SOAL A
B. Vein Analisis
a. Distribusi Eksponensial
Distribusi probabilitas eksponensial merupakan pengujian yang dilakukan
untuk melakukan perkiraan atau prediksi dengan hanya membutuhkan
perkiraan rata-rata populasi, karena distribusi eksponensial memiliki standar
deviasi sama dengan rata-rata. Distribusi ini termasuk ke dalam distribusi
kontinyu. Ciri dari distribusi ini adalah kurvanya mempunyai ekor di sebelah
kanan dan nilai x dimulai dari 0 sampai tak hingga. Distribusi eksponensial
merupakan model waktu (atau panjang atau area) antara kejadian Poisson.
Dengan fungsi pdf dan cdf sebagai berikut :
Sedangkan mean dan varians dari distribusi eksponensial adalah sebagai berikut :
TUGAS 2 Haifa Alliya Faisal 2017450080
Gambar kurva distribusi eksponensial berbeda-beda tergantung dari nilai x dan λ sebagai
berikut :
b. Distribusi Hiper-Eksponensial
Distribusi Normal adalah suatu distribusi empirik atau teoritis, yang meskipun
sudah banyak digunakan dalam bidang statistik tetapi masih merupakan suatu
misteri pada banyak orang. Distribusi Normal disebut juga distribusi Gauss (
Carl Friedrich Gauss, seorang ahli matematik yang banyak memberikan andil
pada pengembangannya pada permulaan abad 19). Kata 'normal' disini tidak
diartikan sebagai kata-kata dalam bahasa inggris 'normal' yang berarti 'ordinary
atau common' dan tidak juga seperti terminologi kedokteran sebagai 'tidak
sakit',, namun merupakan suatu model matematik yang menggambarkan
penyebaran probabilitas dari pengamatan yang tidak terbatas dan diukur terus
menerus.
Sedangkan mean dan varians dari distribusi Normal adalah sebagai berikut :
Rataan (Mean) :
Varians :
α* : = eα , σ* : = eσ (1)
Distribusi dikenali dari nilai ekspektasi µ dan deviasi standar σ. Dalam aplikasi
dimana distribusi log-normal tidak begitu menggambarkan data, biasanya
parameter-parameter ini tidak mudah diinterpretasikan dari pada dengan median
α* (McAlister 1879) dan parameter bentuk σ*.
Untuk distribusi log-normal, metode yang paling tepat (yaitu yang dianggap
paling efisien) untuk mengestimasi parameter µ* dan σ* bergantung pada
transformasi log.
Mean dan deviasi standar empiris dari logaritma data dihitung dan selanjutnya
ditransformasi balik, seperti pada persamaan (1). Estimator ini disebut x* dan s*,
dimana x* adalah mean geometrik dari data (McAlister 1879); persamaan 4).
Estimasi yang lebih robust namun kurang efisien dapat diperoleh dari median dan
quartil data.
TUGAS 2 Haifa Alliya Faisal 2017450080
e. Distribusi Weillbul
Distribusi Weibull memiliki parameter λ dan k, dimana parameter λ dank tersebut lebih
besar dari 0.
TUGAS 2 Haifa Alliya Faisal 2017450080
SOAL C
, adalah probabilitasnya X akan mengambil nilai kurang dari atau sama dengan x.
Fungsi distribusi kumulatif juga digunakan untuk menentukan distribusi variabel
acak multivariat .
Persamaan 1 :
Persamaan 2 :
TUGAS 2 Haifa Alliya Faisal 2017450080
Grafik :
4. Realibility Function
kemungkinan sistem atau komponen akan berfungsi hingga waktu tertentu (t). Saat
menentukan kehandalan dari suatu peralatan, terdapat hal penting yang harus
dinyatakan sebagai :
F (t) = P(T £ t)
di mana:
R(t) = P(T ³ t)
Bila dilihat dari waktu kerusakan atau kegagalan variabel T yang memiliki
fungsi kepekatan f(t), maka dapat didefinisikan sebagai berikut :
R(t) = 1 - F (t)
t
= 1 - ò f (s)ds
0
= ò f (s)ds
t
Luas area keseluruhan kurva sama dengan 1 sehingga dapat dikatakan bahwa
nilai dari probabilitas fungsi kehandalan dan fungsi distribusi kumulatif berada diantara
0 hingga 1, yakni :
0 £ R(t) £ 1
0 £ F(t) £ 1
TUGAS 2 Haifa Alliya Faisal 2017450080
5.
TUGAS 2 Haifa Alliya Faisal 2017450080
6. Failure Rate
Periode ini mempunyai laju kerusakan yang paling rendah dan hampir konstan, yang
disebut Constant Failure Rate (CFR). Kerusakan yang terjadi bersifat random dan
dipengaruhi oleh kondisi lingkungan. Ini adalah periode dimana sebagian besar umur
TUGAS 2 Haifa Alliya Faisal 2017450080
pakai komponen atau sistem berada.
Dalam analisa, tingkat kehandalan sistem diasumsikan berada pada periodeUseful life
time, dimana failure rate - nya konstan terhadap waktu. Asumsi ini digunakan karena
pada periode early life time, tidak dapat ditentukan apakah sistem tersebut sudah bekerja
sesuai dengan standar yang ditentukan atau belum. Sedangkan pada periode wear out
time, tidak dapat diprediksi kapan akan terjadi failure.
Pada periode useful life time, dimana failure rate - nya adalah konstan,
persamaan reliability yang digunakan:
Jika persamaan diatas diterapkan pada sistem atau komponen yang masih baru, maka
tingkat kehandalannya diasumsikan pada pada keadaan 100% atau R0 = 100%.
Sedangkan untuk komponen atau sistem yang sudah tidak baru lagi, atau sudah pernah
mengalami maintenance, persamaannya dapat ditulis dalam bentuk :
Dimana :
R = nilai kehandalan (%)
M = nilai kehandalan setelah dilakukan aktifitas maintenance(maintainability)(%)
λ = laju kerusakan (failure rate)
Keterangan :
f = Jumlah kegagalan selama waktu pengujian
T = Total waktu pengujian
atau
Tingkat kegagalan suatu sistem biasanya bergantung pada waktu, dengan tingkat
yang bervariasi selama siklus hidup sistem. Misalnya, tingkat kegagalan sebuah
mobil pada tahun kelima pelayanannya mungkin jauh lebih besar daripada tingkat
Contoh:
Dalam sebuah pengujian laboratorium, 100 laptop dengan merk dan spesifikasi
yang sama dinyalakan terus menerus selama 1000 jam. Tiga laptop rusak setelah 200
jam menyala. Dua laptop lagi rusak setelah 400 jam menyala.
1. FR(%)
FR (%)=5/100×100%
=5%
FR(N)=5/96.400
=0,000052 kegagalan/ unit-jam
3. MTBF=1/F(RN)
=1/0,000052 jam
=19.230,7 jam
Jadi jarak waktu (rata-rata) antara perbaikan dan kerusakan berikutnya adalah
19.230,7 jam