Rekayasa Keandalan dan Riset Operasi

1. Macam - Macam Distribusi Probabilitas

Dalam prakteknya, parameter yang biasanya dikaitkan dengan evaluasi keandalan
dijelaskan oleh distribusi probabilitas. Terdapat banyak jenis ditribusi probabilitas yang dapat
digunakan untuk melakukan evaluasi dengan karakteristiknya masing-masing. Dibawah ini
akan disajikan empat contoh distribusi probabilitas yang banya digunakan dalam melakukan
evaluasi keandalan.
A. Distribusi Normal
Distribusi probabilitas normal, yang kadang-kadang disebut distribusi Gaussian,
merupakan distribusi yang paling penting dan banyak digunakan di seluruh bidang statistik
dan probabilitas. Meskipun memiliki beberapa aplikasi penting dalam evaluasi keandalan,
namun kurang penting dalam bidang ini daripada distribusi lainnya.
Fungsi kepadatan probabilitas distribusi normal sangat simetris terhadap nilai reratanya
dan dispersi tentang rata-rata (mean) diukur dan ditentukan oleh standar deviasinya. Bentuk
dan posisi yang tepat dari fungsi kepadatan dapat ditentukan hanya dalam hal nilai rata-rata
dan standar deviasi. Sifat ini menciptakan kemungkinan distribusi normal disalahgunakan
karena semua distribusinya dapat ditandai dengan rata-rata dan standar deviasi. Dengan
hanya menentukan rata-rata dan standar deviasi dapat memungkinkan distribusi yang tidak
normal akan dianggap normal, hanya karena tidak ada informasi yang tersedia selain nilai
rata-rata dan standar deviasi. Oleh karena itu, perhatian harus dilakukan dalam menafsirkan
pentingnya kedua parameter ini jika tidak ada informasi distribusi lain yang tersedia.
Satu teorema yang banyak dikutip dan kemungkinan disalahgunakan adalah Teorema
Batas Tengah. Jika ukuran sampel sangat besar (n → ∞) distribusi sampel rata-rata mendekati
distribusi normal. Perhatian yang besar harus dilakukan dalam menerapkan Teorema Batas
Tengah karena secara teoritis n harus cenderung tidak terbatas, yaitu sangat besar, dan patut
dipertanyakan seberapa besar n yang harus ada dalam area masalah tertentu.
 Probability density function (PDF)
Probability density function distribusi normal dapat dinyatakan secara umum
sebagai:
1 (𝑥−𝛼)2
𝑓(𝑥) = exp⁡[− ]
𝛽 √2𝜋 2𝛽 2
Nilai rata-rata µ dan standar deviasi σ dievaluasi untuk pernyataan ini, dapat ditunjukkan
bahwa µ = α dan σ = β. Oleh karena itu, pernyataan untuk Probability density function
distribusi normal selalu ditulis sebagai
1 (𝑥−𝜇)2
𝑓(𝑥) = 𝜎 exp⁡
[ − 2𝜎 2
]
√2𝜋

Jenis Distribusi Probabilitas | i

 Rekayasa Keandalan dan Riset Operasi

Gambar 1. Fungsi probabilitas distribusi normal. (a) Fungsi kepadatan probabilitas. (b) Fungsi
distribusi kumulatif. (c) Tingkat bahaya.

