LANDASAN TEORI
II-11
Bab II Landasan Teoretis Tugas Akhir
2. Perbaikan (Repair)
Perbaikan adalah aktivitas yang dilakukan untuk memulihkan mesin yang mengalami
kerusakan yang tidak terlalu parah dalam ruang lingkup yang tidak terlalu besar, sehingga dapat
beroperasi kembali seperti sedia kala.
3. Penggantian (Replacement)
Penggantian adalah aktivitas penggantian baik komponen ataupun mesin. Penggantian
dilakukan jika kondisi alat sudah tidak memungkinkan lagi untuk digunakan kembali atau
sudah melampaui umur ekonomis penggunaan.
4. Perbaikan Menyeluruh (Overhaul)
Aktivitas perawatan ini memiliki makna yang sama dengan perbaikan (repair), hanya saja
ruang lingkupnya lebih besar. Perawatan ini dilakukan apabila kondisi mesin dalam keadaan
rusak parah, sementara kemampuan untuk mengganti dengan mesin baru tidak ada.
perawatan lainnya. Downtime dapat berupa memeriksa kerusakan, waktu menunggu perbaikan,
waktu perbaikan, waktu menunggu datangnya spare-part.
5. Uncertainty Analysis
6. Uncertainty
Preventive 7. Managerial
Evaluation &
Maintenance Review and
Presentation of
Programmme Judgement
Results
Kotak 1 sampai dengan 4 memenuhi fase pertama (a) dan kedua (b) dalam Metodologi RCM
dengan mengaplikasikan PM Task Assessment dan PM Interval Assesment. Langkah
selanjutnya mencakup fase terakhir (c) dengan mengevaluasi ketidakpastian yang terjadi dan
dikomunikasikan ke pihak manajemen dalam menindak lanjuti pembuatan program PM.
Beberapa item pada daftar ini melibatkan banyak isu-isu lain termasuk: prediksi, penilaian,
optimasi, dan topik terkait. Hal ini didefinisikan sebagai berikut:
a. Reliability Prediction atau prediksi keandalan pada dasarnya berhubungan dengan
penggunaan model, sejarah masa lalu tentang produk serupa, dan sebagainya, dalam upaya
untuk memprediksi keandalan dan produk pada tahap desain. Proses dapat diperbaharui pada
tahap selanjutnya dalam upaya untuk memprediksi keandalan.
b. Reliability Assesment atau penilaian keandalan berkaitan dengan estimasi keandalan
didasarkan pada data aktual, yang mungkin bisa berupa data pengujian, data operasional, dan
sebagainya. Sistem melibatkan pemodelan, Goodness-of-Fit untuk distribusi probabilitas dan
analisis terkait.
c. Reliability Optimization atau optimasi keandalan mencakup banyak area dan berkaitan
dengan pencapaian trade-off yang cocok antara berbagai tujuan yang saling bersaing seperti
kinerja, biaya, dan seterusnya.
d. Reliability Test Design atau keandalan uji desain berkaitan dengan metode untuk
memperoleh validitas, keandalan, data yang akurat serta melakukannya secara efektif dan
efisien.
e. Reliability Data Analysis atau keandalan analisis dapat berkaitan dengan estimasi parameter,
pemilihan distribusi dan banyak aspek yang dibahas di atas.
Pengetahuan mengenai keandalan suatu sistem terlebih dahulu harus memperhatikan laju
kerusakan dari suatu sistem. Laju kerusakan suatu sistem umumnya digambarkan dalam
Bathtub Curve seperti terlihat pada Gambar 2.3
A B C
memotivasi para engineer dalam mencari solusi terhadap masalah keandalan untuk mengurangi
biaya pengeluaran, meningkatkan keandalan, memuaskan pelanggan dengan pengiriman tepat
waktu dengan cara meningkatkan ketersediaan peralatan dan dengan mengurangi biaya dan
masalah yang timbul dari kegagalan produk.
