Full

PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI
NDDAAKKAANNTTIDIDAAKKTTEERRPPUUJJI I
DISTRIBUSI WEIBULL: SIFAT-SIFAT DAN APLIKASINYA DALAM
ANALISIS DATA WAKTU HIDUP DAN PENGENDALIAN MUTU
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Program Studi Matematika
Oleh:
Cecilia Novianti Salsinha NIM: 083114015
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2012
i
WEIBULL DISTRIBUTION: CHARACTERISTICS AND ITS
APPLICATIONS IN LIFETIME DATA ANALYSIS AND
QUALITY CONTROL
Thesis
Presented as Partial Fulfillment of the Requirements
to Obtain the Sarjana Sains Degree in Mathematics
By:
Cecilia Novianti Salsinha Student Number: 083114015
MATHEMATICS STUDY PROGRAM, MATHEMATICS DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY
YOGYAKARTA
2012
ii
iii
iv
HALAMAN PERSEMBAHAN
áuhan, Engkau menyelidiki dan mengenal aku.

Engkau mengetahui, kalau aku duduk atau berdiri, Engkau mengerti
pikiranku dari jauh.
Engkau memeriksa aku, kalau aku berjalan dan berbaring, segala
jalanku Kau maklumi.
áerlalu ajaib bagiku pengetahuan itu, terlalu tinggi, tidak sanggup aku
mencapainya.
Aku bersyukur kepada-Mu oleh karena kejadianku dahsyat dan ajaib;
ajaib apa yang Kaubuat, dan jiwaku benar-benar menyadarinya.
(Mazmur 139: 1-3, 6, 14)
MOTTO
MUST BE RESPONSIBLE TO WHATEVER GIVEN BY GOD
Skripsi ini dipersembahkan untuk
áuhan Yesus Kristus yang selalu menyertaiku
dengan kasih setiaNya yang tak terbatas,
Kedua orang tua Francisco Salsinha dan Cristina
Partilah, Adik-adik tercinta, Yustina dan áhomas
Salsinha,
Seseorang yang selalu di hati,
serta Almamater yang kubanggakan.
v
vi
ABSTRAK
Distribusi Weibull merupakan salah satu distribusi probabilitas kontinu.

Sama halnya dengan distribusi lainnya, distribusi Weibull pun dicirikan
dengan Mean, Variansi dan Fungsi Pembangkit Momen. Kelebihan distribusi
ini dibandingkan dengan distribusi lainnya adalah fleksibilitasnya, yaitu
distribusi ini dapat berubah menjadi distribusi lain seperti distribusi
eksponensial tergantung pada nilai parameter distribusi yang dipilih yaitu
parameter skala dan parameter bentuk. Jika dilihat dari grafik distribusinya
maka akan tampak sangat jelas fleksibilitas tersebut.
Salah satu aplikasi dari distribusi Weibull yaitu dapat digunakan dalam
analisis data waktu hidup. Distribusi ini merupakan distribusi yang paling
baik jika dibandingkan dengan distribusi lainnya seperti distribusi
Eksponensial yang mengasumsikan tingkat kegagalan komponen konstan.
Distribusi Weibull cukup mendeskripsikan waktu kegagalan dari komponen
ketika tingkat kegagalan dari komponen tersebut meningkat atau menurun
seiring dengan bertambahnya waktu. Selain dalam analisis data waktu hidup,
distribusi ini juga dapat digunakan dalam pengendalian proses statistik. Oleh
karena tidak semua data berdistribusi normal maka grafik pengendali
Shewhart tidak dapat digunakan. Salah satu cara menyelesaikan masalah
tersebut adalah data dianalisis dengan grafik pengendali Weibull dengan
memanfaatkan kuantil-kuantil yaitu 0,00135, 0,5 dan 0,99865. Kuantil
0,00135 adalah kuantil bawah yang digunakan untuk membentuk Batas
Pengendali Bawah, Garis Tengah adalah median dari data yaitu 0,5 yang
menggantikan rata-rata dan untuk membentuk Batas Pengendali Atas
digunakan kuantil atas yaitu 0,99865.
Kata kunci: distribusi Weibull, kertas peluang Weibull, analisis data waktu
hidup, pengendalian mutu, grafik pengendali, rata-rata kegagalan komponen.
vii
ABSTRACT
Weibull distribution is one of the continous probability density