Kurva fungsi kepadatan normal (normal density function) yang khas ditunjukkan
pada Gambar 1.a untuk nilai yang diberikan dari µ dan tiga nilai σ. Bentuk karakteristik
fungsi distribusi kumulatif normal ditunjukkan pada Gambar 1.b. Fitur utama dari fungsi
ini adalah kurva melewati probabilitas 0,5 bila variabel acak memiliki nilai µ, yaitu nilai
yang diharapkan. Hal tersebut merupakan karakteristik tertentu dari distribusi normal
dan terjadi karena simetri distribusi yang sempurna. Bentuk tingkat bahaya ditunjukkan
pada Gambar 1.c. Karena nilai µ menentukan posisi kurva pada sumbu absis,sering
disebut sebagai parameter lokasi. Demikian pula karena nilai σ menentukan jumlah
penyebaran atau dispersi dan karena itu bentuk kurva ini disebut sebagai parameter
skala.
Pembahasan tentang probability density functions menunjukkan bahwa untuk
distribusi kontinyu
∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Oleh karena itu
∞
1 (𝑥 − 𝜇)2
∫ 𝑒𝑥𝑝 [− ] 𝑑𝑥 = 1
𝜎√2𝜋 −∞ 2𝜎 2
yang berarti bahwa daerah di bawah fungsi kerapatan antara dua batas tak terbatas
harus menyertakan semua nilai variabel acak x yang mungkin dan oleh karena itu harus
merupakan kesatuan.
Probabilitas dari variabel acak x yang berada di antara dua batas yang sesuai dapat
dievaluasi dengan mengubah bagian atas dan/ bawah batas integral. Sayangnya
integral ini tidak dapat diungkapkan dalam bentuk fungsional sederhana dan tidak dapat
disesuaikan dengan teknik integrasi sederhana. Berbagai alternatif tersedia. Teknik
integrasi numerik konvensional seperti aturan Simpson dapat digunakan pada komputer
digital.
Pada Gambar 2 dapat dilihat bahwa luas total yang terlampir dengan batas ± 3σ
adalah sama dengan 0,9972 yang berarti probabilitas variabel acak berada di luar batas

Jenis Distribusi Probabilitas | 2

 Rekayasa Keandalan dan Riset Operasi

ini sangat kecil. Untuk alasan ini, batasan ± 3σ sering digunakan sebagai batas
keyakinan yang terkait dengan distribusi normal, yaitu diasumsikan bahwa batasan ini
mencakup semua nilai variabel yang mungkin terjadi. Asumsi tersebut masuk akal
asalkan kejadian langka tidak dipertimbangkan. Namun, tidak masuk akal untuk
membuat asumsi serangkaian data dengannya σ telah dievaluasi tanpa pembenaran
lebih lanjut karena distribusi selain distribusi normal dapat memiliki nilai probabilitas
yang signifikan di luar batas ± 3σ.

Gambar 2. Fungsi kepadatan normal standar

B. Distribusi Eksponensial
Distribusi eksponensial atau distribusi eksponensial negatif adalah distribusi yang
mungkin paling banyak dikenal dan digunakan dalam evaluasi keandalan sistem. Faktor yang
paling penting agar dapat diterapkan adalah bahwa tingkat bahaya harus konstan, dalam hal
ini didefinisikan sebagai tingkat kegagalan λ. Hal tersebut pada dasarnya adalah persyaratan
yang sama dengan distribusi poisson dan dapat dikatakan bahwa distribusi eksponensial
negatif hanyalah kasus khusus distribusi poisson, yaitu ketika mempertimbangkan
probabilitas kegagalan pertama. Dalam prakteknya distribusi eksponensial negatif memiliki
tingkat signifikansi yang jauh lebih luas daripada hanya kegagalan pertama dan digunakan
secara luas dalam analisis sistem yang dapat diperbaiki dimana komponen-komponennya
bersiklus antara keadaan operasi atau up state dan gagal atau down state.
Kondisi di mana distribusi eksponensial ini benar hanya berlaku untuk masa pakai atau
masa operasi normal komponen. Hal ini sering digunakan dalam masalah evaluasi keandalan
sistem tanpa membuktikan bahwa tingkat kegagalan adalah konstan atau tidak tergantung
waktu. Biasanya ada tiga pembenaran yang dibuat untuk hal ini: Pertama, teknik analisis,
terutama untuk sistem besar, sangat kompleks kecuali dibuat suatu penyederhanaan. Dalam
hal ini asumsi tingkat kegagalan konstan dan penerapan distribusi eksponensial
menyederhanakan masalah. Kedua, data yang digunakan dalam latihan evaluasi seringkali
sangat terbatas dan tidak memadai untuk memverifikasi distribusi dasar yang benar.
Konsekuensinya, dikatakan bahwa tidak realistis menggunakan teknik yang lebih rumit
daripada yang dibenarkan oleh data. Ketiga, jika perhatian yang dilakukan hanya dengan
membatasi nilai-nilai state dari probabilitas sistem maka distribusi yang mendasarinya
kehilangan signifikansinya dan hasilnya sama dengan distribusi apa pun yang digunakan.
Namun harus diingat bahwa pembenaran terakhir ini tidak sesuai jika nilai probabilitas yang
bergantung pada waktu sedang dievaluasi. Dalam hal ini distribusi dapat menyebabkan
perbedaan yang sangat mencolok dalam nilai probabilitas sistem.

