TUGAS 2 Haifa Alliya Faisal 2017450080

SOAL A

A. Faktor-faktor yang berpengaruh dalam mendesain maintenance system :

1. Situasi Geografis = pabrik yang memiliki bengkel sendiri yang tersentralisasi

akan lebih mudah dipelihara, namun bila memiliki beberapa pabrik / plant yang
terpencar maka harus memiliki kelompok maintenance yang terdesentralisasi
dengan membentuk organisasi pararel.
2. Jenis Peralatan (Equipment) =Apabila terdapat banyak mesin yang sejenis
dalam pabrik maka melakukan maintenance secara sentralisasi dan sebaliknya.
3. Kontinuitas operasi (Operational Continuity) = sesuai dengan banyaknya shift
yang bekerja pada satuan hari kerja ( 7 atau 6 hari kerja).
4. Ukuran Pabrik (Plant type) = Pabrik yang besar lebih banyak memerlukan
tenaga maintenance daripada pabrik yang kecil sehingga hal ini menentukan
scope pengawasan dan pertanggung jawaban yang berbeda-beda.
5. Tenaga Kerja, fasilitas training dan kehandalannya = Ditentukan lokasi atas
ketersediaan tenaga kerja yang andal, bila semakin sulit maka pengawas dan
fasilitas training yang baik harus lebih mudah didapat.
6. Ruang Lingkup bagi Maintenance = bila suatu bagian maintenance yang
diserahi tanggung jawab hanya untuk memelihara mesin saja, maka beban
organisasinya tidak seberat suatu bagian maintenance yang tanggung jawabnya
meliputi bidang kerja lain.
7. Jenis Perusahaan = setiap perusahaan mempunyai kepentingan yang berbeda
atas pelayanan maintenance yang baik, misalnya perusahaan angkutan umum,
lebih banyak dituntut dari segi keamanan agar alat transportasi dapat berfungsi
sebagaimana mestinya sehingga bagian maintenance merupakan bagian yang
sangat penting.

B. Vein Analisis

Analisis yang dilakukan berdasarkan prinsip pembuluh darah vena.

TUGAS 2 Haifa Alliya Faisal 2017450080
SOAL B

1. Penjelasan probability density function dan cumulative distribution function :

a. Probability Density Function
TUGAS 2 Haifa Alliya Faisal 2017450080

b. Cumulative distribution function

TUGAS 2 Haifa Alliya Faisal 2017450080
Dalam teori dan statistik probabilitas , fungsi distribusi kumulatif ( CDF ) dari
variabel acak bernilai nyata X , atau hanya fungsi distribusi X , dievaluasi
pada x
, adalah probabilitasnya X akan mengambil nilai kurang dari atau sama
dengan x.

2. Jelaskan Macam- Macam Distribusi

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 :

Dalam menghitung probabilitas distribusi eksponensial, iatilah yang

digunakan adalah :
1. Dimana X = interval rata-rata
2. λ = parameter rata-rata
3. Xo = rata-rata sampel yang ditanyakan
4. e = eksponensial = 2,71828
5. Gambar daerah luas kurva distribusi eksponensial : Keterangan :
daerah arsiranprobabilitas tergantung tanda ≥ atau ≤.
jika P (X ≤ Xo) maka daerah arsiranprobabilitasnya berada di sebelah
kiri.

b. Distribusi Hiper-Eksponensial

Distribusi Hiper-Eksponensial terjadi dalam teori antrian ketika waktu

pelayanan untuk satu unit berdistribusi eksponensial dengan jumlah parameter
lebih dari satu. Berikut ini merupakan probability density function dari
distribusi Hiper-Eksponensial :
TUGAS 2 Haifa Alliya Faisal 2017450080
c. Distribusi Normal

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.