Mengukur keandalan suatu sistem atau peralatan dengan cara mengkuantitatifkan biaya
tahunan dari peralatan atau sistem yang tidak andal tersebut dengan fasilitas yang tersedia akan
menempatkan keandalan tersebut dalam konteks bisnis. Sistem atau peralatan dengan
keandalan yang tinggi akan mengurangi biaya kegagalan peralatan. Kegagalan adalah
hilangnya suatu fungsi jika fungsi tersebut diperlukan, terutama untuk mencapai tujuan
keuntungan perusahaan. Keandalan adalah suatu ukuran dari probabilitas mampu beroperasi
yang bebas dari kegagalan, yang sering dinyatakan sebagai:
t
R(t) e MTBF
e t
banyak digunakan dan hampir muncul pada semua karakteristik kegagalan dari produk karena
mencakup ketiga fase kerusakan yang mungkin terjadi pada distribusi kerusakan. Pada
umumnya, distribusi ini digunakan pada komponen mekanik atau peralatan pemesinan.
Distribusi Weibull dapat digunakan untuk memodelkan laju kerusakan yang meningkat
maupun menurun. Distribusi ini dapat digunakan dalam mengukur keandalan (reliability)
karena Distribusi Weibull memiliki keunggulan dibandingkan dengan distribusi yang lain.
Distribusi ini sangat fleksibel terhadap berbagai fungsi distribusi kerusakan, fleksibilitas ini
dikarenakan Distribusi Weibull memiliki parameter bentuk (β) sehingga karakteristik distribusi
yang memiliki laju meningkat, menurun dan konstan dapat ditunjukkan oleh nilai parameter
bentuk tersebut.
Terdapat dua macam Distribusi Weibull yang dapat digunakan, yaitu Distribusi Weibull dua
parameter dan Distribusi Weibull tiga parameter. Sesuai dengan namanya Distribusi Weibull
dua paramater mempunyai dua buah parameter, yaitu:
Parameter bentuk (β)
Merupakan parameter yang menggambarkan bentuk dari distribusi kerusakan.
Parameter skala (α)
Merupakan parameter yang menggambarkan umur karakteristik dari alat/komponen.
Beberapa fungsi yang ada dalam Distribusi Weibull dua parameter (Ebeling, 1997) yaitu:
a. Fungsi Kepadatan Probabilitas f(t)
Merupakan probabilitas terjadinya kerusakan pada setiap satuan waktu.
1 t
t
f(t) .e
b. Fungsi Kumulatif Kerusakan F(t)
Merupakan probabilitas terjadinya kerusakan sebelum waktu t.
t
F(t) 1 e
c. Fungsi Laju Kerusakan r(t)
Merupakan gambaran laju kerusakan dalam selang waktu tertentu.
1
t
r(t)
d. Fungsi Keandalan R(t)
Merupakan probabilitas suatu alat/ komponen dapat berfungsi sampai suatu periode t.
t
R(t) e
Pola grafik dari masing-masing fungsi pada Distribusi Weibull dua parameter mendekati
pola berikut ini ;
f(t) F(t)
1
t t
Fungsi Padat Probabilitas Fungsi Kumulatif Kerusakan
R(t) r(t)
1 1
t t
Fungsi Keandalan Fungsi Laju Kerusakan
Untuk t ≥ 0
b. Fungsi Kumulatif Kerusakan F(t)
1 𝑡
𝐹(𝑡) = ( 𝑙𝑛 )
𝑠 𝑡𝑚𝑒𝑑
3. Distribusi Eksponensial
Distribusi Eksponensial digunakan untuk menghitung keandalan dari distribusi kerusakan
yang memiliki laju kerusakan konstan. Distribusi ini mempunyai laju kerusakan yang tetap
terhadap waktu, dengan kata lain probabilitas terjadinya kerusakan tidak tergantung pada umur
alat. Distribusi ini adalah distribusi yang paling mudah dianalisis. Parameter yang digunakan
dalam Distribusi Eksponensial adalah λ, yang menunjukkan rata-rata kedatangan kerusakan
yang terjadi. Fungsi-fungsi yang terdapat dalam Distribusi Eksponensial (Ebeling, 1997) yaitu:
a. Fungsi Kepadatan Probabilitas f(t)
f(t) .e.t
Untuk t > 0
Keterangan : λ = Rata-rata nilai kedatangan kerusakan per satuan waktu.