Jenis Distribusi Probabilitas | 3

 Rekayasa Keandalan dan Riset Operasi

a. Fungsi keandalan
Probabilitas komponen yang bertahan untuk waktu t jika tingkat bahaya konstan
dinyatakan dengan fungsi
𝑅(𝑡) = 𝑒 −𝜆𝑡
Oleh karena itu fungsi kepadatan kegagalan (failure density function) adalah
−𝑑𝑅(𝑡)
𝑓(𝑡) =
𝑑𝑡
⁡⁡⁡⁡⁡⁡= 𝜆𝑒 −𝜆𝑡

Gambar 3. Fungsi keandalan eksponensial. (a) Daerah Q(t) dan R(t). (b) Fungsi kepadatan
kegagalan. (c) Distribusi kegagalan kumulatif. (d) Tingkat bahaya.

Fungsi kepadatan ini ditunjukkan pada Gambar 3, dimana daerah yang mewakili
distribusi kegagalan kumulatif, Q(t) dan fungsi komponen yang bertahan, R(t)
diilustrasikan. Kedua daerah ini dapat dievaluasi dari fungsi kerapatan kegagalan
dengan menggunakan prinsip persamaan
𝑡
𝑄(𝑡) = ∫ 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 1 − 𝑒 −𝜆𝑡
0
∞
𝑅(𝑡) = ∫ 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 1 − 𝑒 −𝜆𝑡
𝑡

Fungsi kepadatan kegagalan f(t), distribusi kegagalan kumulatif Q(t) dan tingkat
bahaya A(t) masing-masing ditunjukkan pada Gambar 3.b, c dan d.

b. Nilai rata-rata dan standar deviasi

Nilai yang diharapkan dari variabel acak kontinu yang memiliki rentang (0,∞)
diberikan oleh
∞
𝐸(𝑥) = ∫ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥
0

