NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
Skripsi
Oleh:
Cecilia Novianti Salsinha NIM: 083114015
YOGYAKARTA
2012
i
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
QUALITY CONTROL
Thesis
By:
Cecilia Novianti Salsinha Student Number: 083114015
YOGYAKARTA
2012
ii
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
iii
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
iv
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
HALAMAN PERSEMBAHAN
MOTTO
Salsinha,
v
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
vi
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
ABSTRAK
Kata kunci: distribusi Weibull, kertas peluang Weibull, analisis data waktu
hidup, pengendalian mutu, grafik pengendali, rata-rata kegagalan komponen.
vii
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
ABSTRACT
vii
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
ix
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
KATA PENGANTAR
Puji dan syukur penulis haturkan ke hadirat Tuhan Yang Maha Kuasa
atas segala berkat dan penyertaanNya sehingga penulis dapat menyelesaikan
skripsi ini dengan baik.
Skripsi yang berjudul “Distribusi Weibull: Sifat-Sifat dan Aplikasinya
Dalam Analisis Data Waktu Hidup dan Pengendalian Mutu” ini adalah salah
satu syarat untuk memperoleh gelar sarjana Matematika pada Fakultas Sains
dan Teknologi. Dalam penulisan skripsi ini, tentunya penulis telah menerima
bantuan baik secara moril maupun materil dari berbagai pihak. Oleh karena
itu penulis ingin menyampaikan ucapan terima kasih kepada:
2. Ibu Lusia Krismiyati Budiasih, S.Si., M.Si. selaku Ketua Program Studi
Matematika beserta Ibu Ch. Enny Murwaningtyas, S.Si., M.Si yang telah
memberikan banyak bimbingan dalam hal akademik dan perkuliahan.
3. Seluruh bapak dan ibu dosen yang telah memberikan banyak ilmu
pengetahuan kepada penulis selama menjalani perkuliahan di Universitas
Sanata Dharma.
4. Mas Susilo selaku laboran yang telah banyak membantu penulis dalam
perkuliahan, terutama dalam penulisan skripsi ini.
x
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
7. Kakak Oktovianus Koa atas perhatian dan kasih sayangnya serta telah
memberikan dukungan, nasihat dan semangat kepada penulis dalam
perkuliahan terlebih dalam penyusunan skripsi ini.
10. Teman-teman KKN XLII Kelompok 33: Ermen, Ulin, Susan, Adel, Arum,
Abet dan Aben.
11. Semua pihak yang tidak dapat disebutkan satu persatu yang telah banyak
memberikan bantuan, dorongan dan motivasi sehingga skripsi ini dapat
terselesaikan.
xi
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
DAFTAR ISI
Halaman
HALAMAN JUDUL........................................................................................i
HALAMAN PENGESAHAN..........................................................................iv
HALAMAN PERSEMBAHAN.......................................................................v
HALAMAN ABSTRAK..................................................................................vii
HALAMAN ABSTRACT................................................................................viii
KATA PENGANTAR......................................................................................x
DAFTAR ISI....................................................................................................xii
DAFTAR TABEL............................................................................................xvii
DAFTAR GAMBAR.......................................................................................xviii
BAB I PENDAHULUAN
B. Rumusan Masalah......................................................................................4
C. Pembatasan Masalah..................................................................................4
D. Tujuan Penulisan.......................................................................................5
E. Manfaat Penulisan.....................................................................................5
xii
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
F. Metode Penulisan..........................................................................5
G. Sistematika Penulisan....................................................................6
A. Distribusi Probabilitas........................................................................10
1. Variabel Random.....................................................................................10
2. Fungsi Probabilitas..................................................................................11
a. Mean...................................................................................................13
b. Variansi...............................................................................................13
c. Momen................................................................................................14
B. Distribusi Eksponensial.......................................................................15
1. Fungsi Probabilitas..................................................................................15
xii
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
b. Mean...................................................................................................16
c. Variansi...............................................................................................17
C. Distribusi Gamma........................................................................................18
1. Fungsi Probabilitas..................................................................................18
b. Mean...................................................................................................20
c. Variansi...............................................................................................21
E. Deret Taylor.................................................................................................25
1. Grafik Pengendali....................................................................................32
A. Fungsi Probabilitas....................................................................................39
B. Grafik Distribusi........................................................................................41
xi
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
D. Sifat-sifat Distribusi Weibull.....................................................................45
1. Mean...................................................................................................45
2. Variansi...............................................................................................46
1. Reliabilitas..........................................................................................68
b. Sistem Seri...................................................................................70
c. Sistem Paralel..............................................................................73
xv
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
B. Aplikasi Dalam Pengendalian Mutu..........................................................89
1. Grafik Pengendali89
BAB V PENUTUP
Kesimpulan100
Saran101
DAFTAR PUSTAKA102
LAMPIRAN105
xv
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
DAFTAR TABEL
Halaman
Tabel 2.1...........................................................................................................10
Tabel 3.1...........................................................................................................55
xv
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
DAFTAR GAMBAR
Halaman
Gambar 2.1.......................................................................................................23
Gambar 2.2.......................................................................................................41
Gambar 2.3.......................................................................................................33
Gambar 2.4.......................................................................................................37
Gambar 2.5.......................................................................................................37
Gambar 3.1.......................................................................................................42
Gambar 3.2.......................................................................................................43
Gambar 3.3.......................................................................................................58
Gambar 3.4.......................................................................................................59
Gambar 3.5.......................................................................................................60
Gambar 3.6.......................................................................................................61
Gambar 3.7.......................................................................................................62
Gambar 3.8.......................................................................................................66
Gambar 4.1.......................................................................................................71
Gambar 4.2.......................................................................................................74
Gambar 4.3.......................................................................................................81
Gambar 4.4.......................................................................................................86
Gambar 4.5.......................................................................................................87
Gambar 4.6.......................................................................................................88
Gambar 4.7.......................................................................................................88
Gambar 4.8.......................................................................................................94
xv
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
Gambar 4.9.......................................................................................................96
Gambar 4.10.....................................................................................................97
Gambar 4.11.....................................................................................................99
xi
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN
BAB I
PENDAHULUAN
Awalnya distribusi ini digunakan oleh Rosin, Rammler dan Sperling pada
perhatian ahli statistik yang mempelajari teori dan metode dalam berbagai
distribusi ini. Distribusi ini menjadi orientasi dari ahli statistika karena
kelebihannya yakni dapat digunakan dalam berbagai bidang mulai dari da-
ta uji hidup sampai data cuaca atau observasi antara lain dalam bidang
e— x, x>0
ƒ(x) = 0 , selainnya
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
distribusi yang sering digunakan dalam analisis data waktu hidup. Pada
umumnya data uji hidup tidak berdistribusi normal sehingga tidak dapat
distribusi dari waktu kegagalan. Misalkan ƒ(t) adalah fungsi densitas dari
F(t) = ƒ ƒ(x)dx
0
t
Eksponensial maka R(t) = 1 − f0 λe– xdx
= 1 − (1 − e– t)
= e– t
tersebut bertahan.
pengujian. Oleh karena itu model eksponensial tidak dapat digunakan, dan
Sesuai dengan uraian di atas maka penulis ingin mempelajari lebih jauh
tidak semua data berdistribusi normal. Jika data tak berdistribusi normal
Dalam skripsi ini akan dibahas salah satu distribusi yang memiliki
yang dibahas adalah grafik pengendali dan analisis data waktu hidup.