Ciri-ciri dari distribusi normal adalah sebagai berikut :

• Grafiknya selalu ada di atas sumbu datar X

• Bentuknya simetrik terhadap x = μ
• Mempunyai satu modus
• Grafiknya mendekati sumbu datar x dimulai dari x = μ + 3σ ke kanan dan x = μ -
3σ ke kiri
• Luas daerah grafik selalu sama dengan satu unit persegi
• σ makin besar, kurva makin rendah (B)
• σ makin kecil, kurva makin tinggi (A)

Berikut ini merupakan probability density function dari distribusi Normal :

Sedangkan mean dan varians dari distribusi Normal adalah sebagai berikut :
Rataan (Mean) :

Varians :

Contoh Kurva Distribusi Normal :

TUGAS 2 Haifa Alliya Faisal 2017450080

d. Distribusi log normal

Pengertian Distribusi Lognormal

Distribusi lognormal menggunakan dua parameter, yaitu s`yang merupakan

parameter bentuk (shape parameter) dan tmed sebagai parameter lokasi (location
parameter) yang merupakan nilai tengah dari suatu distribusi kerusakan.
Distribusi ini memiliki berbagai macam bentuk sehingga sering dijumpai data
yang sesuai dengan distribusi Weibull, juga sesuai dengan data dalam distribusi
lognormal. Fungsi realibility yang terdapat pada distribusi lognormal yaitu :

Fungsi reliabilitas : R (t) = 1 – Φ

Dimana s > 0, tmed > 0 dan t > 0
TUGAS 2 Haifa Alliya Faisal 2017450080
Diperlukan dua parameter untuk menggambarkan suatu distribusi log normal.
Biasanya digunakan mean µ dan deviasi standar σ (atau varians σ 2) dari log (X)
(Gambar 3). Bagaimanapun tetap ada baiknya menggunakan nilai yang
ditransformasikan balik (nilai dalam x, data terukur):

α* : = eα , σ* : = eσ (1)

Selanjutnya digunakan X ~ Λ(α* , σ*) sebagai ekspresi matematika, dimana X

terdistribusi menurut hukum log-normal dengan median µ* dan deviasi standar
σ*. Median dari distribusi log-normal ini adalah med(X) = α* = eα, karena µ
adalah median dari log(X). Dengan demikian peluang bahwa X lebih besar dari
µ* adalah 0.5, demikian pula peluang X yang lebih kecil dari µ*. Parameter σ*,
yang disebut deviasi standar perkalian yang menentukan bentuk dari distribusinya.
Gambar 4 menunjukkan kurva kepadatan untuk beberapa nilai σ*.

Gambar 4. Fungsi kepadatan untuk distribusi lognormal dengan beberapa

σ*

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 biasanya digunakan untuk menyelesaikan masalah-masalah yang

menyangkut lama waktu (umur) suatu objek yang mampu bertahan hingga akhirnya
objek tersebut tidak berfungsi sebagaimana mestinya (rusak atau mati).

Distribusi Weibull memiliki parameter λ dan k, dimana parameter λ dank tersebut lebih
besar dari 0.
TUGAS 2 Haifa Alliya Faisal 2017450080

SOAL C

1. Relative frequency histogram

Sebuah histogram frekuensi relatif merupakan modifikasi minor dari

histogram frekuensi yang khas. Alih-alih menggunakan sumbu vertikal untuk
menghitung nilai- nilai data yang jatuh ke dalam bin diberikan, kami menggunakan
sumbu ini untuk mewakili proporsi keseluruhan nilai data yang jatuh ke dalam bin
ini. Sejak 100% = 1, semua bar harus memiliki ketinggian dari 0 sampai 1.
Selanjutnya, ketinggian semua bar di histogram frekuensi relatif kami harus
berjumlah 1.
Dengan demikian, dalam contoh menjalankan bahwa kita telah melihat,
anggaplah bahwa ada 25 siswa di kelas kami dan lima telah mencetak lebih dari 40
poin. Daripada membangun sebuah bar tinggi lima untuk bin ini, kita akan
memiliki bar tinggi 5⁄25 = 0,2.
Membandingkan histogram untuk histogram frekuensi relatif, masing-
masing dengan sampah yang sama, kita akan melihat sesuatu. Bentuk keseluruhan
dari histogram akan sama. Sebuah histogram frekuensi relatif tidak menekankan
jumlah keseluruhan di setiap bin. Sebaliknya, jenis grafik berfokus pada bagaimana
jumlah nilai data di tempat sampah berkaitan dengan sampah lainnya. Cara bahwa
hal itu menunjukkan hubungan ini adalah dengan persentase dari jumlah total nilai
data
TUGAS 2 Haifa Alliya Faisal 2017450080