Jenis Distribusi Probabilitas | 4

 Rekayasa Keandalan dan Riset Operasi

Dalam kasus fungsi kepadatan kegagalan distribusi eksponensial fungsi tersebut

menjadi
∞
𝐸(𝑡) = ∫ 𝑡𝑓(𝑡)𝑑𝑡
0
∞
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= ∫ 𝜆𝑡 ∙ 𝑒 −𝜆𝑡 𝑑𝑡
0
Fungsi tersebut dapat diintegrasikan dengan mengganti u = t dan dv = λe-λtdt, dimana v
= -e-λt. Sehingga didapat E(t) = 1/λ. Demikian pula, standar deviasi, σ, dari distribusi
eksponensial dapat ditemukan dari Persamaan
∞
𝜎 2 = ∫ 𝑡 2 𝜆𝑒 −𝜆𝑡 𝑑𝑡 − 𝐸 2 (𝑡)
0
Dengan menggunakan substitusi seperti fungsi sebelumnya didapat σ = 1/λ. Sehingga
dapat disimpulkan bahwa nilai yang diharapkan dan standar deviasi distribusi
eksponensial adalah sama.
Nilai yang diharapkan dari fungsi kepadatan kegagalan sering disebut sebagai
mean time to failure (MTTF). Dalam kasus distribusi eksponensial ini sama dengan
kebalikan tingkat kegagalan λ. Beberapa kebingungan sering muncul dalam terminologi
ini karena istilah yang sedikit berbeda, mean time between failure (MTBF) kadang-
kadang digunakan dalam pengertian yang sama. Secara konseptual, ada perbedaan
yang signifikan antara kedua istilah yang menjadi penting secara fundamental dalam
kasus sistem yang dapat diperbaiki. Dalam kasus terakhir, istilah MTBF digunakan
untuk menunjukkan waktu siklus antara kegagalan. Oleh karena itu nilai ini melebihi
MTTF dengan margin yang disebabkan oleh waktu yang terkait dengan perbaikan.
Dalam kasus sebagian besar komponen dan sistem, waktu perbaikan biasanya sangat
kecil dibandingkan dengan waktu operasi dan nilai numerik MTTF dan MTBF karenanya
sangat dekat. Jika waktu perbaikannya panjang, kedua nilai tersebut bisa berbeda
secara signifikan.
Penting juga untuk mengetahui bahwa istilah mean time to failure biasanya hanya
diterapkan pada periode operasi yang berguna bila tingkat kegagalannya konstan.
Periode operasi yang berguna berakhir ketika komponen memasuki daerah lelah dan
dalam prakteknya relatif singkat. Hal ini menyebabkan kontradiksi yang nyata karena
sebuah komponen dapat ditemukan memiliki umur pakai rata-rata yang jauh lebih
rendah daripada MTTF-nya. Hal ini dapat diilustrasikan dengan menggunakan contoh
numerik. Pertimbangkan komponen yang masa lelahya 1000 jam tapi MTTF-nya 10.000
jam. Meski pernyataan ini tampak kontradiktif namun sebenarnya tidak. Nilai pertama,
berarti umur pakai, menunjukkan umur rata-rata komponen sebelum gagal di daerah
lelah. Dengan asumsi bahwa fungsi kerapatan kegagalan di daerah lelah biasanya
terdistribusi. Waktu dimana memasuki wilayah lelah tergantung pada standar deviasi
distribusi ini. Seiring dengan bertambahnya deviasi standar, periode operasi menurun.
Selama periode operasi, kegagalan terjadi secara kebetulan dan tingkat kegagalannya
konstan. Dalam contoh numerik, tingkat kegagalan ini memiliki nilai 1/10.000 yaitu 1 x
10-4 kegagalan/jam. Mean time to falure secara sederhana merupakan kebalikan dari
tingkat kegagalan dan akan menjadi waktu kegagalan rata-rata jika distribusi
eksponensial terus berlaku, yaitu, jika komponen tersebut tidak memasuki wilayah lelah.
Oleh karena itu, MTTF bisa menjadi lebih lama daripada rata-rata periode lelah.

Jenis Distribusi Probabilitas | 5

 Rekayasa Keandalan dan Riset Operasi

C. Distribusi Weibull
Distribusi weibull, dimana sama dengan sejumlah kecil distribusi lainnya seperti
distribusi gamma dan lognormal, memiliki satu properti yang sangat penting dimana distribusi
ini tidak memiliki bentuk karakteristik yang spesifik. Distribusi ini tergantung pada nilai
parameter dalam fungsi keandalannya, hal tersebut dapat dibentuk untuk mewakili banyak
distribusi dan juga dibentuk sesuai dengan data eksperimen yang tidak dapat dicirikan
sebagai distribusi tertentu selain sebagai distribusi weibull dengan parameter bentuk tertentu.
Sehingga dapat dilihat bahwa distribusi weibull memiliki peran yang sangat penting
dalam analisis statistik data eksperimen. Kemampuan penyesuaian yang hebat dari distribusi
weibull dapat dilihat dengan mempertimbangkan fungsi yang sesuai. Fungsi kepadatan
kegagalan dari distribusi weibull didefinisikan sebagai
𝛽𝑡𝛽−1 𝑡 𝛽
𝑓(𝑡) = 𝑒𝑥𝑝 [− ( ) ]
𝛼𝛽 𝛼
Dimana t ≥ 0, β ≥ 0 dan α ≥ 0. Fungsi keandalan distribusi weibull adalah
∞
𝑅(𝑡) = ∫ 𝑓(𝑥)𝑑𝑡
𝑡
𝑡 𝛽
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= 𝑒𝑥𝑝 [− ( ) ]
𝛼
Distribusi kegagalan kumulatif distribusi weibull adalah
𝑄(𝑡) = 1 − 𝑅(𝑡)
𝑡 𝛽
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= 1 − 𝑒𝑥𝑝 [− ( ) ]
𝛼
dan tingkat bahaya adalah
𝑓(𝑡)
𝜆(𝑡) =
𝑅(𝑡)
𝛽𝑡𝛽−1
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡=
𝛼𝛽
Ada dua kasus tertentu yang dapat disimpulkan dari distribusi weibull; yang pertama
adalah ketika β = 1 dan yang kedua bila β = 2. Untuk β = 1 nilai λ(t) = 1/α. Hal tersebut identik
dengan distribusi eksponensial jika α = 1/λ, yaitu nilai α mewakili mean time to failure (MTTF).
Sedankan untuk β = 2 nilai λ(t) = 2t/α2. Fungsi tersebut identik dengan distribusi Rayleigh.
Berdasarkan dari dua kasus tersebut bahwa distribusi weibull dapat dibuat agar sesuai,
atau mendekati, sejumlah distribusi. Hal Ini merupakan fungsi dari karakteristiknya, sehingga
dapat diukur dan dibentuk dengan memvariasikan parameter pembentuknya. Bentuk tipikal
yang dapat dibuat untuk distribusi weibull termasuk kasus eksponensial ditunjukkan pada
Gambar 4 untuk fungsi kepadatan kegagalan, distribusi kegagalan kumulatif dan tingkat
bahaya.

