Anda di halaman 1dari 17

Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

DISTRIBUSI PROBABILITAS DAN


#7 TERMINOLOGI KEANDALAN

7.1. Pendahuluan
Pada pembahasan terdahulu, keandalan hanya dievaluasi sebagai suatu sistem
rekayasa (engineering) dengan tidak menggunakan distribusi probabilitas dari masing-
masing komponen yang ada di dalam sistem tersebut. Dalam hal ini nilai keandalan dari
masing-masing komponen yang ada di dalam sistem berupa angka yang tetap, artinya
tidak bergantung pada waktu. Untuk tahap awal dalam mempelajari teori keandalan
sistem hal ini akan sangat membantu untuk memahami dasar-dasar perhitungan
keandalan dari suatu sistem.
Nilai keandalan suatu komponen atau sistem merupakan nilai
kemungkinan/probabilitas dari suatu komponen atau sistem untuk dapat memenuhi
fungsinya dalam kurun waktu dan kondisi tertentu yang sudah ditetapkan. Dan
kenyataannya, untuk mengevaluasi keandalan suatu sistem rekayasa yang sebenarnya,
nilai keandalan dari suatu komponen tidak lagi merupakan harga yang tetap melainkan
akan bergantung terhadap waktu. Untuk itu pengevaluasian keandalan akan banyak
berhubungan distribusi probabilitas dengan waktu sebagai variabel random.
Ada dua kelompok utama dari distribusi probabilitas, yaitu distribusi diskrit
(discrete distribution) dan distribusi kontinyu (continuous distribution). Distribusi diskrit
yang sering dipakai adalah distribusi binomial dan distibusi Poisson. Sedang distribusi
kontinyu yang sering banyak dipakai adalah distribusi eksponensial, distribusi normal,
distribusi lognormal, distribusi weibull, distribusi Rayleigh, dan distribusi gama.
Konsep yang berkaitan dengan distribusi probabilitas yang akan di bahas pada
seksi ini adalah variabel random, fungsi probabilitas massa (probability mass function),
fungsi probabilitas densitas (probability density function), fungsi distribusi kumulatif
(cummulative distribution function), nilai harapan (expected value), varian dan deviasi
standar. Konsep tersebut di atas sangat diperlukan dalam mengevaluasi keandalan dari
suatu sistem rekayasa yang berbasis pada waktu.

7.2. Variabel Random


Di dalam mengolah data, ada suatu nilai atau parameter yang akan diukur. Agar
teori probabilitas dapat diterapkan maka kejadian dari nilai-nilai ini haruslah random
terhadapa waktu (time) atau ruang (space) atau kedua-duanya. Parameter dari kejadian
yang akan diukur, misal laju kegagalan dari komponen, lama waktu untuk mereparasi,
kekuatan mekanis dari komponen, adalah variabel yang bervariasi secara random
terhadap waktu dan/atau ruang. Variabel random ini dapat didefinisikan secara diskrit
maupun secara kontinyu.
Sebuah variabel random diskrit adalah variabel random yang hanya mempunyai
bilangan diskrit pada suatu interval tertentu. Sedang variabel random kontinyu adalah
variabel yang mempunyai nilai secara kontinyu pada suatu interval tertentu. Contoh
dari variabel random diskrit adalah pada eksperimen pelemparan dadu, dimana variabel

Hal. 1 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

random nya didefinisikan sebagai hasil yang keluar dari pelemparan sebuah dadu.
Sedangkan contoh untuk variabel random yang kontinyu misalnya adalah pada
eksperimen pengujian kegagalan komponen dengan waktu sebagai variabel random nya.
Perilaku dari variabel random didiskripsikan dalam hukum-hukum probabilitas.
Cara yang paling umum dalam mengekspresikan probabilitas dari suatu variabel
random adalah dengan memakai distribusi proabilitas.
Untuk analisa keandalan sistem, variabel random yang sering dipakai adalah
variabel random waktu kegagalan (time to failure TTF) dan sering dinotasikan dengan
T. Gambar 7.1 menunjukkan ilustrasi dari sebuah TTF. Absis pada pada gambar 7.1
menunjukkan waktu sedang ordinat menunjukkan keadaan dari komponen/sistem, jika
komponen/sistem dalam keadaan up/tidak rusak maka komponen/sistem ditunjukkan
dengan angka 1 sebaliknya jika komponen/sistem dalam keadaan down/rusak maka
komponen/sistem ditunjukkan oleh angka 0.