b. Fungsi Kumulatif Kerusakan F(t)
F(t) = 1 - e (λ t)
r(t) = λ
R(t) = e (-λt)
Pola grafik dari masing-masing fungsi pada Distribusi Eksponensial mendekati pola berikut ini:
f(t) F(t)
1
t t
Fungsi Padat Fungsi Kumulatif
R(t) r(t)
1 1
t t
Fungsi Keandalan Fungsi Laju Kerusakan
4. Distribusi Normal
Distribusi normal cocok untuk digunakan dalam memodelkan fenomena keausan. Parameter
yang digunakan adalah μ (nilai tengah) dan σ (standar deviasi). Pola distribusi ini dapat
digunakan jika pengaruh suatu random diakibatkan oleh sejumlah besar variasi random yang
tidak bergantungan (saling bebas/independen) yang kecil atau sedikit. Fungsi-fungsi yang
terdapat dalam Distribusi Normal (Ebeling,1997) yaitu:
a. Fungsi Kepadatan Probabilitas f(t)
t 2
1 2 2
f(t) .e
. 2
. 2 t
R(t) . e dt
Pola grafik dari masing-masing fungsi pada Distribusi Normal mendekati pola berikut ini:
f(t) F(t)
1
t t
Fungsi Padat Probabilitas Fungsi Kumulatif Kerusakan
R(t) r(t)
1 1
t t
Fungsi Keandalan Fungsi Laju Kerusakan
𝑙 − 0,3
𝐹(𝑡𝑖 ) =
𝑛 + 0,4
Keterangan :
i = data waktu ke-t
n = r = jumlah data kerusakan
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 −(∑𝑖=1 𝑥𝑖 ) (∑𝑖=1 𝑦𝑖 )
Index of fit (𝑟) =
√[𝑛 ∑𝑛 2 𝑛 2 𝑛 2 𝑛 2
𝑖=1 𝑥𝑖 −(∑𝑖=1 𝑥𝑖 ) ] [𝑛 ∑𝑖=1 𝑦𝑖 −(∑𝑖=1 𝑦𝑖 ) ]
Dimana n adalah jumlah kerusakan yang terjadi perhitungan khusus untuk setiap distribusi
adalah:
1. Distribusi Normal
𝑥𝑖 = 𝑡𝑖
𝑦𝑖 = 𝑧𝑖 = ф−1 [𝐹(𝑡𝑖 )], dengan menggunakan tabel
1 𝑎
Parameter: 𝜎 = 𝑏 dan 𝜇 = − 𝑏
2. Distribusi Lognormal
𝑥𝑖 = ln 𝑡𝑖
𝑦𝑖 = 𝑧𝑖 = ф−1 [𝐹(𝑡𝑖 )], dengan menggunakan tabel.
1
parameter: 𝑠 = dan 𝑡𝑚𝑒𝑑 = 𝑒 −𝑠𝑎
𝑏
3. Distribusi Weibull
𝑥𝑖 = ln 𝑡𝑖
1
𝑦𝑖 = ln [𝑙𝑛 ( )]
1 − 𝐹(𝑡𝑖 )
ti adalah data ke-i
Parameter: 𝛽 = 1/b dan 𝜃 = 𝑒 𝑎
4. Distribusi Eksponensial
𝑥𝑖 = 𝑡𝑖
1
𝑦𝑖 = 𝑙𝑛 ( )
1 − 𝐹(𝑡𝑖 )
Parameter: 𝜆 = 𝑏
Keterangan :
i = urutan data kerusakan (1,2,3,….n)
𝑡𝑖 = data kerusakan ke-i
Gradien:
1. Distribusi Weibull, Normal dan Log Normal
2. Distribusi Eksponensial
∑𝑛𝑖=1 𝑥𝑖 . 𝑣𝑖
𝑏=
∑𝑛𝑖=1 𝑥12
𝑖𝑛𝑡𝑒𝑟𝑠𝑒𝑝 ∶ a = ӯ – b.𝑥̅
Dalam menentukan distribusi yang akan digunakan untuk menghitung MTBF, MTTR, dan
Reliability. Proses yang harus dilakukan adalah mencari nilai r untuk masing-masing distribusi
sehingga didapatkan nilai r terbesar yang kemudian akan diuji lagi menurut hipotesa
distribusinya (Ebeling, 1997).