B. Rumusan Masalah
C. Pembatasan Masalah
Adapun beberapa hal yang dibatasi penulis dalam tulisan ini adalah
sebagai berikut :
D. Tujuan Penulisan
Tujuan dari penulisan ini adalah untuk mengetahui sifat-sifat dari distribusi Weibull serta aplikas
E. Manfaat Penulisan
Manfaat yang akan diperoleh setelah mempelajari topik ini adalah dapat memahami sifat-sifat dis
F. Metode Penulisan
Metode yang digunakan penulis adalah metode studi pustaka yaitu dengan mempelajari buku-b
Weibull serta aplikasinya dalam dalam analisis data waktu hidup dan
pengendalian mutu.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
G. Sistematika Penulisan
BAB I PENDAHULUAN
B. Rumusan Masalah
C. Pembatasan Masalah
D. Tujuan Penulisan
E. Manfaat Penulisan
F. Metode Penulisan
G. Sistematika Penulisan
BAB II LANDASAN
TEORI
A. Distribusi Probabilitas
1. Variabel Random
2. Fungsi Probabilitas
a. Mean
b. Variansi
c. Momen
B. Distribusi Eksponensial
1. Fungsi Probabilitas
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 7
b. Mean
c. Variansi
Distribusi Gamma
Fungsi Probabilitas
Mean
Variansi
Deret Taylor
Grafik Pengendali
Fungsi Probabilitas
Grafik Distribusi
1. Mean
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 8
2. Variansi
Reliabilitas
Sistem Seri
Sistem Paralel
Grafik Pengendali
B. Saran
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN
BAB II
LANDASAN TEORI
A. Distribusi Probabilitas
1. Variabel Random
Definisi 2.1
Variabel random adalah fungsi bernilai real yang didefinisikan pada ruang sampel. Variabel rand
Contoh 2.1
Dalam percobaan pelemparan dua koin akan diamati hasilnya. Misalkan X menunjukkan
Penyelesaian
Misalkan A dan G adalah lambang munculnya angka dan gambar secara berturut-turut; R
yang muncul maka nilai dari X bergantung pada banyaknya angka
AG : kejadian muncul angka pada pelemparan pertama dan gambar pada pelemparan
GA : kejadian muncul gambar pada pelemparan pertama dan angka pada pelemparan
AA : kejadian muncul angka semua pada pelemparan dua koin.
Oleh karena X adalah variabel random yang menunjukkan banyaknya angka yang muncu
Tabel 2.1
Banyaknya
Hasilangka yangProbabilitas percobaan muncul
x P(x)
GG 0 0,25
AG atau GA 1 0,50
AA 2 0,25
P(S) 1
Definisi 2.2
Variabel random dikatakan diskret jika nilai-nilainya membentuk himpunan berhingga (f
Fungsi Probabilitas
Fungsi distribusi probabilitas atau sering disebut fungsi probabilitas dibagi menjadi dua ya
Distribusi Probabilitas Diskret
Definisi 2.3
Fungsi probabilitas variabel random diskret X adalah fungsi yang memetakan himpunan nilai
Fungsi p(x) disebut fungsi probabilitas diskret bila memenuhi
syarat:
1) 0 ≤ P(x) ≤ 1
2) Σ∀x P(x) = 1
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 1
Definisi 2.4
Fungsi probabilitas variabel random kontinu X adalah fungsi yang memetakan himpuna
Fungsi f(x) disebut fungsi probabilitas variabel random kontinu X
1) ƒ(x) ≥ 0
∞
2) ƒ–∞ ƒ(x)dx = 1
Contohnya distribusi Normal, distribusi Exponential, distribusi
Definisi 2.5
Fungsi distribusi kumulatif dari variabel random diskret dan kontinu didefinisikan sebagai
berikut:
a. Mean
Definisi 2.6
Mean atau ekspektasi matematik (expected value) dari variabel random diskret dan kontin
b. Variansi
Definisi 2.7
Jika X suatu variabel random, maka variansi dari X, ditulis Var(X) atau V(X), didefinis
Teorema 2.8
Bukti:
= E(X2) – (E(X))2 ∎
c. Momen
Definisi 2.9
Nilai harapan dari Xr yang menyatakan momen nol ke-r dari variabel random X adalah
Definisi 2.10
Fungsi pembangkit momen (moment generating function, MGF) dari X, ditulis MX(t) da
MX(t) = E(etX)
B. Distribusi Eksponensial
Pada subbab ini akan sedikit dibahas tentang distribusi Eksponensial. Hal-
hal yang berkaitan dengan distribusi Eksponensial antara lain sebagai berikut.
1. Fungsi Probabilitas
Definisi 2.11
Variabel random X dikatakan berdistribusi Eksponensial apabila fungsi probabilitasnya se
Berdasarkan Definisi 2.10 maka Fungsi pembangkit Momen dari distribusi Eksponens
∫ f ( x)dx
MX(t) =etx
∞
= ƒ etx λe–Jx dx
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 1
= λ ƒ etxe–Jx dx
0
= λ ƒ e–x(J–t)dx
0
–x(J–t) ∞
= λ [e ]
−(λ − t)
0
∞
e–x(J–t) ]
=λ[
t−λ
0
0–1
=λ( )
t–J
λ
=
λ−t
adalah
MX(t) = λ
λ−
t
b. Mean
d λ
E( X ) = ( )
dt λ − t
λ(−1)
= −[ ]
(λ − t)2
λ
=
(λ − t)2
1
Pada saat t = 0 maka E(X) =
J
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 1
1
Jadi, mean dari distribusi Eksponensial adalah E(X) = .
J
c. Variansi
Berdasarkan Teorema 2.8, variansi dari sebuah fungsi densitas adalah sebagai berikut.
Var(X) = E(X2) − (E(X))2
Dari definisi di atas maka nilai dari E(X2) dan E(X)2 adalah
E(X2) = d [ λ
]
dt (λ − t)2
λ ∙ 2(λ − t) ∙ −1
= −(λ − t)4
2λ(λ − t)
= (λ − t)4
2
Pada saat t = 0 maka E(X2) = 2J
J4
2
=
λ2
1
=
λ2
Var(X) = E(X2) − (E(X))2
2 1
= −
λ2 λ2
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 1
1
=
λ2
1
Var(X) =
λ2
C. Distribusi Gamma
Pada subbab ini akan sedikit dibahas tentang distribusi Gamma. Hal-hal yang berkaitan denga
1. Fungsi Probabilitas
Definisi 2.12
Variabel random X dikatakan berdistribusi Gamma jika dan hanya jika fungsi probabilitasnya
1 z–1 –
x
ƒ(x) = wzΓ(z) xe, w x > 0, w > 0, z > 0
sebagai berikut
Definisi 2.13
∞
Γ(z) = ƒ xz–1e–xdx
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 1
Sama halnya dengan distribusi Eksponensial, distribusi Gamma pun mempunyai sifat-sifat an
Fungsi Pembangkit Momen
Berdasarkan Definisi 2.10 maka fungsi pembangkit momen dari distribusi Gamma adalah seb