Gambar 7.1. Ilustrasi TTF Dari Sebuah Komponen/Sistem

7.3. Variabel Random Kontinyu


Misalkan T adalah variabel random yang kontinyu dan f(t) mewakili suatu fungsi
probabilitas untuk random variabel T. Jika ( ) menyatakan probabilitas dari
variabel random t pada interval a dan b maka:

( ) ( ) (7.1)

Fungsi f(t) yang mewakili fungsi probabilitas untuk variabel random T yang
kontinyu disebut fungsi probabilitas densitas (probability density function). Untuk
selanjutnya istilah fungsi probabilitas densitas akan disingkat dengan fpd. Secara umum
fungsi probabilitas densitas memenuhi sifat:
( ) (7.2)

( ) (7.3)

Hal. 2 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Contoh 7.1
Untuk memberi gambaran mengenai sifat-sifat dari fpd, perhatikan fungsi berikut ini.

( ) {

Tentukan nilai a agar fungsi di atas dapat dikategorikan sebagai fpd.

Solusi
Agar fungsi di atas dapat dikategorikan sebagai fpd maka:

( )

Jadi persamaan fpd untuk fungsi di atas adalah:

( ) {

Syarat yang lain, yaitu ( ) sudah dipenuhi, karena nilai dari f(t) untuk nilai t
dengan interval 0 sampai 5 selalu positif. Sketsa dari fpd untuk fungsi di atas dapat
dilihat pada gambar 7.2.

Gambar 7.2. fpd Untuk Contoh Soal 7.1

Nilai harapan (expectation) dari variabel random T dengan fpd f(t) didefiniskan oleh:

( ) ( ) (7.4)

Hal. 3 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Sedang varians (variance) dari f(t) didefinisikan oleh:


( ) *( * +) + (7.5)

Persamaan (7.5) dapat disederhanakan menjadi:


( ) ( ) * ( )+ (7.6)

Sedang deviasi standar (deviation standard) didefinisikan oleh:


( ) (7.7)

7.4. Variabel Random Diskrit


Jika T adalah variabel random yang diskrit dan f(t) mewakili suatu fungsi
probabilitas untuk variabel random T dan ( ) menyatakan probabilitas dari
variabel random T pada saat ( ), maka:
( ) ( ) (7.8)

Fungsi f(t) yang mewakili fungsi probabilitas untuk variabel random T yang
diskrit disebut fungsi probabilitas massa (probability mass function). Untuk selanjutnya
istilah fungsi probabilitas massa akan disingkat dengan pmf. Secara umum fungsi
probabilitas densitas memenuhi sifat:
( ) (7.9)

( ) (7.10)

Contoh 7.2
Pada sebuah percobaan pelemparan sebuah mata dadu, jika T merupakan variabel
random yang mewakili mata dadu dan f(t) mewakili probabilitas dari variabel random T,
maka hubungan antara variabel random T dengan probabilitas dapat ditabelkan sebagai
berikut.

T 1 2 3 4 5 6

f(t) 1/6 1/6 1/6 1/6 1/6 1/6

Jika hubungan antara variabel random T dan fungsi probabilitas f(t) diplot pada sebuah
kurva, akan terlihat bahwa fungsi probabilitas di atas memenuhi sifat-sifat fpm. Sketsa
dari fpm untuk fungsi di atas dapat dilihat pada gambar 7.3.

Hal. 4 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Gambar 7.3. fpm Untuk Contoh Soal 7.2

Nilai harapan (expectation) dari variabel random T dengan fpm f(t) didefiniskan
oleh:

( ) ( ) (7.11)

Sedang varians (variance) dan deviasi standar dari f(t) dapat dihitung dengan
menggunakan persamaan seperti yang didefinisikan pada persamaan (7.6) dan (7.7).

7.5. Fungsi Distribusi Kumulatif


Jika T adalah variabel random, baik variabel random yang kontinyu ataupun
variabel random yang diskrit, maka fungsi distribusi kumulatif (cumulative distribution
function) dari variabel random T didefinisikan oleh:
( ) ( ) (7.12)

Jika T merupakan variabel random yang kontinyu dengan fpd f(t), maka fungsi
distribusi kumulatifnya adalah:

( ) ( ) ( ) (7.13)

Sedang jika T merupakan variabel random yang diskrit dengan fpm f(t), maka fungsi
distribusi kumulatifnya adalah:

( ) ( ) (7.14)

Contoh 7.3
Pada contoh 7.1, fpd dari variabel random T didefinisikan oleh:

( ) {

Hal. 5 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Dapatkan fungsi distribusi kumulatif dari fungsi di atas.