function. Similar to other distributions, Weibull distribution also
characterized by mean, variance and moment generating function. The
goodness of this distribution compared to other distributions is its flexibility,
that is the distribution can be transformed into other distribution such as
exponential distribution depends on the parameter selected. The flexibility
obviously can be seen from the graph.
One of the applications of Weibull distribution is the distribution can be
used in a lifetime data analysis. This distribution is the best distribution
compared to other distributions such as Exponential distribution, which
assumes a constant failure rate of component. Weibull distribution is
sufficient to describe a failure of the component when the failure rate is
increases or decreases in time. In addition to the lifetime data analysis, this
distribution can also be used in statistical process control. Because not all of
data follows normal distribution so Shewhart control chart can’t be applied.
To solve this problem we can use Weibull control chart to analyze the data by
using 0,00135, 0,5 and 0,99865 as quantiles. 0,00135 quantile is the lower
quantile used to construct Lower Specification Limit, the Center Line is the
median of data that is 0,5 which replaces mean and to construct Upper
Specification Limit, upper quantile that is 0,99865 quantile is used.
Keywords: Weibull distribution, Weibull probability paper, lifetime data

analysis, quality control based on Weibull distribution, control charts, the
average of failure component.
vii
ix
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:
1. Bapak Ir. Ig. Aris Dwiatmoko,M.Sc selaku dosen pembimbing yang

dengan penuh kesabaran telah memberikan bimbingan, nasihat dan arahan
kepada penulis.
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.
5. Perpustakaan Universitas Sanata Dharma dan staf sekretariat Fakultas

Sains dan Teknologi yang telah memberikan fasilitas dan kemudahan
pembelajaran, serta administrasi bagi penulis selama masa perkuliahan.
6. Ayahanda yang penulis banggakan dan Ibundaku tercinta serta adik-

adikku Yustina Salsinha dan Thomas Salsinha yang telah banyak
x
memberikan dukungan dan pengorbanan sehingga penulis dapat

menyelesaikan studi dengan baik.
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.
8. Teman-teman angkatan 2008 Program Studi Matematika yaitu Yudith,

Hilary, Amel, Marcel, Fenny, Ethus, Moyo dan Widi yang telah
memberikan dukungan dan semangat dalam perkuliahan terlebih dalam
penyusunan skripsi ini.
9. Teman-teman Kos Putri Aulia: K Merlyn Kris, Kakatua, Awo, Sende,

Elpir, Wiwi, Tere, Asri dan Tesa serta Pipot yang selalu memberikan
semangat dan dukungan dalam perkuliahan dan dalam penyelesaian 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.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan,

maka saran dan kritik yang konstruktif dari semua pihak sangat diharapkan
demi penyempurnaan selanjutnya. Semoga skripsi ini dapat bermanfaat bagi
semua pihak, khususnya bagi penulis dan para pembaca pada umumnya.
Yogyakarta, April 2012