Jenis Distribusi Probabilitas | 6

 Rekayasa Keandalan dan Riset Operasi

Gambar 4. Fungsi keandalan weibull. (a) Fungsi kepadatan kegagalan. (b) Distribusi kegagalan
kumulatif. (c) tingkat bahaya.

Dapat dilihat dari Gambar 4 bahwa:

 Β < 1 mewakili tingkat bahaya yang menurun atau periode debugging.
 Β = 1 mewakili tingkat bahaya konstan atau periode operasi normal (normal life period).
 Β > 1 merupakan tingkat bahaya yang meningkat atau periode kelelahan (wearout
period).
Nilai yang diharapkan dari distribusi weibull dinyatakan oleh :
∞
𝛽𝑡𝛽−1 𝑡 𝛽
𝐸(𝑡) = ∫ 𝑡 ∙ 𝑒𝑥𝑝 [− ( ) ] 𝑑𝑡
0 𝛼𝛽 𝛼
1
⁡= 𝛼ᴦ ( + 1)
𝛽
Dimana ᴦ adalah fungsi gama yang didefinisikan dengan :
∞
ᴦ(𝛾) = ∫ 𝑡 𝛾−1 𝑒 −𝑡 𝑑𝑡
0
untuk nilai integer γ, dikurangi menjadi ᴦ(γ) = (γ -1)!.
Standar deviasi distribusi weibull dinyatakan dengan fungsi :
∞
𝛽𝑡𝛽−1 𝑡 𝛽
𝜎2 = ∫ 𝑡2 ∙ 𝑒𝑥𝑝 [− ( ) ] 𝑑𝑡 − 𝐸 2 (𝑡)
0 𝛼𝛽 𝛼
2 1
= 𝛼 2 [ᴦ (1 + ) − ᴦ2 ( + 1)]
𝛽 𝛽
Probabilitas bersyarat atau probabilitas kegagalan Qc(t) dapat dinyatakan dengan
menggunakan persamaan :
𝑇+𝑡
∫𝑇 𝑓(𝑡)𝑑𝑡
𝑄𝑐 (𝑡) = ∞
∫𝑇 𝑓(𝑡)𝑑𝑡
(𝑇 + 𝑡)𝛽 − 𝑇𝛽
= 1 − 𝑒𝑥𝑝 [− ]
𝛼𝛽
Dimana untuk β = 1, memberikan kasus eksponensial persamaan tersebut menjadi :
𝑄𝑐 (𝑡) = 1 − 𝑒 −𝑡/𝛼

D. Distribusi Lognormal
Distribusi lognormal berhubungan dengan distribusi normal dan juga memiliki dua
parameter distribusi. Distribusi Ini sepertinya tidak sesuai untuk representasi masa pakai
komponen dan karena distribusi ini belum dipertimbangkan di masa lalu sebagai distribusi
penting dalam evaluasi keandalan. Namun, sekarang tampak bahwa distribusi lognormal