Gambar 7.4. Fungsi Distribusi Kumulatif Contoh Soal 7.3

Solusi
Maka fungsi distribusi kumulatif dari fungsi di atas adalah:

( )

Gambar 7.4 menunjukkan sketsa dari fungsi distribusi kumulatif dari contoh soal 7.3.
Hubungan antara fungsi distribusi kumulatif dan fpd adalah:

( ) ( ) (7.15)

7.6. Terminologi Keandalan


Fungsi distribusi kumulatif nilainya akan naik mulai dari nol sampai satu seiring
dengan naiknya nilai variabel random dari yang terkecil sampai yang terbesar. Fungsi
distribusi ini bertambah seperti anak tangga untuk variabel random diskrit dan
bertambah seperti kurva yang kontinyu untuk variabel random yang kontinyu.
Dalam mengevaluasi keandalan suatu sistem, variabel random yang dipakai
umumnya adalah waktu. Pada saat t = 0, komponen atau sistem berada dalam kondisi
akan beroperasi, sehingga probabilitas komponen atau sistem itu untuk mengalami
kegagalan pada saat t = 0 adalah 0. Pada saat , probabilitas untuk mengalami
kegagalan dari suatu komponen atau sistem yang dioperasikan akan cenderung
mendekati 1. Karakteristik ini sama dengan fungsi distribusi kumulatif. Fungsi distribusi
kumulatif ini akan mengukur probabilitas kegagalan dari suatu sistem atau komponen
sebagai fungsi dari waktu. Dalam terminologi keandalan fungsi distribusi kumulatif ini
dikenal sebagai fungsi distribusi kegagalan kumulatif (cumulative failure distribution
function) atau disingkat distribusi kegagalan kumulatif (cumulative failure distribution).
Distribusi kegagalan kumulatif ini biasanya dilambangkan dengan Q(t).
Jika R(t) menyatakan fungsi keandalan dari suatu komponen atau suatu sistem
sebagai fungsi waktu maka hubungan antara fungsi keandalan R(t) dan distribusi

Hal. 6 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

kegagalan kumulatif atau fungsi ketidakandalan Q(t) dihubungkan oleh sebuah formula
di bawah ini.
( ) ( ) (7.16)

Persamaan (7.15) menunjukkan bahwa fungsi distribusi probabilitas merupakan


turunan dari distribusi probabilitas kumulatif. Dalam terminologi keandalan fungsi
distribusi probabilitas ini disebut dengan fungsi densitas kegagalan (failure density
function). Fungsi densitas kegagalan ini, yang dinotasikan dengan f(t), dapat diturunkan
baik dari fungsi ketidakandalan maupun fungsi keandalan seperti pada formula di
bawah ini.
( ) ( )
( ) (7.17)

Sebaliknya fungsi ketakandalan maupun fungsi keandalan dapat diperoleh dari fungsi
densitas kegagalan seperti yang dituliskan dalam formulasi di bawah ini.

( ) ( ) (7.18)

dan

( ) ( ) ( ) (7.19)

Gambar 7.5 menunjukkan sebuah tipikal kurva fungsi densitas kegagalan. Sesuai dengan
formulasi fungsi ketakandalan dan keandalan yang ditunjukkan pada rumus (7.18) dan
(7.19) maka luasan daearah di bawah kurva untuk interval mulai dari 0 sampai t
mewakili fungsi ketakandalan sedang luasan daerah di bawah kurva untuk interval
mulai dari t sampai tak hingga.

