PENERAPAN MODEL MIXTURE WEIBULL 3 PARAMETER UNTUK

MENGATASI KERAGAMAN BESAR PADA ANALISIS RELIABILITAS

(Studi Kasus di PT. Romos Inti Cosmetic Surabaya)

Amri Wahyu Nuraini, Heni Kusdarwati, Maria Bernadetha

Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Brawijaya
Malang, Indonesia
Email: amriwahyunuraini@yahoo.com

Abstrak. Kegiatan utama perusahaan manufaktur adalah proses produksi, di mana mesin merupakan salah satu faktor
penting yang mempengaruhi produktivitas. Masalah yang sering dijumpai dalam proses produksi adalah kerusakan mesin.
Untuk menghindari permasalahan tersebut, perusahaan perlu melaksanakan kegiatan pemantauan keandalan (reliabilitas) dan
pemeliharaan mesin secara teratur. Pada kenyataan, jarang ditemukan data, terutama waktu antar kerusakan mesin
mempunyai bentuk ideal, seperti sebaran normal, bahkan sering ditemukan bentuk yang cenderung tidak normal
(multimodal) karena keragaman data. Apabila didekati dengan sebaran univariat, akan mengakibatkan hasil pendugaan bias.
Permasalahan ini dapat diatasi dengan model campuran (mixture) yang merupakan gabungan beberapa sub-populasi yang
berpola sebaran univariat yang dapat mengakomodir keragaman data. Waktu antar kerusakan diasumsikan menyebar secara
Weibull 3 parameter. Maximum Likelihood Estimation (MLE) digunakan sebagai metode pendugaan parameter sebaran.
Dengan melakukan uji kesesuaian model, didapatkan nilai R2 sebesar 85,7% sehingga model campuran sesuai untuk
mengatasi keragaman besar dan berpola multimodal. Dari analisis reliabilitas menggunakan model campuran Weibull 3
parameter, didapatkan model reliabilitas mesin yang menunjukkan bahwa reliabilitas berbanding terbalik dengan lama waktu
penggunaan mesin. Laju kerusakan mesin diketahui dengan menggunakan model yang dihasilkan pada analisis reliabilitas.
Kata Kunci: reliabilitas, mixture model, Weibull 3 parameter.

1. PENDAHULUAN
Dalam suatu proses produksi, salah satu faktor penting yang dapat mempengaruhi produktivitas
adalah mesin di mana masalah yang sering dijumpai adalah kerusakan mesin. Guna menghindari
kerugian dikarenakan kinerja mesin kurang optimal, maka perlu dilakukan kegiatan pemantauan
keandalan (reliabilitas) yang dilakukan melalui pengujian keandalan mesin, untuk mengetahui apakah
mesin dapat berfungsi baik selama proses produksi. Pada kenyataan, sering ditemukan bentuk data
cenderung tidak normal (multimodal) karena keragaman data. Apabila didekati dengan sebaran
univariat akan mengakibatkan hasil pendugaan bias (Dalrymple, dkk., 2003). Analisis lain untuk
menyelesaikan permasalahan tersebut, yaitu model campuran (mixture) merupakan gabungan beberapa
subpopulasi yang berpola sebaran univariat dapat mengakomodir keragaman data (Bohning dan
Seidel, 2003). Pada penelitian ini, waktu antar kerusakan diasumsikan menyebar secara Weibull 3
parameter.

2. METODOLOGI

2.1 Sumber Data

Data sekunder merupakan waktu antar kerusakan mesin produksi parfum di PT. Romos Inti
Cosmetic Surabaya (Januari 2003 - Desember 2005).

2.1 Langkah-Langkah Penelitian

Langkah pertama adalah membuat statistik peringkat waktu antar kerusakan mesin., kemudian
membuat diagram pencar statistik peringkat waktu antar kerusakan mesin terhadap (i). Setelah itu,
menghitung statistik deskriptif dan menguji kecocokan sebaran dengan statistik uji Mann.
∑ ( )

∑ ( )
(1)
ti = waktu antar kerusakan ke-i Mi = nilai pendekatan Mann untuk data ke-i
n = banyaknya waktu antar kerusakan M = statistik uji Mann
n2 = bilangan bulat terbesar < n/2 k1 = n/2; k2 = ( n-1)/2
jika H0 benar, M ~ F(k1, k2), waktu antar kerusakan menyebar secara Weibull 3 parameter.
Setelah melakukan pengujian kecocokan sebaran, lalu membagi waktu kerusakan mesin
menjadi 2 subpopulasi berdasarkan ragam, kemudian menentukan parameter campuran (w) sebaran
Weibull campuran sesuai proporsi subpopulasi. Langkah berikutnya, menduga parameter sebaran
Weibull, ( ̂, ̂ , ̂ ) setiap subpopulasi. Setelah itu, menduga parameter sebaran Weibull campuran:
̂ mix1, ̂ mix2, ̂ mix1, ̂ mix2, ̂ mix1, ̂mix2 dan ̂ menggunakan Maximum Likelihood Estimation.
Pandang ( | ) di mana merupakan vektor parameter.
( ⁄ ) ( ⁄ )
( ) ( )

Fungsi Likelihood Weibull campuran:

∏
Ln fungsi likelihood L,
( ⁄ ) ( ⁄ )
(∏ { ( ) ( ) })

Menurunkan ln fungsi likelihood terhadap setiap parameter, didapat penduga parameter Weibull
campuran:

̂ ∑

⁄
̂ {[∑ ] ∑ }

∑ [( ) ] ( )
⁄
̂ ∑ i = 1, 2, 3, …, n; j = 1, 2

{ }
(2)
;
Dari persamaan (2) didapatkan ̂ dan ̂ untuk setiap sebaran subpopulasi kemudian
disubstitusi pada persamaan (3):
̂ ̂
(̂ )∑ ̂ ̂
∑ ̂
̂
(3)
Persamaan ini bersifat implisit, maka diperlukan metode Newton-Raphson, kemudian menguji
kesesuaian model dengan metode grafik dan koefisien determinasi (R2).
∑ ̂
∑ ̅

= banyak pengamatan = nilai pengamatan ke-i

̂ = penduga nilai pengamatan ke-i ̅ = rata-rata
Jika plot memperlihatkan kecenderungan linier serta nilai R2 mendekati 100%, maka model
sudah sesuai. Menentukan Fungsi reliabilitas Weibull campuran dengan persamaan (4):

(4)
Langkah terakhir, yaitu membuat grafik fungsi reliabilitas mesin terhadap waktu (t) serta
menentukan laju kerusakan mesin.menggunakan persamaan (5),
(5)

50
3. HASIL DAN PEMBAHASAN

Analisis deskriptif menggunakan bantuan perangkat lunak EasyFit 5.5, Tabel 1 menyajikan
statistik deskriptif waktu antar kerusakan,

Tabel 1. Statistik Deskriptif Waktu antar Kerusakan

Peubah n Rata-rata Median Maksimum Minimum Ragam
Waktu antar
28 140,18 106,5 673 24 19857
kerusakan mesin (t)
Kemudian dilakukan pengujian kesesuaian sebaran menggunakan uji Mann dengan statistik uji
pada persamaan (1). Karena M (1,783493) < F0,05(14,13) (2,553618792), maka H0 diterima sehingga
waktu antar kerusakan menyebar secara Weibull 3 parameter.
Membagi populasi menjadi 2 subpopulasi berdasarkan keragaman. Pendugaan awal parameter
campuran (w) dilakukan dengan menghitung proporsi anggota subpopulasi terhadap populasi:

Hasil pendugaan parameter-parameter sebaran Weibull campuran 3 parameter disajikan pada Tabel 2.

Tabel 2. Penduga bagi Parameter Weibull Campuran 3 Parameter

Parameter Nilai Parameter
0,795523
1,472946963
75,45504639
23,99999999
(1- ) 0,204477
0,342778392
94,09135049
206
Pengujian kecocokan model dengan data menggunakan diagram pencar antara log t dan log[-
̂
log (t)] yang tersaji pada Gambar 1.

Scatterplot of log (neg(Log R(t))) vs log t

1,0

0,5
log (neg(Log R(t)))

0,0

-0,5

-1,0

-1,5

-2,0

1,50 1,75 2,00 2,25 2,50 2,75 3,00

log t

Gambar 1. Grafik Log [-Log R(t)]

Gambar 1 memperlihatkan sebagian besar titik membentuk kecenderungan linier, tidak acak,
nilai R2 sebesar 85,7% sehingga dikatakan model Weibull campuran 3 parameter sesuai dan mampu
mengatasi masalah keragaman besar.
Setelah mendapatkan penduga bagi parameter Weibull campuran 3 parameter serta pengujian
kecocokan sebaran, kemudian didapatkan fungsi reliabilitas mesin,
( ⁄ ) ( ⁄ )

51
Setelah itu dibuat grafik reliabilitas,

Grafik Fungsi Reliabilitas

1
0,8
0,6
0,4 Rmix(t)
0,2
0
1 4 7 10 13 16 19 22 25 28

Gambar 2. Grafik Fungsi Reliabilitas Mesin

Gambar 2 menunjukkan bahwa peluang mesin berfungsi berfungsi dengan baik setelah waktu t
berbanding terbalik dengan lama waktu penggunaan mesin, sedangkan laju kerusakan mesin dapat
dihitung menggunakan persamaan (6).
( ⁄ )
( )
( ⁄ ) ( ⁄ )

( ⁄ )
( )
( ⁄ ) ( ⁄ )

(6)

4. KESIMPULAN
Berdasarkan hasil analisis Weibull campuran 3 parameter terhadap waktu antar kerusakan mesin
produksi parfum di PT. Romos Inti Cosmetic Surabaya, dapat disimpulkan:
1. Pengunaan model campuran pada Weibull campuran 3 untuk mengatasi keragaman besar pada
analisis reliabilitas sudah tepat karena pada uji kesesuaian model didapat R2 sebesar 85,7%.
2. Peluang mesin dapat berfungsi dengan baik setelah waktu t berbanding terbalik dengan lama waktu
penggunaan mesin.

5. UCAPAN TERIMA KASIH

Terima kasih kepada Ibu Maria Bernadetha Theresia Mitakda, Ibu Heni Kusdarwati dan Ibu
Rahma Fitriani atas bimbingan yang diberikan selama penulisan jurnal ini.

DAFTAR PUSTAKA
Bohning, D. and Seidel, W, (2003), Editional: Recent development in Mixture Models, Computational
statistics & Data Analysis, 41, 349-357.
Dalrymple, M.L., Hudson, I.L. and Ford, R.P.K. (2003), Finite Mixture, Zero Inflated Poisson
and Hurdle Models With Application to SIDS, Computation Statistical and Data Analysis,
41, 491-504.

52