MX(t) = E(etX)
∞
= ƒ etxƒ(x)dx
0
∞
= ƒ etx 1 z–1 –
x
wzΓ(z) xedx
w
0
∞
=ƒ 1 xz–1e– 1
(w–t)xdx
0 wzΓ(z)
∞
=ƒ 1 z–1 – (1–tw)
x
0 wzΓ(z) xe wdx
∞
1 x
(1 − – (1–tw)
= ƒ wdx
(1 − tw)z tw)z xz–1e
wzΓ(z)
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
z
1
∞
(1 − tw)
1–tw
= w – (
(1 − tw)z ƒ Γ(z) xz–1e w )x
dx
0
1
MX(t) = (1 − tw)z
b. Mean
Berdasarkan Definisi 2.6 maka mean dari distribusi Gamma adalah sebagai berikut
∞
E(X) = ƒ xƒ(x)dx
0
∞
=ƒ x z–1 –
x
wzΓ(z) xedx
w
0
∞
1 z –
x
= wzΓ(z) ƒ x edx w
x
Misalkan u =maka
w
x = wu
dx = w du
1
maka E(X) = ∞
(wu)ze– u w du
wzΓ(z) ƒ
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
∞
1
= z ƒ w z u z e – u w du
w Γ(z)
0
∞
w
= Γƒ uze– u du
(z)
0
c. Variansi
Berdasarkan Teorema 2.8 maka variansi dari sebuah fungsi densitas adalah sebagai be
Var(X) = E(X2) − E(X)2
Dari definisi di atas maka nilai dari E(X2) dan E(X)2 adalah
∞
E(X2) = ƒ x2ƒ(x)dx
0
∞
=ƒ x2 x
xz–1e– wdx
0 wzΓ(z)
∞
1 z+1 –
x
= wzΓ(z) ƒ xedx w
Misalkan u = x maka x = wu
w
dx = w du
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
1
maka E(X2) =
wzΓ(z) ∞
(wu)z+1e– u w du
ƒ
0
∞
1 ƒ wz+1uz+1e– u w du
= 0
wzΓ(z)
∞
wz+2 ƒ uz+1e– u du
= 0
wzΓ(z)
∞
w2 ƒ uz+1e– u du
= Γ(z) 0
w2
E(X2) = ΓΓ(z + 2)
(z)
w2
= Γ(z) (z + 1) Γ(z + 1)
w2
= Γ(z) (z + 1) z Γ(z)
= z(z + 1)w2
(2.3)
E(X)2 = (zw)2
= z2w2 (2.4)
= zw2
Teorema2.15:Jikafkontinupadaselangtertutup[a, b]
dan terdiferensialkan pada titik-titik dalam dari (a, b) maka terdapat paling sedikit satu bila
ƒ(b) − ƒ(a)
= ƒ′(c)
b−a
y=f(x)
s(x) (b,f(b))
y=g(x)
(a,f(a))
X
a x b
Bukti:
s(x) = ƒ(x) − g(x), yang diperkenalkan pada Gambar 2.1 Pada gambar
tersebut y = g(x) adalah persamaan garis yang melalui (a, ƒ(a)) dan
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
[f(b)–f(a)]
(b, ƒ(b)). Oleh karena garis ini mempunyai kemiringan
(b–a)
dan
adalah
ƒ(b) − ƒ(a)
s(x) = ƒ(x) − g(x) = ƒ(x) − ƒ(a) − (x − a)
b−a
Jelas bahwa s(b) = s(a) = 0 dan untuk x dalam (a, b)
ƒ(b) − ƒ(a)
s′(x) = ƒ′(x) −
b−a
suatu bilangan c dalam (a, b) yang memenuhi s′(c) = 0, maka bukti akan
ƒ( b ) − ƒ( a )
0 = ƒ′(x) − b−a
alasannya adalah sebagai berikut. Jelas bahwa s kontinu pada [a, b] karena
pada [a, b]. Jika kedua nilai ini kebetulan adalah 0, maka s(x) secara
identik adalah 0 pada [a, b], akibatnya s′(x) = 0 untuk semua x dalam
maka nilai tersebut dicapai pada sebuah titik dalam c, karena s(a) =
E. Deret Taylor
ƒ′′(a)
ƒ(x) = ƒ(a) + ƒ′(a)(x − a) + (x − a)2 + ⋯
2!
f(n)(a)
+ (x − a)n + R (x)
n! n
ƒ(n+1)(c)
Rn(x) = (x − a)n+1
(n + 1)!
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
Bukti:
Untuk membuktikan teorema tersebut terlebih dahulu akan didefinisikan fungsi Rn(x) di I
′
ƒ′′(a) ƒ(3)
Rn(x) = ƒ(x) − ƒ(a) − ƒ (a)(x − a) − 2! (x − a)2 −(x − a)3
3!
(n)
— ⋯ − f(x − a)n
n!
di I dengan
′
ƒ′′(t)(x − t)2ƒ(3)(t)(x − t)3
g(t) = ƒ(x) − ƒ(t) − ƒ (t)(x − t) − −
2!3!
ƒ(n)(t)(x − t)(n)(x − t)n+1
— ⋯ −− Rn(x)
n!(x − t)n+1
′
ƒ′′(a)(x − a)2ƒ(3)(a)(x − a)3
g(a) = ƒ(x) − ƒ(a) − ƒ (a)(x − a) − −
2!3!
(n) n n+1
—⋯− f (a)(x–a) − R (x) (x–a)
n! n (x–a)n+1
= Rn(x) − Rn(x)
=0
(n + 1)(x −
— Rn(x) t)n(−1)
(x − a)n+1
1 (x − t)n
=− (x − t)nƒ(n+1)(t) + (n + 1)Rn(x)
(x − a)n+1
n!
Jadi, berdasarkan Teorema Nilai Rata-rata untuk Turunan, terdapat suatu
(n+1)
(c)
Rn(x) = ƒ (x − a)n+1 ∎
(n + 1)!
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
(a − r, a + r).
Deret Taylor
′
ƒ′′(a) ƒ(3)(a)
ƒ(a) + ƒ (a)(x − a) + (x − a)2 + 3! (x − a)3 + ⋯
2!
lim Rn(x) = 0
n→∞
ƒ(n+1)(c)
Rn(x) = (n + 1)! (x − a)n+1
Bukti:
Untuk membuktikan teorema di atas hanya dibutuhkan Teorema 2.16. Deret pada Teorema
′
ƒ′′(a)
ƒ(x) = ƒ(a) + ƒ (a)(x − a) + (x − a)2 + ⋯
2!
(n)
+f (a) (x − a)n + R (x)
n! n
Pada deret ƒ(x) di atas, jika limn→∞ Rn(x) = 0 maka terbukti bahwa deret
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
ƒ′′(a) ƒ(3)(a)
ƒ(a) + ƒ′(a)(x − a) + (x − a)2 + (x − a)3 + ⋯
2! 3!
ƒ( x) = (x–a)n
Σ∞ n ƒ(n)(a) n! ∎
X1, X2, … , Xn dengan nilai sampelnya adalah x1, x2, … , xn. Fungsi densitas
bersama dari X1, X2, … , Xn adalah ƒ(x1, x2, … , xn; θ). Fungsi likelihood dari
L(θ; x1, x2, … , xn) disingkat menjadi L(θ). Jika X1, X2, … , Xn merupakan
= G P(Xi = xi)
i=1
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 3
= G P(xi; θ)
i=1
Dan dalam kasus kontinu, jika fungsi densitasnya adalah ƒ(x, θ) maka
sebagai berikut:
dengan nol.
diperoleh θ^.
adalah fungsi naik sehingga jika x1 < x2 maka ƒ(x1) < ƒ(x2). Ini berarti
bahwa pada titik tertentu dimana logaritma natural dari fungsi likelihood
mencapai maksimum maka pada titik yang sama pula fungsi likelihood
akan selalu ada variabilitas hasil produksi karena adanya gangguan atau
kecil maka biasanya dipandang sebagai tingkat yang dapat diterima dari
proses yang bekerja hanya dengan adanya variasi dari sebab-sebab tak
dengan variabilitas dasar dan biasanya merupakan tingkat yang tidak dapat
2. Dua dari tiga titik berurutan jatuh di luar batas peringatan 2-sigma.
3. Empat dari lima titik yang berurutan jatuh pada jarak 1-sigma atau
4. Delapan titik yang berurutan jatuh pada satu sisi dari garis tengah.
1. Grafik Pengendali
(BPB). Untuk lebih jelasnya dapat dilihat pada Gambar 2.2 di bawah
ini.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 3
Grafik Pengendali
10
8
Karakteristik kualitas
6
Xbar
4
BPA Xbar GT Xbar
2
0
BPB Xbar
12345678 9 10
Nomor sampel atau waktu
satu dari grafik pengendali Shewhart. BPA dan BPB ditunjukkan dengan dua garis men
berkaitan dengan keadaan terkendali.