Gambar 7.5. Tipikal Fungsi Densitas Kegagalan

Satu konsep lagi yang sering dipakai adalah laju perubahan (transition rate).
Salah satu aplikasi dari konsep laju perubahan yang sering dipakai dalam mengevaluasi
komponen atau sistem adalah laju kegagalan (failure rate) dan laju pembenahan (repair

Hal. 7 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

rate). Penjelasan berikut ini akan menjelaskan bagaimana laju kegagalan dari suatu
komponen atau siatem yang memiliki fungsi densitas kegagalan f(t).
Misalkan pada saat t sebuah komponen sedang bekerja. Probabilitas dari
komponen itu untuk mengalami kegagalan pada interval waktu antara t dan t+t jika
komponen itu diketahui berfungsi pada saat t dapat diekspresikan oleh:
( )
( | ) (7.20)
( )

Bagian pembilang dari persaamaan (7.20) dapat diekspresikan dalam bentuk fungsi
distribusi kumulatif sebagai ( ) ( ), sedang penyebut dari persamaan (7.20)
dapat diekspresikan sebagai R(t). Persamaan (7.20) dapat ditulis menjadi:
( ) ( )
( | ) (7.21)
( )

Dengan membagi ekspresi probabilitas pada persamaan (7.20) atau (7.21) dengan
interval waktu t dan membuat t0, maka akan diperoleh laju kegagalan dari suatu
komponen dan diekspresikan dengan notasi z(t).
( ) ( )
( ) (7.22)
( )

( ) ()
Ekspresi pada persamaan (7.22) adalah sama identik dengan
persamaan (7.15), sehingga persamaan (7.22) dapat disederhanakan menjadi:
( )
( ) (7.23)
( )

Dengan mensubstitusikan persamaan (7.17) ke persamaan (7.23), maka akan diperoleh:


( )
( ) (7.24)
( )

Dengan mengintegralkan kedua ruas dari 0 sampai t, dan mensubstitusikan nilai


R(0)=1, maka persamaan (7.24) akan menjadi:

( ) ( ) (7.25)

atau

( ) ( ) (7.26)

Untuk kasus yang khusus dimana laju kegagalan suatu komponen adalah konstan,
( ) , maka persamaan (7.26) akan berubah menjadi:

Hal. 8 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

( ) (7.27)

yang merupakan ekspresi fungsi keandalan dari suatu komponen atau sistem yang
mengikuti distribusi eksponensial. Waktu rata-rata kegagalan (mean time to
failure/MTTF) dari suatu komponen yang memiliki fungsi densitas kegagalan (failure
density function) f(t) didefinisikan oleh nilai harapan dari komponen itu. Secara
matematis waktu rata-rata kegagalan dapat diekspresikan sebagai:

( ) ( ) (7.28)

Dengan mensubstitusikan persamaan (7.17) ke dalam persamaan (7.28), maka akan


diperoleh:

( ) (7.29)

Persamaan (7.29) dapat diselesaikan dengan memakai integral parsial:

, ( )- ( )

Jika , maka nilai dari , ( )- , sehingga persamaan di atas menjadi:

( ) (7.30)

Persamaan (7.30) lebih banyak dipakai untuk mendapatkan MTTF suatu komponen.
Untuk kasus komponen yang memiliki fungsi keandalan ( ) , maka MTTF dari
komponen itu adalah:

(7.31)

7.7. Kurva Laju Kegagalan


Laju kegagalan dari suatu komponen atau sistem dapat di plot pada suatu kurva
dengan variabel random waktu sebagai absis dan laju kegagalan dari komponen atau
sistem sebagai ordinat. Kurva laju kegagalan klasik yang sering dipakai untuk
menjelaskan perilaku dari komponen atau sistem adalah kurva bak mandi (bath-up
curve). Kurva ini terdiri dari tiga buah bagian utama, yaitu masa awal (burn-in period),
masa yang berguna (useful life period), dan masa aus (wear out period). Gambar 7.6
menunjukkan kurva bak mandi dengan ketiga bagian utamanya.

Hal. 9 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Gambar 7.6. Kurva Laju Kegagalan Bak Mandi

Bagian pertama dari kurva ini, yaitu masa awal dari suatu sistem atau komponen,
ditandai dengan tingginya kegagalan pada fase awal dan berangsur-angsur turun seiring
bertambahnya waktu. Bagian kedua dari kurva ini ditandai dengan laju kegagalan yang
konstan dari komponen atau sistem. Sedang bagian ketiga dari kurva ini ditandai
dengan naiknya laju kegagalan dari komponen atau sistem seiring dengan
bertambahnya waktu.