2. Probability density function

Dalam teori probabilitas, fungsi kepadatan probabilitas (PDF), atau

kepadatan variabel acak kontinu, adalah fungsi yang nilainya pada sampel (atau
titik) tertentu dalam ruang sampel (kumpulan nilai yang mungkin diambil oleh
variabel acak) dapat ditafsirkan sebagai memberikan kemungkinan relatif bahwa
nilai variabel acak akan sama dengan sampel itu.

Dengan kata lain, sementara kemungkinan absolut untuk variabel acak

kontinu untuk mengambil nilai tertentu adalah 0 (karena ada kumpulan nilai yang
mungkin tak terbatas untuk memulai), nilai PDF pada dua sampel berbeda dapat
digunakan untuk menyimpulkan , dalam penarikan variabel acak tertentu, seberapa
besar kemungkinan variabel acak akan sama dengan satu sampel dibandingkan
dengan sampel lainnya.
Dalam arti yang lebih tepat, PDF digunakan untuk menentukan probabilitas
variabel acak yang berada dalam rentang nilai tertentu, sebagai lawan untuk
mengambil satu nilai. Probabilitas ini diberikan oleh integral PDF variabel ini pada
TUGAS 2 Haifa Alliya Faisal 2017450080

rentangtersebut — yaitu, diberikan oleh area di bawah fungsi kepadatan tetapi di

atas sumbu horizontal dan antara nilai terendah dan terbesar dari rentang tersebut.

Fungsi kepadatan probabilitas adalah nonnegatif di mana-mana, dan integralnya di

seluruh ruang sama dengan 1.
Istilah "fungsi distribusi probabilitas" dan "fungsi probabilitas" juga terkadang
digunakan untuk menunjukkan fungsi kepadatan probabilitas. Namun, penggunaan
ini tidak standar di kalangan probabilist dan ahli statistik. Dalam sumber lain,
"fungsi distribusi probabilitas" dapat digunakan ketika distribusi probabilitas
didefinisikan sebagai fungsi di atas kumpulan nilai umum atau mungkin merujuk
pada fungsi distribusi kumulatif, atau mungkin merupakan fungsi massa
probabilitas (PMF) daripada fungsi massa jenis. "Fungsi kepadatan" itu sendiri
juga digunakan untuk fungsi massa probabilitas, yang menyebabkan kebingungan
lebih lanjut. Secara umum, PMF digunakan dalam konteks variabel acak diskrit
(variabel acak yang mengambil nilai pada set yang dapat dihitung), sedangkan PDF
digunakan dalam konteks variabel acak kontinu.

3. Cumulative distribution function

Dalam teori dan statistik probabilitas , fungsi distribusi kumulatif ( CDF ) dari
variabel acak bernilai nyata X , atau hanya fungsi distribusi X , dievaluasi pada x

, 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

Menurut Ebeling (1997, p23), kehandalan atau reliabilitas didefinisikan sebagai

kemungkinan sistem atau komponen akan berfungsi hingga waktu tertentu (t). Saat

menentukan kehandalan dari suatu peralatan, terdapat hal penting yang harus

diperhatikan yaitu spesifikasi fungsi yang diharapkan dari peralatan tersebut.

Kehandalan harus diterjemahkan dalam satuan fungsi waktu.

Definisi fungsi kehandalan adalah probabilitas suatu peralatan dapat beroperasi

dengan baik tanpa mengalami kerusakan dalam periode waktu tertentu.