maka semua titik yang digambar harus mempunyai pola yang pada
kemampuan proses.
standar deviasi dari mean proses. Deskripsi ini juga mengarah pada
sampel itu, atau dengan cara lain, hanya 0,27% dari hasil proses akan jatuh diluar batas to
0,27% diluar toleransi alami kedengarannya kecil, namun bila jumlah produksi satu juta b
Jika distribusi hasil proses tidak normal, maka persen hasil yang jatuh di luar μ ± 3σ dapa
Analisis kemampuan proses dapat didefinisikan sebagai suatu studi keteknikan guna men
mempunyai spesifikasi bentuk, nilai tengah (mean) dan penyebaran
σ = 0,001 cm.
probabilitas.
adalah bahwa cara itu memberikan kesan visual dan segera tentang
dengan BSA dan BSB masing-masing adalah Batas Spesifikasi Atas dan Batas Spesifika
dua sisi. Untuk spesifikasi satu sisi, PKPnya adalah sebagai berikut
atau
Gambar 2.4 Kemampuan Proses Jelek karena Pusat Proses yang Jelek
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 3
Gambar 2.5 Kemampuan Proses Jelek karena Variabilitas Proses yang Besar
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN
BAB III
DISTRIBUSI WEIBULL
A. Fungsi Probabilitas
Definisi 3.1
Variabel random X dikatakan berdistribusi Weibull apabila fungsi probabilitasnya sebagai beri
αβxβ—1e—αxβ,
untuk x > 0,α > 0,β >0
ƒ(x) = {0 , selainnya (3.1)
Misalkan {ƒ(∙ ; θ), θ > 0} adalah keluarga dari fungsi densitas dengan parameter θ. Parameter
untuk setiap fungsi densitas ℎ(∙).
Contoh 3.1
normal berikut
1
ƒ(x; σ) = 1 x 2
exp [− ( ) ], σ disebut parameter skala.
√2πσ 2 σ
maka distribusi akan menyebar, sedangkan jika parameter skala kecil maka
suatu distribusi.
Parameter θ adalah parameter lokasi jika dan hanya jika fungsi densitas
ℎ(x − θ, λ) untuk setiap fungsi ℎ(∙ ; λ) dan ℎ(∙ ; λ) tidak bergantung pada
θ.
Contoh 3.2
Berikut ini adalah contoh dari parameter lokasi. Pada fungsi distribusi
normal berikut
1 1 x−μ 2
ƒ(x; μ; σ) = exp [− ( ) ]
√2πσ 2 σ
B. Grafik Distribusi
fungsi densitas dengan nilai ƒ(x) > 1. Hal ini juga terjadi jika parameter
parameter skala konstan. Grafik di bawah ini adalah contoh grafik fungsi
Pada grafik di atas tampak jelas bahwa dengan nilai β yang berbeda-beda
akan membentuk grafik yang berbeda-beda pula. Pada saat β = 1 maka persamaan (3.1) akan
Jika digambarkan dengan menggunakan MATLAB, dengan menggunakan sintaks
syms x
beta=sym(3.5);
f=beta*x^(beta-1)*exp(-x^beta);
ezplot(f)
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
∞ ∞ β
ƒ 0ƒ(x)dx = ƒ αβxβ–1e–αx dx
0
Misalkan u = αxβ
du = αβxβ–1dx
∞ ∞
ƒ ƒ(x)dx = ƒ αβxβ–1e–αxβdx
00
∞
= ƒ e–udu
0
= −e–u]∞
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
=1
∞
Jadi, nilai ƒ ƒ(x)dx = 1
0
F(x) = ƒ ƒ(t)dt
0
x
β
= ƒ αβtβ–1e–αt dt
0
1
u
Misalkan u = αtβ maka t = ( )β
α
du = αβtβ–1dt
x
F(x) = ƒ e–udu
0
= −e–u]x
0
β x
= −e–αt ]
0
β
= −e–αx − (−1)
β
= 1 − e–αx
β
F(x) = 1 − e–αx
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
1. Mean
Salah satu konsep penting dalam teori probabilitas adalah tentang ekspektasi atau sering dis
∞
E(X) = ƒ x(αβxβ–1e–αxβ)dx
0
∞
E(X) = ƒ(αβxβe–αx β )dx
0
du = αβxβ–1dx
∞ 1 β
u β 1
e–u du
E(X) = ƒαβ [( ) ]α 1 β–1
0 αβ [(u)β]
l α J
∞ 1 β 1 1–β
u βu β
E(X) = ƒ {[( ) α] e–u [( ) α
]} du
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
∞
1
u
E(X) = ƒ [e ( ) ]β du–
u α
0
∞ 1
uβ
E(X) = ƒ –u
(e 1) du
αβ
0
1
1 ∞ –u
E(X) = u ) du
β
1ƒ
(e 0
αβ
menjadi
1
E(X) = α 1Γ
β
+ 1) (3.2)
–(
β
2. Variansi
berikut.
Dari definisi di atas maka nilai dari E(X2) dan E(X)2 adalah
∞
β
E(X ) = ƒ x2(αβxβ–1e–αx )dx
2
∞
β
E(X 2 ) = ƒ(αβx β+1 e –αx )dx
0
1
β u
Misalkan u = αx maka x = ( )
β
α
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
du = αβxβ–1dx
∞ 1 β+1
E(X2) = ƒαβ [(u)β] 1
e–u 1 β–1 du
α
0 αβ [(u)β]
l α J
∞ 1 β+1 1 1–β
E(X2) = ƒ {[(u)β] e–u [(u)β]} du
α α
0
∞ 1 1
u 1+β u β–1
E(X ) = ƒ [( )e( )] du–u
2
α α
0
∞ 2
E(X2) = ƒ (e–u (u)β) du
α
0
∞ 2
–u uβ
E(X 2) = ƒ (e2 ) du
0 αβ
∞
2
1
E(X 2) =2 ƒ (euβ) du
–u
αβ 0
menjadi
2
E(X2) = α–β Γ (2β+ 1) (3.3)
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
–1 2
1
E(X)2 = [α β Γ (β + 1)]
2 2
E(X)2 = α–β [Γ (1 + 1)] (3.4)
β
–2 2 –2 1 2
=α β Γ ( β + 1) − α β [Γ ( β+ 1)]
–2 2
2 1
= α β {Γ (β + 1) − [Γ (β + 1)] }
–2 2 1 2
Jadi, Var(X) = α β {Γ ( β + 1) − [Γ ( β + 1)] }
diperoleh:
∞
= ƒ ur(βuβ–1e–uβ)du
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 4
1
Misalkan v = uβ maka u = vβ sehingga dv = βuβ–1du integral di
∞
r
= ƒ vβe–vdv
0
akan diperoleh
r
μ' (U) = Γ ( + 1) (3.5)
r β
akan diperoleh:
r
r
=j Σ ( ) br–j E(U r–j)
a
j
j=0
r–j
μ' (X) = E(Xr) = Σr (r) ajbr–jΓ ( + 1) (3.6)
r j=0 j β
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 5
sebagai berikut.
Ketika Mx(t) ada untuk setiap interval |t| < T, dimana T > 0. Fungsi Pembangkit Momen
Dari Teorema 2.18 deret Taylor didefinisikan sebagai berikut
∞
ƒ(x) = Σ ƒ(n)(a) n=0 (x − a)n
n!
Empat momen pada persamaan (3.7), (3.8), (3.9) dan (3.10) kemudian
μ ' ( X) = 1 (3.11)
0
Deret Taylor yang dapat dibentuk dari persamaan (3.7), (3.8), (3.9),
0
0! 1 1! 2
2! 3
3! 4
4!
t1 t2 t3 t4
= 1 + μ' (X) + μ' (X) + μ' (X) + μ' (X) + ⋯
1 1! 2 2! 3 3! 4 4!