7.8. Distribusi Binomial


Misalkan R menyatakan probabilitas sukses dari suatu kejadian dan Q
menyatakan proabilitas gagal dari suatu even, sehingga R + Q = 1 dan probabilitas dari R
dan Q adalah tetap. Jika ada n kali trial yang diulang maka probabilitas k kali sukses dari
n kali trial dengan T sebagai variabel random dapat dituliskan dalam distribusi binomial
sebagai:

( ) . / (7.32)

Sedangkan rata-rata (mean), varian (variance), dan standar deviasi dari distribusi
binomial dapat diekspresikan oleh persamaan-persamaan berikut.
(7.33)
(7.34)
(7.35)

Contoh 7.4
Sebuah subsistem terdiri dari dari tiga buah komponen yang masing-masing memiliki
probabilitas kesusksesan untuk menjalankan fungsinya 0,95. Agar subsistem ini dapat
berfungsi dengan normal, diperlukan minimal dua komponen yang berfungsi dengan
baik. Tentukan probabilitas dari subsistem itu untuk suskes menjalankan fungsinya.

Solusi

Hal. 10 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Probabilitas sukses untuk tiap komponen, R = 0,95 sehingga Q = 0,05. Agar


subsistem itu sukses menjalankan fungsinya, harus ada minimal 2 buah komponen
yang berfungsi.
Ada 3 buah komponen yang identik, ini sama halnya kita melakukan tiga kali trial
untuk sebuah komponen, jadi probabilitas subsistem itu untuk sukses menjalankan
fungsinya adalah:

( ) ( ) ( ) ( ) ( ) ( )

7.9. Distribusi Poisson


Distribusi Poisson mewakili probabilitas dari sebuah kejadian yang di isolasi
pada suatu interval waktu kontinyu tertentu untuk laju kegagalan yang konstan.
Karakteristik khusus dari distribusi Poisson adalah distribusi hanya memperhitungkan
kejadian dari satu event tertentu sedangkan event lain yang tidak termasuk dalam
kejadian tidak diperhitungkan. Ini yang membedakan antara distribusi Poisson dan
distribusi binomial. Jika distribusi binomial memperhitungkan baik probabilitas untuk
suskes dan gagal dari suatu event maka distribusi Poisson hanya memperhitungkan
probabilitas kegagalan atau kesuksesan dari suatu event.
Distribusi Poisson termasuk salah satu distribusi yang diskrit. Fungsi
probabilitas massa dari distribusi Poisson dengan T sebagai variabel random
didefinisikan oleh:
( )
( ) (7.36)

dengan k bilangan bulat positif.


Sedangkan rata-rata (mean), varian (variance), dan standar deviasi dari distribusi
Poisson dapat diekspresikan oleh persamaan-persamaan berikut.
(7.37)
(7.38)
(7.39)

Contoh 7.5
Pada sebuah sistem instalasi pipa, jumlah kegagalan pipa per tahun per 1000 meter
adalah 0,3. Jika diambil pipa sepanjang 100 meter sebagai sample, hitung probabilitas
pipa itu untuk mengalami kegagalan sebanyak 3 kali untuk periode:
a) 5 tahun, dan
b) 10 tahun.

Solusi
Laju kegagalan dari pipa adalah:

Hal. 11 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

( )

a) Untuk periode 5 tahun

( )
( )

b) Untuk periode 10 tahun

( )
( )

7.10. Distribusi Normal


Distribusi normal, yang seringkali di refer sebagai distribusi Gaussian,
merupakan distribusi probabilitas yang paling banyak dan sering dipakai. Dalam
kaitannya dengan keandalan, distribusi ini banyak dipakai pada cabang keandalan
struktur (structural reliability).
Kurva fungsi probabilitas densitas dari ditribusi normal memiliki bentuk simetris
yang sempurna terhadap nilai rata-ratanya (mean value) dan dispersi terhadap mean
diukur dengan deviasi standarnya. Bentuk yang presisi dan posisi dari fungsi densitas
dapat ditentukan hanya dengan term mean dan standar deviasi saja. Sifat ini
menghasilkan kemungkinan bagi distribusi normal untuk disalah-pakaikan (misused)
karena semua distribusi dapat dikarakterisasi oleh mean dan standar deviasi. Dengan
hanya menentukan mean dan standar deviasi, amat mungkin bahwa distribusi yang
bukan normal akan diasumsikan memiliki distribusi normal, karena tidak informasi
tambahan lain yang tersedia selain mean dan standar deviasi. Satu teorema yang sering
dirujuk, dan sekali lagi besar kemungkinan juga disalah-pakaikan adalah Central Limit
Theorem (CLT).
Jika time to failure dari suatu komponen adalah T mengikuti distribusi normal,
maka pdf nya dapat diekspresikan sebagai:
. /
( ) (7.40)

dengan:
= deviasi standar
= rata-rata/mean

Fungsi keandalan dari sebuah komponen yang memiliki distribusi normal dapat ditulis
sebagai:

Hal. 12 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

. /
( ) ( ) (7.41)

sedangkan fungsi unreliability-nya adalah:

( ) ( ) (7.42)

Mean time to failure dari distribusi normal ini adalah:


(7.43)

7.11. Distribusi Lognormal


Distribusi lognormal berhubungan dengan distribusi normal. Time to failure, dari suatu
komponen dikatakan memiliki distribusi lognormal bola mengikuti distribusi

normal dengan rata-rata dan varians . Probability density function dari distribusi
lognormal adalah:

( )
( ) (7.44)

Fungsi keandalan dari komponen yang mengikuti distribusi lognormal adalah:



( )
( ) (7.45)

sedang fungsi ketakandalannya adalah:



( )
( ) (7.46)

7.12. Distribusi Eksponensial


Distribusi eksponensial merupakan distribusi yang paling banyak dipakai di
dalam mengevaluasi keandalan sistem. Ciri utama dari distibusi ini adalah laju
kegagalannya yang konstan.
Jika waktu untuk gagal (time to failure) dari suatu komponen adalah T
terdistribusi secara eksponensial dengan parameter , maka fungsi densitas probabilitas
dapat diekspresikan sebagai:
( ) (7.47)

Sedangkan fungsi keandalannya adalah:

Hal. 13 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

( ) ( ) (7.48)

Dengan demikian fungsi ketidakndalannya dapat ditulis sebagai:


( ) ( ) (7.49)

Waktu rata-rata kegagalan dari komponen itu adalah:

( ) (7.50)

Yang menarik dari distribusi ini adalah jika komponen yang memiliki distribusi
eksponen ini dioperasikan sampai MTTF-nya, atau , maka keandalan dari
komponen itu dapat diprediksi dengan memakai persamaan (7.50), yaitu:
. /
( )

Jadi bila sebuah komponen yang memiliki fungsi densitas kegagalan yang
mengikuti distribusi eksponensial bila dioperasikan dengan durasi sampai pada MTTF-
nya, maka keandalan dari komponen itu hanya tinggal 37%.

Gambar 7.7. Tipikal Fungsi Densitas Probabilitas Eksponensial

Gambar 7.8. Fungsi Keandalan Dan Ketidakandalan Eksponensial

Hal. 14 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Laju kegagalan dari komponen yang memiliki fungsi densitas kegagalan yang mengikuti
distribusi eksponensial dapat diturunkan dengan menerapkan persamaan (7.23).
( )
( ) (7.51)
( )

Tipikal kurva dari distribusi eksponensial untuk kegagalan/jam dapat


dilihat pada gambar 7.7. Sedang fungsi keandalan dan ketakandalannya dapat dilihat
pada gambar 7.8.
Misalkan komponen yang memiliki fungsi densitas kegagalan yang mengikuti
distribusi eksponensial telah berioperasi selama t. Untuk mengevaluasi probabilitas
kegagalan dari komponen itu pada interval waktu , probabilitas kegagalan dari
komponen itu tidak bisa dihitung secara a priori atau independen dari waktu
pengoperasian sebelumnya sampai waktu t. Alasannya adalah, jika pada interval (0,t)
maka komponen itu tidak bisa gagal pada interval (t,t+). Oleh karena itu untuk
mengevaluasi probabilitas kegagalan dari komponen itu selama periode waktu adalah
penting untuk mempertimbangkan probabilitas kegagalan selama periode waktu (0,t).
Probabilitas kegagalan selama waktu dikenal sebagai probabilitas a posteriori, yaitu
harga dari probabilitas kegagalannya tergantung dari sejarah komponen yang terdahulu.
Misalkan T adalah waktu kegagalan (time to failure) dari suatu komponen yang
mengikuti distribusi eksponensial, maka akan berlaku probabilitas kondisional di bawah
ini.
( )
( )
( | ) (7.52)
( )