Jenis Distribusi Probabilitas | 7

 Rekayasa Keandalan dan Riset Operasi

dapat sangat sesuai dengan distribusi waktu perbaikan komponen dan akibatnya menjadi
distribusi penting dalam penilaian sistem yang dapat diperbaiki.
Fungsi kepadatan kegagalan (dalam prakteknya cenderung merupakan fungsi
kepadatan perbaikan) didefinisikan sebagai
1 (ln 𝑡 − 𝜇)2
𝑓(𝑡) = 𝑒𝑥𝑝 [− ]
𝑡𝜎√2𝜋 2𝜎 2
Untuk t ≥ 0.
Distribusi kegagalan kumulatif (atau probabilitas) dari variabel acak diberikan oleh fungsi
𝑡 (ln 𝑡 − 𝜇)2
1
𝑄(𝑡) = ∫ 𝑒𝑥𝑝 [− ] 𝑑𝑡
0 𝑡𝜎√2𝜋 2𝜎 2
ln 𝑡⁡−⁡𝜇 𝑑𝑡
Jika dengan mensubstitusikan 𝑧 = 𝜎
dan 𝑑𝑧 = 𝜎𝑡 sehingga membuat fungsi tersebut
menjadi
(ln 𝑡−𝜇)/𝜎
1 −𝑧 2
𝑄(𝑡) = ∫ 𝑒𝑥𝑝 (
) 𝑑𝑧
√2𝜋 −∞ 2
Nilai yang diharapkan dan standar deviasi distribusi lognormal dapat dihitung dengan
menggunakan fungsi
1
𝐸(𝑡) = exp⁡(𝜇 + 𝜎 2 )
2
𝜎 = [𝑒𝑥𝑝(2𝜇 + 2𝜎 ) − 𝑒𝑥𝑝(2𝜇 + 𝜎 2 )]1/2
2

Bentuk fungsi kepadatan kegagalan (probabilitas), distribusi kegagalan kumulatif dan fungsi
bahaya untuk distribusi lognormal ditunjukkan pada Gambar 5.

Gambar 5. Fungsi keandalan lognormal. (a) Fungsi kepadatan kegagalan. (b) Distribusi kegagalan
kumulatif. (c) Tingkat bahaya. Parameter = nilai σ.

Jenis Distribusi Probabilitas | 8

 Rekayasa Keandalan dan Riset Operasi

2. Contoh Penggunaan Distribusi Probabilitas

Pada bagian ini akan disajikan contoh dari penggunaan jenis distribusi pada data
kegagalan sebuah komponen sistem kapal. Perhitungan distribusi dilakukan dengan bantuan
software Relex. Dengan menggunakan software tersebut dapat dilakukan pemilihan distribusi
yang tepat sehingga dapat mewakili data kegagalan yang ada. Kemudian akan didapat kurva
PDF, kurva keandalan terhadap waktu dan kurva tingkat kegagalan terhadap waktu. Namun
sebenarnya selain kurva-kurva tersebut masih terdapat beberapa hasil yang dapat disajikan.
Data kegagalan komponen yang digunakan diambil dari komponen sistem pelumas KM.
Lambelu. Dimana jam operasi komponen diambil berdasarkan log book kapal KM. Lambelu.
KM.Lambelu yang dibuat pada tahun 04 september 1997 memiliki sistem penunjang
operasional kapal. Salah satunya adalah sistem pelumas penunjang operasional mesin
utama. Komponen sistem pelumas KM. Lambelu terdiri dari tangki harian (daily tank), pompa
transfer, filter duplex, strainer dan cooler. Kerusakan sering terjadi pada komponen sistem
pelumas tersebut. Pada contoh penggunaan ditribusi ini diambil data kegagalan pada
komponen cooler sistem pelumas KM. Lambelu. Data kegagalan komponen cooler seperti
pada tabel di bawah ini.
Tabel 1. Data kegagalan cooler sistem pelumas
Data Kegagalan (Jam)
711 711
733 594
567 589
736 608
580 719
565 748
707 580
741 612
570
Sumber : (Yusuf, 2016)
Dalam penggunaan software Relex untuk melakukan analisa jenis distribusi pilih menu
weibull pada kotak dialog yang muncul pada saat membuka software. Kemudian buat project
baru. Langkah selanjutnya adalah memasukkan data kegagalan yang telah diperoleh pada
tabel data yang disajikan.