Probabilitas atau kemungkinan kerusakan dari suatu fungsi waktu dapat

dinyatakan sebagai :

F (t) = P(T £ t)

di mana:

T = variabel acak kontinu yang menyatakan waktu hidup peralatan.

TUGAS 2 Haifa Alliya Faisal 2017450080

Fungsi reliabilitas, dinotasikan dengan R(t) , didefinisikan sebagai berikut :

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

7. Laju Kerusakan Konstan ( Constant Failure Rate)

8.
1. Dalam masa kerjanya, suatu komponen atau sistem mengalami berbagai kerusakan.
Kerusakan – kerusakan tersebut akan berdampak pada performa kerja dan efisiensinya.

Kerusakan – kerusakan tersebut apabila dilihat secara temporer, maka ia memiliki

suatu laju tertentu yang berubah – ubah. Laju kerusakan (failure rate) dari suatu
komponen atau sistem merupakan dinamic object dan mempunyai performa yang
berubah terhadap waktu t ( sec, min, hour, day, week, month and year). Keandalan
komponen / mesin erat kaitannya dengan laju kerusakan tiap satuan waktu. Hubungan
antara kedua hal tersebut ditunjukan apabila pada saat t = 0 dioperasikan sebuah
komponen kemudian diamati banyaknya kerusakan pada komponen tersebut maka akan
didapat bentuk kurva seperti pada gambar berikut:
TUGAS 2 Haifa Alliya Faisal 2017450080

9. Grafik laju kerusakan (failure rate) terhadap waktu

10.
11. Grafik diatas, yang sering disebut sebagai Bathtub Curve, terbagi menjadi tiga daerah
kerusakan, ketiga daerah tersebut adalah:

1. Burn – in Zone (Early Life)

12. Daerah ini adalah periode permulaan beroperasinya suatu komponen atau sistem yang
masih baru (sehingga reliability – nya masih 100% ), dengan periode waktu yang
pendek. Pada kurva ditunjukan bahwa laju kerusakan yang awalnya tinggi kemudian
menurun dengan bertambahnya waktu, atau diistilahkan sebagai Decreasing Failure
Rate (DFR). Kerusakan yang terjadi umumnya disebabkan karena proses manufacturing
atau fabrikasi yang kurang sempurna.
2.Useful Life Time Zone

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)

3. Wear Out Zone

Periode ini adalah periode akhir masa pakai komponen atau sistem. Pada periode ini, laju
kerusakan naik dengan cepat dengan bertambahnya waktu, yang disebut dengan
istilah Increasing Failure Rate (IFR). Periode ini berakhir saat reliability komponen atau
sistem ini mendekati nol, dimana kerusakan yang terjadi sudah sangat parah dan tidak
dapat diperbaiki kembali.
Failure Rate (Laju Kegagalan) :
Laju kegagalan didefinisikan sebagai banyaknya kegagalan per satuan waktu, atau :
TUGAS 2 Haifa Alliya Faisal 2017450080

Keterangan :
f = Jumlah kegagalan selama waktu pengujian
T = Total waktu pengujian
atau

f (t) = Probability density function (pdf)

R(t) = Reliability function

Tingkat kegagalan adalah frekuensi kegagalan sistem atau komponen yang

direkayasa , yang dinyatakan dalam kegagalan per unit waktu. Biasanya
dilambangkan dengan huruf Yunani λ (lambda) dan sering digunakan dalam teknik
keandalan .