Persamaan (7.52) menunjukkan probabilitas dari suatu komponen yang akan


berfungsi pada interval t+ jika diketahui bahwa komponen itu berfungsi pada saat t
tidak tergantung dari waktu operasional sebelumnya, dalam hal ini waktu operasional
komponen itu adalah t. Sifat ini disebut sebagai sifat tak bermemori (memory less
property) dari distribusi eksponensial.
Kembali kepada probabilitas a priori dan probabilitas a posteriori, jelas bahwa
probabilitas kegagalan dari komponen yang mengikuti distribusi eksponensial tidak
tergantung dari sejarah komponen yang terdahulu. Atau dengan kata lain untuk
distribusi eksponensial, probabilitas a priori dan probabilitas a posteriori adalah sama.
Hal ini tidak berlaku untuk komponen-komponen lain yang mengikuti distribusi
probabilitas selain distribusi eksponensial.

7.13. Distribusi Weibull


Selain distribusi eksponensial yang sering dipakai di dalam mengevaluasi
keandalan sistem, distribusi weibull banyak dipakai karena distribusi ini memiliki shape
parameter sehingga distribusi mampu untuk memodelkan barbagai data.
Jika time to failure dari suatu komponen adalah T mengikuti distribusi Weibull
dengan tiga parameter , , dan , maka pdf nya dapat diekspresikan sebagai:

Hal. 15 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

. /
( ) ( ) (7.53)

dengan
= shape parameter, > 0
= scale parameter, > 0
= shape parameter, < first time to failure

jika nilai dari = 0, maka akan diperoleh distribusi Weibull dengan dua parameter.
Beberapa karakteristik dari distribusi Weibull berdasarkan:
Untuk 0 < < 1, laju kegagalan (failure rate) akan berkurang seiring bertambahnya
waktu.
Untuk = 1, maka kegagalan (failure rate) nya adalah konstan.
Untuk > 1, laju kegagalan (failure rate) akan bertambah seiring bertambahnya
waktu.

Sedangkan fungsi reliability-nya adalah:

( )
. / (7.54)

dan fungsi unreliability-nya dapat ditulis sebagai:

( )
. / (7.55)

Mean time to failure dari distribusi Weibull itu adalah:

( ) (7.56)

dimana ( ) menyatakan fungsi gamma.

7.14. Goodness-of-fit test


Jika ada sekumpulan data waktu kegagalan (TTF) dari sebuah komponen, kita
tidak bisa langsung menyimpulkan bahwa data tersebut memiliki distribusi normal
untuk memodelkan kegagalan sistem, kecuali ada bukti-bukti fisik yang menunjang.
Pertanyaan yang timbul adalah seberapa tepat data yang ada memiliki kesesuaian
dengan distribusi probabilitas tertentu untuk memodelkan kegagalan komponen.
Pertanyaan ini dapat dilakukan dengan melakukan uji kesesuaian (goodness-of-fit test).

Hal. 16 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id


Materi #7 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016

Ada berbagai metode untuk mlakukan pengujian ini, seperti maximum likelihood
estimate (MLE), chi-square test (x2), dan KolmorovSmirnov (KS) test. Bagi pembaca
yang menginginkan mempelajari metode ini lebih detail, dianjurkan untuk me-refer
referensi 3 dan 4. Sedangkan bagi para pembaca yang menginginkan memakai bantuan
software dalam mengolah dan menganalisa data, ada beberapa software komersial yang
yang bisa dipakai dan menyediakan fasilitas untuk analisa data seperti yang telah
disebutkan di atas, diantaranya SPSS dan Weibull ++.

7.15. Referensi dan Bibliografi


1. Priyanta. Dwi, [2000], Keandalan dan Perawatan, Institut Teknologi Sepuluh
Nopemeber ,Surabaya
2. Billinton, R. and Ronald N. Allan [1992], Reliability Evaluation of Engineering
Systems: Concepts and Techniques, 2nd edition, Plenum Press, New York and
London
3. Hoyland, Arnljot and Marvin Rausand [1994], System Reliability Theory Models And
Statistical Methods, John Willey & Sons, Inc.
4. Lawless, J.F. [1982], Statistical Models and Methods for Lifetime Data, John Willey
and Sons, New York.

Hal. 17 / 17 6623 taufiqurrachman.weblog.esaunggul.ac.id