∞
tr
= 1 + Σ μ' (X)
r r!
r=1
Berdasarkan hasil ekspansi Taylor di atas maka terlihat bahwa μ' (X)
r
∞ tr r
MU(t) = 1 + Σ Γ + 1)
( r! β
r=1
∞ tr r
MU(t) = 1 + Σ Γ + 1)
( r! β
r=1
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 5
parameter dari distribusi Weibull. Pada subbab ini akan dijelaskan dan
1
[–ln(1–p)]β
sehingga akan didapatkan tp =
α
pada kertas peluang Weibull. Untuk itu perlu dilihat hubungan linear
berikut ini
dengan kemiringan
B=β (3.17)
1–0,5
menggunakan pi =
maka pendekatan kuantil pi dapat diduga dan
n
yang linear. Kualitas dari hubungan linear ini akan memberikan suatu
indikasi apakah asumsi dari model Weibull layak atau tidak. Untuk
ukuran sampel yang kecil, bentuk linear akan sangat kasar, meskipun
ditempatkan atau diinterpolasikan nilai dari label T(i) pada absis dan
nilai dari pi pada ordinat, dengan kata lain tidak perlu dilakukan
atau 0 < p < 1 untuk menghasilkan nilai berhingga dari wpi. Untuk
Tabel 3.1
Penduga Naive i 1
= F–1 ^=
i:n U (n ) i
Letak Titik Tengah u^i:n = F–1 [(i − 0,5)/n] P^ =n(1 − 0,5)/n
U i
(1
Letak BLOM u^ = F –1 [ (i − 0,375) = − 0,375)
]
i:n (n + 0,25)
U
(n + 0,25) i
Letak berdasarkan
estimasi optimal Tidak ada rumus analitik
dari a dan b
Sumber: Rinne, H. The Weibull Distribution : A Handbook (Boca
Raton: CRC press, 2009)
besarnya skala pada absis. Kertas jenis pertama skala pada absis
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 5
dimulai dari 1 sampai 10, pada kertas jenis kedua skala dimulai dari 1
sampai 100 sedangkan pada kertas jenis ketiga skala dimulai dari 1
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 5
sampai 1000. Jika pada observasi terutama data observasi waktu hidup,
misalkan data berada pada skala dari 50 sampai 4000, secara sederhana
kertas jenis ketiga yang dapat menampung data tersebut dan skalanya
berubah dari 5 sampai 400. Jika skalanya sangat besar maka sebaiknya
digunakan kertas dengan skala yang lebih besar. Skala yang lebih
besar tidak diberikan disini karena skalanya penuh sesak (sangat kecil)
1 β
1 (–[αya] )
sehingga P( T' ≤ y) = P(Ta ≤ y) = P (T ≤ ya) = 1 − e
β
βF
(–[αa y]a) –
=1−e =1−e ( α
[ y] )
Jadi, dapat selalu dihasilkan skala dari waktu kegagalan naik atau
ditampung pada interval [1, 1000] atau dengan kata lain pada kertas
peluang Weibull jenis ketiga. Sebaliknya jika diambil T(1) = 0,5 dan
1 1
diperoleh 0,53 = 0,794 dan 8000003 = 92,83. Dengan menyatakan
Contoh 3.3
berikut.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 5
0,2
Probabil
0,05
0,02
0,01
0,0001
0,01 0,1 1 10
Data
digambarkan dalam grafik probabilitas Weibull sebagian besar berada dalam selang pad
peluang Weibull jenis pertama, kedua dan ketiga berturut-turut.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
(2008)
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
(2008)
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
nilai α dan β pada persamaan (3.1). Oleh karena itu penting untuk
mendekati distribusi normal. Namun demikian nilai ini adalah nilai teoritis
(bukan nilai pendekatan yang diperoleh dari sampel). Jadi, bila ukuran
sampel kecil tidak ada ekspektasi dari nilai eksak 3,5 untuk parameter
bentuk dari pemilihan nilai α dan β yang berbeda dapat dilihat pada grafik
dibawah ini.
Terlihat pada Gambar 3.7 bahwa tampak jelas perubahan dari distribusi
n
Σ (αβ)n G x
= e–
n β–1
αxiβ
i i=1
i=1
diperoleh
n n
ln L = n ln(αβ) + (β − 1) Σ ln xi − Σ αxiβ
i=1 i=1
n n
= n ln α + n ln β + (β − 1) Σ ln xi − α Σ xiβ
i=1 i=1
n
n + Σ ln n
ln
x L = — α Σ x β ln (3.20)
x
i i i
β β
i=1 i=1
Jika turunan parsial pada persamaan (3.19) di atas diselesaikan maka akan
diperoleh
n
α=
Σni=1xi β
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
diperoleh
n n
n n β
ln L = + Σ ln xi − [Σ ln xi]
xiβ β Σ n
x β
i=1 i=1 i
i=1
n
n
Σn x ln xi
β
= + Σ ln i=1 i
x i
—n[ ]
β n
Σi=1 xiβ
i=1
Oleh karena 6
ln L = 0, maka hasil dari diferensial parsial di atas dapat
6β
diubah menjadi
n
Σn xβ ln x n
] − = Σ ln xi
i=1 i i
n[ n
Σi=1 xiβ β
i=1
Σn xβ ln x 1 Σn ln x
i=1 i i i=1 i
n β
− =
Σi=1 xi β n
dan kemudian digunakan untuk mencari nilai dari α. Untuk itu akan dicari
Dengan memisalkan
ƒ(β n n
)=Σ 1 ln x+i 1 − Σ xβk ln x
i i=1 i
k n
n βk Σi=1 xiβk
berdasarkan hasil 6
ln L dan
6β
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
2
n βk 2 n β n βk
62
berdasarkan ln L, maka rumus iterasi untuk metode Newton-Raphson
6β2
ƒ(βk)
βk+1 = βk +
ƒ'(β )k
Σn ln x 1 Σn xβk ln x
i=1 i i=1 i i
+ −
n β Σn
βk+1 = βk + i=1 xiβk 2
n βk 2 n β n βk
1 Ck
A+ −
β =β β k Bk
k+1 k +1 (DkBk) − (Ck)2
2 + (B )2
βk k
dimana, A = n
i=1 ln , Bk = xiβk , Ck = xβk ln x dan
Σn Σn
Σ xi
i=1 i=1 i i
n
n
D = Σ xβk(ln x )2.
k i i
i=1
Berdasarkan penelitian dari Thoman, Bain dan Antle (1969) maka titik
n
(Σ ln xi) 2 –12
6 n (ln x )2 − i=1 ]
[Σi=1 i
π2 n
β^0 = } .
{ n − 1
rata 3,5 iterasi Newton untuk mencapai tingkat ketelitian sampai 10–4
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 6
Contoh 3.4
ini adalah plot sampel random yang telah dibangkitkan pada empat “kertas
10 Weibull
A D = 0,707
0,011 0,01
0 4 8 10100 P-V alue = 0,069
0,0001 0,001 0,01 0,11
Data Data
Gamma
Gamma - 95% C I A D = 5,799
Weibull - 95% C I P-V alue < 0,005
99,99 99,99
90 99
50 90
10 50
10
1
1
0,01 0,01
0,01 0,1 1 10 0,1 1 10
Data Data
Descriptive Statistics
Distribution AD P
Normal 3,056 <0,005
Exponential 102,808 <0,003
Weibull 0,707 0,069
Gamma 5,799 <0,005
Weibull yaitu = 2,08186 dan parameter skala = 3,03922. Dengan mengaplikasikan metod
= 3.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN
BAB IV
Pada bab IV akan dibahas aplikasi distribusi Weibull dalam bidang analisis waktu
Definisi 4.1
Waktu hidup didefinisikan sebagai durasi waktu yang diperlukan oleh sebuah
dengan waktu hidup, terdapat beberapa hal penting yang digunakan dalam
analisis yaitu reliabilitas, distribusi waktu kegagalan dan model waktu hidup
Weibull .