Gambar 6. Proses memasukkan data

Jenis Distribusi Probabilitas | 9

 Rekayasa Keandalan dan Riset Operasi

Kemudian setelah memasukkan data kegagalan dilakukan pemilihan jenis distribusi

yang sesuai dengan menggunakan menu find best fit distribution pada menu weibull.
Sehingga akan didapat peringkat dari jenis-jenis distribusi yang disajikan pada software,
seperti pada gambar di bawah ini.

Gambar 7. Peringkat jenis-jenis distribusi

Dari gambar di atas dapat dilihat bahwa distribusi weibull (3 parameter) menempati
peringkat pertama. Sehingga dapat dikatakan bahwa jenis distribusi tersebut dapat mewakili
data kegagalan yang telah dimasukkan. Distribusi lognormal menempati peringkat ke dua.
Sedangkan pada peringkat ke tiga ditempati oleh distribusi normal. Sementara itu distribusi
weibull (2 parameter) menemati peringkat ke tujuh.
Setelah memilih jenis distribusi yang sesuai selanjutnya dapat dilihat hasil kurva-kurva
yang dihasilkan. Selain hasil kurva dari jenis distribusi weibull (3 parameter), akan diambil
juga hasil kurva dari jenis distribusi lognormal, normal dan weibull (2 parameter) untuk melihat
perbedaan kurva yang dihasilkan. Kurva-kurva tersebut dapat dilihat pada gambar di bawah
ini.
1. Distribusi weibull (3 parameter)

Gambar 8. Kurva PDF

Jenis Distribusi Probabilitas | 10

 Rekayasa Keandalan dan Riset Operasi

Gambar 9. Kurva keandalan terhadap waktu

Gambar 10. Kurva tingkat kegagalan terhadap waktu

2. Distribusi lognormal

Gambar 11. Kurva PDF

Jenis Distribusi Probabilitas | 11

 Rekayasa Keandalan dan Riset Operasi

Gambar 12. Kurva keandalan terhadap waktu

Gambar 13. Kurva tingkat kegagalan terhadap waktu

3. Distribusi normal

Gambar 14. Kurva PDF

Jenis Distribusi Probabilitas | 12

 Rekayasa Keandalan dan Riset Operasi

Gambar 15. Kurva keandalan terhadap waktu

Gambar 16. Kurva tingkat kegagalan terhadap waktu

4. Distribusi weibul (2 parameter)

Gambar 17. Kurva PDF

Jenis Distribusi Probabilitas | 13

 Rekayasa Keandalan dan Riset Operasi

Gambar 18. Kurva keandalan terhadap waktu

Gambar 19. Kurva tingkat kegagalan terhadap waktu

Referensi
Billinton, R. and Allan, R.N., 1992. Reliability evaluation of engineering systems (pp. 155-
173). New York: Plenum press.
Yusuf, Z. (2016). Analisa Perawatan Berbasis Resiko pada Sistem Pelumas Km. Lambelu.
Jurnal Riset Teknologi Kelautan, 14(1).

Jenis Distribusi Probabilitas | 14

 Rekayasa Keandalan dan Riset Operasi

Daftar Isi

Cover ................................................................................................................................ i
Daftar Isi ............................................................................................................................ ii
1. Macam-Macam Bentuk Distribusi Probabilitas ........................................................... 1
Distribusi Normal .................................................................................................... 1
A. Distribusi Eksponensial .................................................................................... 3
B. Distribusi Weibull ............................................................................................. 6
C. Distribusi Lognormal ........................................................................................ 7
2. Contoh Penggunaan Distribusi Probabilitas .............................................................. 9
3. Referensi ................................................................................................................. 14

Jenis Distribusi Probabilitas | i