Penulis
Cecilia Novianti Salsinha
xi
DAFTAR ISI
Halaman
HALAMAN JUDUL........................................................................................i
HALAMAN JUDUL DALAM BAHASA INGGRIS......................................ii
HALAMAN PERSETUJUAN PEMBIMBING...............................................iii
HALAMAN PENGESAHAN..........................................................................iv
HALAMAN PERSEMBAHAN.......................................................................v
HALAMAN PERNYATAAN KEASLIAN KARYA......................................vi
HALAMAN ABSTRAK..................................................................................vii
HALAMAN ABSTRACT................................................................................viii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI...........................ix
KATA PENGANTAR......................................................................................x
DAFTAR ISI....................................................................................................xii
DAFTAR TABEL............................................................................................xvii
DAFTAR GAMBAR.......................................................................................xviii
BAB I PENDAHULUAN
A. Latar Belakang Masalah............................................................................1
B. Rumusan Masalah......................................................................................4
C. Pembatasan Masalah..................................................................................4
D. Tujuan Penulisan.......................................................................................5
E. Manfaat Penulisan.....................................................................................5
xii
F. Metode Penulisan..........................................................................5
G. Sistematika Penulisan....................................................................6
BAB II LANDASAN TEORI
A. Distribusi Probabilitas........................................................................10
1. Variabel Random.....................................................................................10
2. Fungsi Probabilitas..................................................................................11
a. Distribusi Probabilitas Diskret...........................................................11
b. Distribusi Probabilitas Kontinu..........................................................12
3. Fungsi Distribusi Kumulatif....................................................................12
4. Karakteristik Distribusi Probabilitas.......................................................13
a. Mean...................................................................................................13
b. Variansi...............................................................................................13
c. Momen................................................................................................14
d. Fungsi Pembangkit Momen................................................................14
B. Distribusi Eksponensial.......................................................................15
2. Sifat-sifat Distribusi Eksponensial..........................................................15
a. Fungsi Pembangkit Momen................................................................15
xii
b. Mean...................................................................................................16
c. Variansi...............................................................................................17
C. Distribusi Gamma........................................................................................18
2. Sifat-sifat Distribusi Gamma...................................................................19
a. Fungsi Pembangkit Momen................................................................19
b. Mean...................................................................................................20
c. Variansi...............................................................................................21
D. Teorema Nilai Rata-rata Untuk Turunan.....................................................23
E. Deret Taylor.................................................................................................25
F. Metode Maksimum Likelihood....................................................................29
G. Pengendalian Proses Statistik.......................................................................31
1. Grafik Pengendali....................................................................................32
2. Analisis Kemampuan Proses...................................................................34
BAB III DISTRIBUSI WEIBULL
A. Fungsi Probabilitas....................................................................................39
B. Grafik Distribusi........................................................................................41
C. Fungsi Distribusi Kumulatif......................................................................44
xi
D. Sifat-sifat Distribusi Weibull.....................................................................45
1. Mean...................................................................................................45
2. Variansi...............................................................................................46
3. Fungsi Pembangkit Momen................................................................48
E. Kertas Peluang Weibull.............................................................................52
1. Grafik Probabilitas Weibull................................................................52
2. Skala Dalam Kertas Peluang Weibull................................................55
a. Kertas Peluang Weibull Jenis Pertama (1 cycle log10).................59
b. Kertas Peluang Weibull Jenis Kedua (2 cycle log10)....................60
c. Kertas Peluang Weibull Jenis Ketiga (3 cycle log10)....................61
F. Pendugaan Parameter Distribusi................................................................61
BAB IV APLIKASI DISTRIBUSI WEIBULL
A. Aplikasi Dalam Analisis Data Waktu Hidup.............................................68
1. Reliabilitas..........................................................................................68
b. Sistem Seri...................................................................................70
c. Sistem Paralel..............................................................................73
2. Distribusi Waktu Kegagalan...............................................................76
3. Model Waktu Hidup Weibull.............................................................84
xv
B. Aplikasi Dalam Pengendalian Mutu..........................................................89
1. Grafik Pengendali89
2. Perbandingan Kemampuan Proses91
BAB V PENUTUP
Kesimpulan100
Saran101
DAFTAR PUSTAKA102
LAMPIRAN105
xv
DAFTAR TABEL
Halaman
Tabel 2.1...........................................................................................................10
Tabel 3.1...........................................................................................................55
xv
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
Gambar 4.9.......................................................................................................96
Gambar 4.10.....................................................................................................97
Gambar 4.11.....................................................................................................99
xi
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Distribusi Weibull dikembangkan antara tahun 1922 dan 1943.
Distribusi ini menggunakan nama seorang ahli mesin dari Swedia,
Waloddi Weibull. Hal ini disebabkan karena dialah yang
mempublikasikan distribusi ini sehingga dikenal oleh dunia internasional.
Awalnya distribusi ini digunakan oleh Rosin, Rammler dan Sperling pada
tahun 1933 dalam proses penghancuran material padat. Selanjutnya pada
tahun 1939 digunakan oleh Weibull untuk mengukur kekuatan material.
Lebih dari setengah abad distribusi Weibull telah menarik
perhatian ahli statistik yang mempelajari teori dan metode dalam berbagai
bidang aplikasi statistika. Ratusan bahkan ribuan dokumen menuliskan
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
ekonomi, hidrologi dan biologi.
Distribusi Weibull termasuk dalam keluarga dari distribusi
eksponensial. Fungsi densitas dari distribusi eksponensial adalah
e— x, x>0
ƒ(x) = 0 , selainnya
PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTIN 2
dengan λ adalah parameter distribusi. Distribusi eksponensial merupakan
distribusi yang sering digunakan dalam analisis data waktu hidup. Pada
umumnya data uji hidup tidak berdistribusi normal sehingga tidak dapat
diselesaikan dengan prosedur statistik standar dalam menganalisis data.
Dalam penerapan tersebut distribusi eksponensial diasumsikan sebagai
distribusi dari waktu kegagalan. Misalkan ƒ(t) adalah fungsi densitas dari
waktu kegagalan komponen sehingga probabilitas komponen tersebut akan
gagal antara t sampai t + ∆t adalah ƒ(t) ∙ ∆t. Jadi probabilitas komponen
tersebut akan gagal pada interval antara 0 sampat t adalah