1. Reliabilitas
telah ditetapkan. Berikut ini akan dijelaskan lebih lanjut tentang reliabilitas
Definisi 4.2
berfungsi sampai limit yang telah ditetapkan paling sedikit satu periode
Definisi 4.3
melakukan sesuatu.
Secara umum sistem dibagi menjadi 2 yaitu sistem seri dan sistem
paralel atau kombinasi keduanya. Sebuah sistem dikatakan seri jika semua
sistem akan gagal jika semua komponen gagal. Berikut ini akan dibahas
a. Sistem Seri
komponen yaitu
S = S1 ∩ S2 ∩ … ∩ Sn
artinya komponen tersebut akan bertahan jika waktu hidup dari sistem
dimana Ri(t) adalah reliabilitas dari komponen ke-i pada waktu t dan
Rs(t) adalah reliabilitas dari sistem seri. Sistem seri tersebut dapat
Contoh 4.1
Sebuah sistem kontrol terdiri dari lima buah unit dimana semua
masing 0,9; 0,95; 0,87; 0,93 dan 0,9, tentukan reliabilitas dalam sistem
kontrol tersebut.
Penyelesaian
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 7
Rs(t) = G Ri(t)
i=1
= 0,62260
Contoh 4.2
β
R 3(t) = e–α3t
β
R 4(t) = e–α4t
5 β
R (t) = e–α5t
Penyelesaian
Rs(t) = G Ri(t)
i=1
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 7
β β β β β
= e–α1t ∙ e–α2t ∙ e–α3t ∙ e–α4t ∙ e–α5t
β
= e–(α1+α2+α3+α4+α5)t
β
R s(t) = e–(α1+α2+α3+α4+α5)t .
b. Sistem Paralel
Fparalel = F1 ∩ F2 ∩ … ∩ Fn
dimana sistem tersebut akan gagal jika waktu bertahan dari sistem
= G P(Ti ≤ t)
i=1
n
= G Fi(t)
i=1
n
= G[1 − Ri(t)]
i=1
dimana Fp adalah kegagalan dari sistem paralel. Jadi, reliabilitas dari sistem paralel dap
Rp(t) = 1 − Fp(t)
= 1 − ∐n
i=1
[1 − Ri(t)] (4.4)
Contoh 4.3
β
R 2(t) = e–α2t
Penyelesaian
atas adalah
n
β β
= 1 − [(1 − e–α1t ) ∙ (1 − e–α2t )]
β β β
= e–α1t + e–α2t − e–(α1+α2)t
β β β
R p(t) = e–α1t + e–α2t − e–(α1+α2)t .
pada waktu dan kondisi tertentu. Cara yang dapat dilakukan untuk
kegagalan.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 7
t + ∆t yang diberikan sebagai ƒ(t) ∙ ∆t, sehingga probabilitas komponen akan gagal pada inter
t
F(t) = ƒ ƒ(
0
dan fungsi reliabilitas yang mengekspresikan probabilitas komponen bartahan sampai waktu
F'(t) = −R'(t)
atau
sehingga berdasarkan Definisi 2.6 maka rata-rata waktu kegagalan dari komponen dapat diny
∞
E(T) = ƒ tƒ(t)dt
0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 7
∞
E(T) = − ƒ t dR(t)
0 dt dt
dR(t)
Dengan integral parsial, memisalkan u = t dan dv = dt dt akan
diperoleh
Contoh 4.4
Berdasarkan Contoh 4.2 dan Contoh 4.3 di atas, tentukan rata-rata waktu kegagalan dari m
Penyelesaian
β
Rs(t) = e–(α1+α2+α3+α4+α5)t
∞
= ƒ0 Rs(t)dt
∞–(α1+α2+α3+α4+α5)t β
= ƒ
0 e dt
1
u
maka du = Kβtβ–1dt dan t = ( )β
K
sehingga
E(T) = ƒ∞ e–u 1
du
0 1 β—1
Kβ[(u)β]
L K
`
1 1—β
[(u)β]
∞ K
= ƒ 0 e–udu Kβ
L `
1
—1
[( u)β ]
∞ K
= ƒ0 [e–u ] du
Kβ
1
∞ ( )u β
= ƒ 0 [e–u K] du
Kβ(
u K)
1
u β
∞ ( )
= ƒ0 [e–u K ] du
βu
1
(1 )β 1–1
∞
ƒ 0 e–uuβ
K
= β
menjadi
1
(1 )
K β
E( T ) = Γ ( 1)
β β
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 7
1
1 β
[ ]
1
atau E(T) = { (α1+α2+α3+α4+α5) } Γ ( )
β β
β β β
Rp (t) = e –α 1t + e –α 2t — e–(α 1+α )t
2
∞
= ƒ0 Rp(t)dt
∞ β β β
(e–α1t = +
ƒ 0 e–α2t − e–(α1+α2)t ) dt
Berdasarkan hasil rata-rata waktu kegagalan sistem seri di atas maka rata-rata kegagalan
1 1 1
( 1 )β ( 1 )β (1)β
E(T) = α1Γ (1) + α2 1 α1 + α2 1
β β β Γ (β ) − β Γ (β)
1 1 1
( 1 )β( 1 )β( 1 )β
=[ α1 + α2 − α1+α2 ] Γ (1)
β β β β
1 1
β 1 1
β 1 1
β
( ) ( ) ( )
1
E(T) = [
α1
+
α2
−
α1+α2 ]Γ( )
β β β β
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 8
adalah F(t + ∆t) − F(t) dan probabilitas bersyarat dari kegagalan pada
F(t+∆t)–F(t)
(4.9)
R(t)
berikut
F(t+∆t)–F(t) 1 (4.10)
∆t ∙ R(t)
kegagalan sederhana
F'(t)
Z(t) =
R(t)
dimana F'(t) adalah derivatif dari F(t) pada t. Oleh karena ƒ(t) = F'(t)
maka diperoleh
bagian dari distribusi waktu kegagalan. Berikut ini akan diberikan kurva
tingkat kegagalan.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 8
Kurva tingkat kegagalan yang merupakan ciri khas dari banyak item
waktu yang akan datang. Bagian yang kedua, yang seringkali digolongkan
sebagai tingkat kegagalan yang konstan, hal ini biasanya dianggap sebagai
periode yang sangat berguna karena kegagalan yang terjadi sangat sedikit.
kegagalan dan pada periode ini komponen akan gagal semata-mata karena
R(t) = 1 − F(t) (persamaan (4.5)) sehingga F ' (t) = −R ' (t), jadi fungsi
diperoleh
t
R(t) = e – ƒ 0Z(x)dx
t
ƒ(t) = Z(t) ∙ e – ƒ 0Z(x)dx
konstan. Asumsi dari tingkat kegagalan yang konstan ini biasanya disebut
tidak realistis dan dalam banyak situasi akan diasumsikan bahwa fungsi
waktu. Asumsi ini akan konsisten dengan penjelasan Gambar 4.3 di awal.
umum dari fungsi tersebut adalah: jika β < 1 maka tingkat kegagalan akan
2005).
β−1 t β−1
= αβt ∙ e− ƒ αβt
0
dt
β
= αβtβ−1 ∙ e−αt , t>0
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 8
kegagalan konstan.
bertambahnya waktu.
β
R(t) = e–αt (4.14)
–1 1
E(T) = α β Γ ( β+ 1) (4.16)
Contoh 4.5
31,739,257,565,065,870,075,075,2
87,788,394,2101,7105,8109,2110,0130,0
Penyelesaian
tidak dapat digunakan maka alternatif lain yang dapat digunakan adalah
sebagai berikut.