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

kegagalannya selama tahun pertama pelayanannya. Seseorang tidak berharap untuk

mengganti pipa knalpot, merombak rem, atau mengalami masalah transmisi besar
pada kendaraan baru.
Dalam prakteknya, waktu rata - rata antara kegagalan (MTBF, 1 / λ) sering
dilaporkan sebagai pengganti tingkat kegagalan. Ini valid dan berguna jika tingkat
kegagalan dapat diasumsikan konstan - sering digunakan untuk unit / sistem yang
kompleks, elektronik - dan merupakan kesepakatan umum dalam beberapa standar
keandalan (Militer dan Dirgantara). Itu dalam hal ini hanya berhubungan dengan
daerah datar dari kurva bak mandi , yang juga disebut "masa manfaat". Oleh karena
itu, tidak benar untuk mengekstrapolasi MTBF untuk memberikan perkiraan masa
pakai suatu komponen, yang biasanya akan jauh lebih sedikit daripada yang
TUGAS 2 Haifa Alliya Faisal 2017450080
disarankan oleh MTBF karena tingkat kegagalan yang jauh lebih tinggi dalam
"keausan di akhir masa pakai". bagian dari "kurva bak mandi".
Alasan penggunaan yang disukai untuk angka MTBF adalah bahwa penggunaan
angka positif yang besar (seperti 2000 jam) lebih intuitif dan lebih mudah diingat
daripada angka yang sangat kecil (seperti 0,0005 per jam).
MTBF adalah parameter sistem yang penting dalam sistem di mana tingkat
kegagalan perlu dikelola, khususnya untuk sistem keselamatan. MTBF sering
muncul dalam persyaratan desain teknik , dan mengatur frekuensi pemeliharaan dan
inspeksi sistem yang diperlukan. Dalam proses khusus yang disebut proses
pembaruan , di mana waktu untuk pulih dari kegagalan dapat diabaikan dan
kemungkinan kegagalan tetap konstan terhadap waktu, tingkat kegagalan hanyalah
kebalikan perkalian dari MTBF (1 / λ).
Rasio serupa yang digunakan dalam industri transportasi , terutama di
perkeretaapian dan truk adalah "jarak rata-rata antara kegagalan", variasi yang
berupaya menghubungkan jarak muatan aktual dengan kebutuhan dan praktik
keandalan yang serupa.

Tingkat kegagalan merupakan faktor penting dalam industri asuransi, keuangan,

perdagangan dan regulasi dan fundamental untuk desain sistem yang aman dalam
berbagai macam aplikasi.
Salah satu cara mengetahui tingkat kehandalan (reliability) sebuah produk
adalah dengan mengukur:
Tingkat Kegagalan (Failure Rate (FR) atau λ (baca: lambda)) produk tersebut, atau;
1. Waktu (rata-rata) antara perbaikan dengan kerusakan berikutnya pada
sebuah komponen, mesin, proses, atau produk (Mean Time Between Failures
(MTBF)).

Rumus dasar kedua ukuran tadi adalah sbb:

1. FR (%)= (jumlah kegagalan/ jumlah unit yang diuji atau populasi) x 100
atau
FR (kali/jam operasional)=(jumlah kegagalan/ jumlah jam berfungsi seluruh unit
TUGAS 2 Haifa Alliya Faisal 2017450080
yang diuji atau populasi)
Catatan:
– Untuk mempermudah, FR (kali/ jam berfungsi) disebut FR(N)
– FIT (Failures in Time) adalah cara lain untuk menyajikan tingkat kegagalan di
tingkat komponen, terutama komponen-komponen yang tingkat kegagalannya
sangat rendah. Dalam FIT, tingkat kegagalan dihitung per 1 milyar jam operasional
(1.000.000.000 jam operasional)

2. MTBF= 1/FR(N) atau 1/λ

Catatan:
– MTBF= 1.000.000.000 x 1/FIT

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.

Hitunglah tingkat kegagalan laptop tersebut:

1. FR(%)
2. FR(N), dan;
3. MTBF

1. FR(%)
FR (%)=5/100×100%
=5%

2. Jumlah waktu (100 unit, @1000jam)= 100×1000

= 100.000 unit-jam Waktu

gagal berfungsi:
TUGAS 2 Haifa Alliya Faisal 2017450080
3 unit x (1000-200 jam)=2400 unit-jam
2 unit x (1000-400 jam)=1200 unit-jam Jumlah
waktu gagal berfungsi= 3600 unit-jam

Jumlah waktu berfungsi= (100.000-3.600) unit-jam

= 96.400 unit-jam

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