2.3.3.2 Uji Kecocokan Distribusi (Goodness of Fit Test)
Uji kecocokan distribusi atau Goodness of Fit Test ini adalah membandingkan dua hipotesis
yang berlawanan yaitu:
H0 : Data kerusakan atau perbaikan mendekati suatu distribusi tertentu.
H1 : Data kerusakan atau perbaikan tidak menghampiri suatu distribusi tertentu.
Uji ini terdiri dari perhitungan statistik berdasarkan data yang diamati kemudian
dibandingkan dengan nilai kritik pada tabel. Pada umumnya jika test statistik lebih kecil dari
pada nilai kritik, maka terima H0 dan bila sebaliknya maka terima H1.
Pada dasarnya ada dua tipe uji kecocokan distribusi yaitu secara umum (General Test) dan
uji spesifik (Specific Test). Uji secara spesifik lebih akurat dibandingkan dengan uji secara
umum karena lebih dikhususkan untuk satu jenis distribusi, sedangkan uji secara umum
digunakan untuk lebih dari satu jenis distribusi.
Menurut Ebelling (1997), pengujian yang akan dilakukan adalah Uji Bartllet untuk
Distribusi Eksponensial. Uji Kolmogorov-Smirnov untuk Distribusi Normal dan Lognormal
serta Uji Mann’s untuk Distribusi Weibull.
1. Uji Bartllet untuk Distribusi Eksponensial
Hipotesis yang digunakan untuk uji ini adalah :
H0 : Data berdistribusi Eksponensial
H1 : Data tidak berdistribusi Eksponensial
Uji statistiknya yaitu:
B
∑𝑟 𝑡 ∑𝑟 𝑡
2𝑟 [ln ( 𝑖=1 𝑖 ) − ( 𝑖=1 𝑖 )]
𝑟 𝑟
=
(𝑟 + 1)
1 + 6𝑟
Keterangan :
r = jumlah kerusakan
𝑡𝑖 = data waktu kerusakan ke-i
B = nilai uji statistik untuk Bartllet’s Test
H0 diterima apabila nilai B jatuh dalam wilayah kritis
2
𝑥1−𝑎 < 𝐵 < 𝑥𝑎2𝑟−1
𝑟−1 2
2
𝑡𝑖 − 𝑡̅ 𝑖−1
𝐷1 = 𝑚𝑎𝑥1≤𝑖≤𝑛 {ф ( )− }
𝑠 𝑛
𝑖 𝑡𝑖 − 𝑡̅
𝐷2 = 𝑚𝑎𝑥1≤𝑖≤𝑛 { − ф ( )}
𝑛 𝑠
𝑛 ln 𝑡𝑖 2
∑𝑛𝑖=1(ln 𝑡𝑖 − 𝑡̅)2
𝑡̅ = ∑ dan 𝑆 =
𝑖=1 𝑛 𝑛−1
Bila Dn < Dkritis maka terima H0, dan bila sebaliknya maka terima H1. Nilai Dkritis diperoleh
dari tabel Critical Value For The Kolmogorov-Smirnov Test For Normality.
2.3.3.3 Estimasi Parameter Weibull Dua Parameter
Setelah diketahui data kerusakan mengikuti Distribusi Weibull dua parameter, maka
dilakukan estimasi parameter, yaitu mencari estimasi nilai α (parameter skala) dan β (parameter
bentuk). Untuk perhitungan estimasi parameter, metode yang digunakan adalah dengan
pendekatan Regresi Linier. Misalkan t1,t2,...,tn adalah sejumlah data waktu antar kerusakan
sistem yang telah disusun menurut urutan terkecil, untuk setiap ti (i=1,2,3,...,n) berlaku
hubungan sebagai berikut:
i 0,3
xi = ln (ti) Ft i
n 0,4
1
yi ln ln
1 F(t )
i
Langkah selanjutnya adalah menghitung nilai intercept (a) dan slope (b), kemudian
menghitung nilai α dan nilai β dengan cara berikut:
n x i yi x i yi
b
n x i x i
2 2
1
1
β=b
𝑡̅
α=
𝛤
hanya satu komponen yang rusak saja yang mengalami penggantian. Dalam model age
repalecement, intinya pada saat dilakukan penggantian adalah tergantung pada umur
komponen, jadi penggantian pencegahan akan dilakukan dengan menetapkan kembali interval
waktu penggantian berikutnya sesuai dengan interval yang telah ditentukan.