8080Weibull
A D = 0,190
P-V alue > 0,250
5050
Perce
Perce
20 20
5 5
2 2
1 1
1101001000 10 100
Waktu Hidup Waktu Hidup
Descriptive Statistics
Distribution AD P
Exponential 3,375 <0,003
Weibull 0,190 >0,250
Berdasarkan Gambar 4.4 di atas maka dapat disimpulkan bahwa data berdistribusi Weibull d
Jika digambarkan dengan Minitab, maka grafik fungsi distribusi kumulatif dapat dilihat pada
Gambar 4.6 dan Gambar 4.7 merupakan grafik fungsi tingkat kegagalan.
Shape 3,577
100 Scale 90,77
N16
80
60
Perc
40
20
0
20 40 60 80 100 120 140
Waktu Hidup
Table of S tatistics
100 Shape 3,57736
Scale90,7730
Mean81,7682
StDev 25,3719
80 Median 81,9335
IQ R35,3741
F ailure16
60C ensor0
Perce
A D*0,971
40
20
0,04
0,02
0,00
Pada subbab ini akan dibahas mengenai aplikasi dari distribusi Weibull dalam
yang akan dibahas antara lain mengenai grafik pengendali dan Perbandingan
1. Grafik Pengendali
Seperti telah dijelaskan pada Bab II, salah satu alat yang digunakan
αβxβ—1e—αxβ,
untuk x > 0,α > 0,β >0
ƒ(x) = {0 , selainnya
F(x) = 1 − e–αxβ
Perhitungan dari kuantil untuk grafik pengendali adalah sebagai berikut:
1 − F(x) = e–αxβ
1
x ={−ln[1 − F(x)]}β
α
1
atau F–1(q) = 1 {−ln[1 − q]}β (4.17)
α
Pengendali Bawah, Garis Tengah adalah median dari data yaitu 0,5 yang
oleh karena bentuk grafik fungsi distribusi yang tak simetris yang
al., 2007).
Atas (BPA), Garis Tengah (GT) dan Batas Pengendali Bawah (BPB) dari
1 1
BPB = {−ln[1 − 0,00135]}β
α
1 1
GT = {−ln[1 − 0,5 ]}β
α
Box-Cox atau transformasi akar kuadrat. Metode yang lain yang dapat
Selain itu cara lain yang dapat digunakan untuk menentukan indeks
Kumulatif yang diperkenalkan oleh Wierda pada tahun 1933 dalam paper
sebagai:
PKP =
BSÆ–BSB (4.18)
6σ
BSÆ–μ
P (X < )=
σ
1
+2
B (4.19)
2
1 –1 (1 + B )
= φZ 2 2
3
metode yang paling mendekati nilai sebenarnya adalah metode FDK. PKP
metode FDK paling mendekati (Ahmad et al., 2007). Berikut ini adalah
Contoh 4.6
dengan parameter skala (α) yaitu 0,5 dan parameter bentuk (β) yaitu 2.
Penyelesaian:
10 1
Weibull
1 A D = 0,255
0,1
0,1 0,0 0,5 1,0 0,010,1 110 P-V alue > 0,250
0,0001 0,001
-0,5 X X
Gamma
Gamma - 95% C I A D = 0,954
Weibull - 95% C I P-V alue = 0,019
99,9 99,9
90 99
90
50
50
10
10
1
1
0,1 0,1
0,01 0,1 1 0,01 0,1 1
XX
Descriptive Statistics
Distribution AD P
Normal 0,928 0,018
Exponential 22,226 <0,003
Weibull 0,255 >0,250
Gamma 0,954 0,019
1
1
BPB = {−ln[1 − 0,00135]}2,18161
1,997603
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 9
= 0,024223
GT = {−ln[1 − 0,00135]}2,18161
1,997603
1 1
= 0,423184
1
1
BPA = 1,997603 {−ln[1 − 0,00135]}2,18161
= 1,189547
Tabel data dan batas pengendali dapat dilihat pada Tabel A2 lampiran.
Jika dibentuk grafik pengendali berdasarkan data dan batas pengendali tersebut, maka denga
Grafik Individual
1,4
1,2
1
0,8
0,6 X
Nilai
0,4 BPB GT
0,2 BPA
0
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
1
0
Nomor Sampel
I-MR Chart of C1
1,2 1
UC L=1,064
5 5
0,9 6
0,6
_ X=0,443
0,3
6 6
0,0
LC L=-0,178
121416181 101 121141161181
Observation
0,8 1 1
UC L=0,7631
0,6
0,4
MR=0,2336
2
0,2
2
0,0 3 LC L=0
121416181 101 121141161181
Observation
Jika dibandingkan dua grafik di atas maka terlihat bahwa jika data
ini terlihat dari tidak ada titik yang berada diluar batas pengendali.
Shewart, grafik tampak tak terkendali. Hal ini disebabkan karena data
yang digunakan juga tidak mendekati distribusi normal. Jadi, Jika data
sebagai berikut:
BSÆ
Φ–1 (0,5 + 0,5 ƒ ƒ(x)dx)
BSB
PKP =
3
jika digunakan target BSB dan BSA yaitu [0,02, 1,2], maka
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 9
BSÆ 1,2
β
ƒ ƒ(x)dx = ƒ αβxβ−1e−αx dx
BSB 0,02
= −e−α1,3β + e−α0,02β
= 1,02
Process Capability of X
Calculations Based on Weibull Distribution Model
LSL USL
Process Data O v erall C apability
LSL 0,02 Pp1,01
Target* PPL1,01
USL1,2 PPU1,01
Sample Mean 0,443227 Ppk1,01
Sample N200Exp. O v erall Performance
Shape2,18161PPM < LSL889,01
Scale0,500602PPM > USL 1188,68
O bserv ed PerformancePPM Total 2077,70
PPM < LSL 0,00 PPM > USL 0,00
PPM Total 0,00
-0,00,20,40,60,81,01,2
Gambar4.11AnalisisKemampuanProsesdenganMINITAB
berdasarkan distribusi Weibull
BAB V
PENUTUP
A. Kesimpulan
distribusi Weibull juga memiliki beberapa sifat antara lain mean dan
Selain dapat diaplikasikan dalam analisis data waktu hidup, distribusi ini
digunakan.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 1
B. Saran
3. Mengembangkanaplikasiyangsudahada,misalnyadengan
menganalisis grafik pengendali selain grafik pengendali individual berdasarkan distribusi W
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN
DAFTAR PUSTAKA
Lawless, Jerald F. (2003). Statistical Models and Methods for Lifetime Data
Second Edition. Hoboken, NJ: John Wiley.
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 10
Mohan, G., Ravi, S., dan Kantam R. Software reliability Using SPC and
Weibull Order Statistics. International Journal of Engineering
Research and Applications (IJERA). Volume (1,1486-1493).
Murthy, D. N. P., Xie, M., Jiang, R. (2004). Weibull Models. Hoboken, NJ:
John Wiley.
Purcell, Edwin J., Varberg, D., Ridgon, Steven E. (2003). Calculus First
Edition. Upper Saddle River, NJ: Pearson Prentice Hall.
Varberg, D., Purcell, Edwin J., Ridgon, Steven E. (2003). Calculus Eighth
Edition. Upper Saddle River: Pearson Prentice Hall.