t
F(t) = ƒ ƒ(x)dx
0
dan fungsi reliabilitas yang memperlihatkan bahwa komponen tersebut
bertahan sampai waktu t adalah R(t) = 1 − F(t)

t
=1− ƒ(x)dx
f
0
Karena distribusi dari waktu kegagalan diasumsikan berdistribusi
t
Eksponensial maka R(t) = 1 − f0 λe– xdx
= 1 − (1 − e– t)
= e– t
dengan λ adalah tingkat kegagalan dan t adalah lamanya komponen
tersebut bertahan.
Distribusi eksponensial memiliki kelemahan. Distribusi ini hanya
dapat digunakan jika tingkat kegagalan komponen diasumsikan konstan,

padahal dalam banyak kasus tingkat kegagalan komponen tidak selalu
konstan (Johnson, 2005). Dalam beberapa kasus, waktu kegagalan
komponen juga mungkin akan sangat panjang sepanjang periode
pengujian. Oleh karena itu model eksponensial tidak dapat digunakan, dan
sebagai solusi untuk masalah tingkat kegagalan komponen yang tidak
konstan digunakan distribusi Weibull.
Secara umum fungsi densitas dari distribusi Weibull adalah

β
αβxβ—1e—αx , untuk x > 0,α > 0,β >0
ƒ(x) = {0 , selainnya (1.1)
Dapat dilihat bahwa jika pada persamaan (1.1) β = 1 maka fungsi
distribusi di atas menjadi fungsi eksponensial dengan λ = α. Salah satu
kelebihan dari distribusi Weibull adalah dapat digunakan jika tingkat
kegagalannya menurun atau meningkat sesuai dengan peningkatan waktu.
Sesuai dengan uraian di atas maka penulis ingin mempelajari lebih jauh
tentang distribusi Weibull khususnya sifat - sifat dan aplikasinya dalam
analisis data waktu hidup (lifetime data) dan pengendalian mutu.
Salah satu alat yang digunakan dalam pengendalian mutu adalah
grafik pengendali (control charts). Grafik pengendali adalah perangkat
statistik grafis yang digunakan untuk mengontrol suatu proses berulang.
Grafik pengendali sangat berguna dalam menetapkan standar pencapaian
dari sebuah proses, membantu mencapai standar tersebut dan
mempertimbangkan standar mana yang sudah tercapai.