Model age replacement mempunyai dua siklus penggantian pencegahan, yaitu :
1. Siklus 1 atau siklus pencegahan yang diakhiri dengan kegiatan penggantian pencegahan,
ditentukan melalui komponen yang telah mencapai umur penggantian sesuai dengan rencana.
2. Siklus 2 atau siklus kerusakan yang diakhiri dengan kegiatan kerusakan, ditentukan melalui
komponen yang telah mengalami kerusakan sebelum mencapai waktu penggantian yang telah
ditetapkan sebelumnya.
Kedua siklus dari model age replacement tersebut dapat terlihat jelas pada gambar berikut ini :
Perawatan Perawatan
pencegahan perbaikan
Operasi Tp Operasi Tf
tp+Tp
Siklus 1 Siklus 2
Dimana:
Total ekspektasi biaya pergantian per siklus = 𝐶𝑝 × 𝑅(𝑡𝑝 ) + 𝐶𝑓 [1 − 𝑅(𝑡𝑝 )]
Ekspektasi panjang siklus = (𝑡𝑝 + 𝑇𝑝 )𝑅(𝑡𝑝 ) + [𝑀(𝑡𝑝 ) + 𝑇𝑓 ][1 − 𝑅(𝑡𝑝 )]
Sehingga, model penentuan interval penggantian age replacement adalah sebagai
berikut:
Cp xR(t p ) Cf [1 - R(t p )]
C(t p )
(t p Tp )R(t p ) [M(t p ) Tf ][1 - R(t p )]
Keterangan :
C(tp) = Total ongkos persatuan waktu jika penggantian dilakukan dalam interval (tp)
R(tp) = Nilai reliabilitas pada saat (tp)
Cp = Biaya penggantian pencegahan
Cf = Biaya penggantian kerusakan
M(tp) = Nilai rata-rata waktu terjadinya kerusakan
Tf = Waktu penggantian kerusakan
Rm(t) = R(t)
untuk 0 ≤ t < T
Rm(t) = R(T).R(t-T)
untuk T ≤ t < 2T
Keterangan:
t = waktu
T = interval waktu pencegahan penggantian kerusakan
R(t) = keandalan (reliability) dari sistem tanpa Preventive Maintenance
R(T) = peluang dari keandalan hingga Preventive Maintenance pertama
R(t-T) = peluang dari keandalan antara waktu t-T setelah sistem dikembalikan dari
kondisi awal pada saat T
Rm(t) = keandalan (reliability) dari sistem dengan Preventive Maintenance
Secara umum persamaannya adalah:
Rm(t) = R(T)n.R(t-nT)
Untuk untuk nT ≤ t ≤ (n+1)T
dimana n = 1,2,3,....dst
Keterangan :
n = jumlah perawatan
Rm(t) = keandalan (reliability) sistem dengan Preventive Maintenance
R(T)n = probabilitas keandalan hingga n selang waktu
R(t-nT) = pobabilitas keandalan untuk waktu t-nT dari tindakan Preventive Maintenance
yang terakhir
Ln R(t)
Rm(t)
R(t)
0 T 2T 3T
maka,
Rm(t) = (e -λt)n e-λt(t-nT)
Rm(t) = e –λt
Rm(t) = R(t)
Berdasarkan rumus di atas, ini membuktikan bahwa Distribusi Eksponensial yang memiliki
laju kerusakan konstan, bila dilakukan Preventive Maintenance tidak akan menghasilkan
dampak apapun. Dengan demikian, tidak ada peningkatan reliability seperti yang diharapkan,
karena Rm(t) = R(t)
Namun apabila nilai laju kerusakan tidak konstan memungkinkan Preventive Maintenance
tidak meningkatkan keandalan peralatan. Pada saat itu solusi yang digunakan lebih baik adalah
penggantian mesin (E.E. Lewis, 1987).