LAMPIRAN
n X n X n X n X
1 0,050852 51 0,63849 101 0,619327 151 0,365959
2 0,273989 52 0,755031 102 0,55392 152 0,690872
3 0,402568 53 0,385152 103 0,94402 153 0,346239
4 0,815742 54 0,890145 104 0,762649 154 0,543273
5 0,16881 55 1,091465 105 0,121232 155 0,399807
6 0,099512 56 0,861353 106 0,393968 156 0,646991
7 0,525521 57 0,632189 107 0,311296 157 0,28982
8 0,491834 58 0,619239 108 0,567499 158 0,541165
9 0,521819 59 0,439618 109 0,157484 159 0,444725
10 0,487249 60 0,300439 110 0,507655 160 0,633833
11 0,607227 61 0,346279 111 0,211835 161 0,359059
12 0,163639 62 0,266968 112 0,28908 162 0,498859
13 0,385926 63 0,714042 113 0,399524 163 0,59618
14 0,321588 64 0,6233 114 0,229318 164 0,23277
15 0,302224 65 0,45367 115 0,378848 165 0,108931
16 0,218695 66 0,169749 116 0,211969 166 0,49689
17 0,516828 67 0,433314 117 0,800498 167 0,169961
18 0,284163 68 0,783361 118 0,651779 168 0,209858
19 0,872617 69 0,2937 119 0,738508 169 0,435111
20 0,461648 70 0,60229 120 0,273405 170 0,250041
21 0,077124 71 0,234795 121 0,521599 171 0,630978
23 0,429881 73 0,393696 123 0,856385 173 0,125686
PPLLAAGGIIAATT MMEERRUUPPAAKKAANN 10
n X n X n X n X
25 0,611473 75 0,369282 125 0,881903 175 0,548691
26 0,299641 76 0,304801 126 0,886243 176 0,265481
27 0,563423 77 0,339776 127 0,816257 177 0,406935
28 0,133418 78 0,477802 128 0,051988 178 0,752577
29 0,459327 79 0,27439 129 0,319584 179 0,792023
30 0,549936 80 0,424087 130 0,230928 180 0,543561
31 0,318663 81 0,224251 131 0,532836 181 0,419898
32 0,754828 82 0,485604 132 0,169608 182 0,339849
33 0,268973 83 0,355532 133 0,36107 183 0,393078
34 0,303509 84 0,433437 134 0,299447 184 0,506739
35 0,654205 85 0,499361 135 0,512698 185 0,533306
36 0,343458 86 0,589935 136 0,598526 186 0,755576
37 0,190902 87 0,412296 137 0,325699 187 0,341846
38 0,482768 88 0,451985 138 0,832026 188 0,210559
39 0,673676 89 0,238027 139 0,52735 189 0,876939
40 0,196635 90 0,252804 140 0,719865 190 0,609131
41 0,461117 91 0,547193 141 0,268722 191 0,744867
42 0,188319 92 0,075987 142 0,54106 192 0,525199
43 0,480554 93 0,096092 143 0,412653 193 0,754326
44 0,652871 94 0,232284 144 0,511293 194 0,879072
45 0,25592 95 0,285828 145 0,177051 195 0,111408
46 0,553842 96 0,200325 146 0,430442 196 0,081194
47 0,399867 97 0,604195 147 0,605949 197 0,664136
48 0,379374 98 0,53929 148 0,127319 198 0,328652
49 0,238617 99 0,684528 149 0,524039 199 0,398997
50 0,326642 100 0,488253 150 0,806757 200 0,103264
PPLLAAGGIIAATT MMEERRUUPPAAKKAANN 10
116 0,211969 0,024223 0,423184 1,189547 146 0,430442 0,024223 0,423184 1,189547
117 0,800498 0,024223 0,423184 1,189547 147 0,605949 0,024223 0,423184 1,189547
118 0,651779 0,024223 0,423184 1,189547 148 0,127319 0,024223 0,423184 1,189547
119 0,738508 0,024223 0,423184 1,189547 149 0,524039 0,024223 0,423184 1,189547
120 0,273405 0,024223 0,423184 1,189547 150 0,806757 0,024223 0,423184 1,189547
121 0,521599 0,024223 0,423184 1,189547 151 0,365959 0,024223 0,423184 1,189547
122 0,537559 0,024223 0,423184 1,189547 152 0,690872 0,024223 0,423184 1,189547
123 0,856385 0,024223 0,423184 1,189547 153 0,346239 0,024223 0,423184 1,189547
124 0,359258 0,024223 0,423184 1,189547 154 0,543273 0,024223 0,423184 1,189547
125 0,881903 0,024223 0,423184 1,189547 155 0,399807 0,024223 0,423184 1,189547
126 0,886243 0,024223 0,423184 1,189547 156 0,646991 0,024223 0,423184 1,189547
127 0,816257 0,024223 0,423184 1,189547 157 0,28982 0,024223 0,423184 1,189547
128 0,051988 0,024223 0,423184 1,189547 158 0,541165 0,024223 0,423184 1,189547
129 0,319584 0,024223 0,423184 1,189547 159 0,444725 0,024223 0,423184 1,189547
130 0,230928 0,024223 0,423184 1,189547 160 0,633833 0,024223 0,423184 1,189547
131 0,532836 0,024223 0,423184 1,189547 161 0,359059 0,024223 0,423184 1,189547
132 0,169608 0,024223 0,423184 1,189547 162 0,498859 0,024223 0,423184 1,189547
133 0,36107 0,024223 0,423184 1,189547 163 0,59618 0,024223 0,423184 1,189547
134 0,299447 0,024223 0,423184 1,189547 164 0,23277 0,024223 0,423184 1,189547
135 0,512698 0,024223 0,423184 1,189547 165 0,108931 0,024223 0,423184 1,189547
136 0,598526 0,024223 0,423184 1,189547 166 0,49689 0,024223 0,423184 1,189547
137 0,325699 0,024223 0,423184 1,189547 167 0,169961 0,024223 0,423184 1,189547
138 0,832026 0,024223 0,423184 1,189547 168 0,209858 0,024223 0,423184 1,189547
139 0,52735 0,024223 0,423184 1,189547 169 0,435111 0,024223 0,423184 1,189547
140 0,719865 0,024223 0,423184 1,189547 170 0,250041 0,024223 0,423184 1,189547
141 0,268722 0,024223 0,423184 1,189547 171 0,630978 0,024223 0,423184 1,189547
142 0,54106 0,024223 0,423184 1,189547 172 0,077023 0,024223 0,423184 1,189547
143 0,412653 0,024223 0,423184 1,189547 173 0,125686 0,024223 0,423184 1,189547
144 0,511293 0,024223 0,423184 1,189547 174 0,291659 0,024223 0,423184 1,189547
145 0,177051 0,024223 0,423184 1,189547 175 0,548691 0,024223 0,423184 1,189547
PPLLAAGGIIAATT MMEERRUUPPAAKKAANN 11
176 0,265481 0,024223 0,423184 1,189547 189 0,876939 0,024223 0,423184 1,189547
177 0,406935 0,024223 0,423184 1,189547 190 0,609131 0,024223 0,423184 1,189547
178 0,752577 0,024223 0,423184 1,189547 191 0,744867 0,024223 0,423184 1,189547
179 0,792023 0,024223 0,423184 1,189547 192 0,525199 0,024223 0,423184 1,189547
180 0,543561 0,024223 0,423184 1,189547 193 0,754326 0,024223 0,423184 1,189547
181 0,419898 0,024223 0,423184 1,189547 194 0,879072 0,024223 0,423184 1,189547
182 0,339849 0,024223 0,423184 1,189547 195 0,111408 0,024223 0,423184 1,189547
183 0,393078 0,024223 0,423184 1,189547 196 0,081194 0,024223 0,423184 1,189547
184 0,506739 0,024223 0,423184 1,189547 197 0,664136 0,024223 0,423184 1,189547
185 0,533306 0,024223 0,423184 1,189547 198 0,328652 0,024223 0,423184 1,189547
186 0,755576 0,024223 0,423184 1,189547 199 0,398997 0,024223 0,423184 1,189547
187 0,341846 0,024223 0,423184 1,189547 200 0,103264 0,024223 0,423184 1,189547
188 0,210559 0,024223 0,423184 1,189547