paling sering digunakan dalam menjelaskan sebaran data. Probability density function dari distribusi normal adalah simetris terhadap nilai rata-rata (mean) dan dispersi terhadap nilai rata-ratanya diukur dengan nilai standard deviasi. Dengan kata lain parameter distribusi normal adalah mean dan standard deviation. Probability density function dari distribusi normal dapat ditulis dengan:
f ( x) =
(x ) 2 exp 2 2 2 1
Jika mean () dan standard deviasi (), maka ekspresi diatas dapat ditulis:
f ( x) =
(x ) 2 exp 2 2 2 1
0.5
0.798/
0.159 0 - + x 0 x
15
Terlihat bahwa kurva melewati titik dengan probabilitas 0.5 jika random variabel x memiliki nilai . (expected value). Ini adalah karakteristik khusus dari distribusi normal yang menunjukkan bahwa distribusi normal sangat simetris terhadap nilai rata-rata. Nilai menunjukan posisi dari kurva dan sering disebut dengan istilah location parameter. Nilai menunjukkan derajat kemencengan (dispersi) dan sering dikenal dengan istilah scale parameter. Luar daerah dibawah p.d.f adalah sama dengan satu (unity), dengan demikian maka:
(x ) 2 exp dx = 1 2 2
Persamaan diatas berarti bahwa luasan daerah dibawah kurva density function antara dua titik tidak terbatas harus mencakup semua random variable x yang mungkin dan harus sama dengan satu. Akan tetapi hitungan integral ini sangat kompleks. Karena itu, dalam kasus distribusi normal umum digunakan teknik pendekatan dengan hitungan manual, dengan konversi sebagai berikut:
f ( z) =
z2 exp 2 2 1
dimana random variabel sekarang adalah z, nilai rata-rata (mean) nya adalah 0 (nol) dan standar deviasinya adalah 1 (unity). Substitusi ini menghasilkan kurva standard dimana deviasi dari random variabel terhadap mean diekspresikan dalam parameter z. (lihat tabel z pada buku-buku statistik). Pada tabel ini luasan daerah dibawah kurva density function dapat dicari berdasarkan nilai dan nilai . Dari gambar 1.4-7 terlihat bahwa total luas dalam interval 3 adalah 0.9972 atau mendekati 1 (unity). Dengan demikian nilai 3 sering dipergunakan sebagai confidence limit dari distribusi normal.
16
17
0.3413
0.3413
0.1359
0.1359
0.0214
0.0214
-3
-2
-1
Kasus: PLN memasang 2000 lampu yang memiliki usia rata-rata 1000 jam pemakaian dengan standard deviasi 200 jam. Berapa lampu yang diharapkan gagal setelah 700 jam operasi?
= 1000 dan -= 200 z = (700-1000)/200 = -1.5, Dari tabel didapat luasannya adalah: 0.5 0.4332 = 0.0668, sehingga: Q(1.5) = 0.0668 , Q(-1.5) = 0.0668
18
Berapa lampukah diharapkan akan gagal dalam interval waktu 900 dan 1300 jam. A1: z = (900-1000)/200 = -0.5 A2: z = (1300-1000)/200 = 1.5 Dari tabel A1 = 0.1915 A2 = 0.4332 Total area adalah = 0.1915+0.4332 = 0.6247 E(x) = 2000 x 0.6247 = 1250 lampu
Dalam berapa waktukah diperkirakan bahwa 10% dari lampu akan mengalami kegagalan: harus dicari nilai z yang memberikan luasan 10% seperti pada gambar disamping. 0.5 - 0.1= 0.400, dimana z = -1,2817 Jadi (x-1000)/200 = -1.2817 X = 744 jam.
10%
744 -1.2817
100 0 0
x z
Distribusi Eksponensial
Distribusi eksponensial, atau distribusi negatif eksponensial merupakan salah satu distribusi yang paling sering muncul dalam konteks evaluasi keandalan. Pada distribusi ini, laju kegagalan adalah konstan ( = C). Distribusi eksponensial adalah kasus khusus dari distribusi Poisson jika hanya kegagalan yang pertama saja yang diperhitungkan. Distribusi eksponensial hanya berlaku pada useful life period saja pada bath-tub curve. Peluang sebuah komponen sukses daram rentang waktu t jika hazard rate nya konstan adalah: R(t) = e-t Dengan demikian, failure density function nya adalah: f(t) = -dR(t)/dt =e-t Density function (a) diwakili oleh cummulative failure distribution (Qt) dan survivor function (Rt). Dua area ini dapt dihitung dengan:
Q (t ) = .e .t dt = 1 e .t
0
R (t ) = 1 Q (t ) = .e .t dt = e .t
t
19
(a) Q(t) dan (R(t), (b) failure d.f, (c) cum. Fail. Dist., (d) hazard rate Nilai harapan (expected value (E(x)) untuk distribusi eksponensial dan standard deviation-nya adalah 1/ . Expected value ini berkorespondensi dengan Mean Time To Failure (MTTF) yang merupakan kebalikan dari nilai failure rate (). MTTF dan MTBF (Mean Time Between Failure) adalah dua hal yang berbeda. MTTF akan relatif sama dengan MTBF jika repair time (pada kasus repairable component) adalah sangat kecil jika dibandingkan dengan waktu operasi.
20
21
22
23
WEIBULL DISTRIBUTION
24
25
26