Grafik pengendali yang biasanya digunakan dalam praktik
didasarkan pada analisis distribusi normal yaitu dengan rata-rata Shewhart
dan kisaran grafik pengendali 3 (standar deviasi). Namun demikian
tidak semua data berdistribusi normal. Jika data tak berdistribusi normal
dan tetap dianalisis dengan grafik pengendali tersebut dengan
mengasumsikan bahwa data berdistribusi normal maka error yang besar
akan terjadi (Samanta, 2004).
Dalam skripsi ini akan dibahas salah satu distribusi yang memiliki
sifat lebih fleksibel yaitu distribusi Weibull. Aplikasi distribusi Weibull
yang dibahas adalah grafik pengendali dan analisis data waktu hidup.
B. Rumusan Masalah
Adapun rumusan masalah dalam tulisan ini adalah sebagai berikut :
1. Apa saja sifat – sifat dari distribusi Weibull?
2. Bagaimana aplikasi dari distribusi Weibull dalam analisis data waktu
hidup dan pengendalian mutu?
C. Pembatasan Masalah
Adapun beberapa hal yang dibatasi penulis dalam tulisan ini adalah
sebagai berikut :
1. Penulis tidak mengkaji semua hal yang berhubungan dengan analisis
data waktu hidup.

2. Pada mengaplikasikan distribusi Weibull dalam pengendalian mutu,
penulis hanya menganalisis grafik pengendali.
Tidak semua teorema dalam bidang kalkulus yang digunakan dalam
skripsi ini dibuktikan.

Dalam mengestimasi parameter distribusi, penulis tidak menjelaskan lebih rinci tentang meto
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.
G. Sistematika Penulisan
BAB I PENDAHULUAN
A. Latar Belakang Masalah
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. Distribusi Probabilitas Diskret
b. Distribusi Probabilitas Kontinu
3. Fungsi Distribusi Kumulatif
4. Karakteristik Distribusi Probabilitas
a. Mean
b. Variansi
c. Momen
B. Distribusi Eksponensial
2. Sifat-sifat Distribusi Eksponensial
a. Fungsi Pembangkit Momen
b. Mean
c. Variansi
Distribusi Gamma
Fungsi Probabilitas
Sifat-sifat Distribusi Gamma
Fungsi Pembangkit Momen
Mean
Variansi
Teorema Nilai Rata-rata Untuk Turunan
Deret Taylor
Metode Maksimum Likelihood
Pengendalian Proses Statistik
Grafik Pengendali
Analisis Kemampuan Proses
BAB III DISTRIBUSI WEIBULL
Fungsi Probabilitas
Grafik Distribusi
Fungsi Distribusi Kumulatif
D. Sifat-sifat Distribusi Weibull
1. Mean
2. Variansi
3. Fungsi Pembangkit Momen
E. Kertas Peluang Weibull
Grafik Probabilitas Weibull
Skala Dalam Kertas Peluang Weibull
Kertas peluang Weibull Jenis Pertama (1 cycle log10)
Kertas peluang Weibull Jenis Kedua (2 cycle log10)
Kertas peluang Weibull Jenis Ketiga (3 cycle log10)
F. Pendugaan Parameter Distribusi
BAB IV APLIKASI DISTRIBUSI WEIBULL
Aplikasi Dalam Analisis Data Waktu Hidup
Reliabilitas
Sistem Seri
Sistem Paralel
Distribusi Waktu Kegagalan
Model Waktu Hidup Weibull
Aplikasi Dalam Pengendalian Mutu
Grafik Pengendali
Perbandingan Kemampuan Proses BAB V PENUTUP

A. Kesimpulan
B. Saran
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
yang muncul. Berdasarkan hasil percobaan di atas maka terdapat 3
nilai dari X, yaitu X = 0, 1 dan 2.

Selanjutnya dapat ditentukan probabilitas hasil yang mungkin.
Berdasarkan contoh di atas terdapat empat kejadian yaitu
GG : kejadian muncul gambar semua pada pelemparan dua koin.
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
Tabel hubungan antara variabel random dengan kejadian
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
Berdasarkan Tabel 2.1 di atas maka P(0) = P(2) = 0,25 dan
P(1) = 0,5. Probabilitas dari kemungkinan nilai yang berbeda dari X
disebut sebagai distribusi probabilitas. Sebuah distribusi probabilitas

P(x) memberikan kemungkinan pada tiap nilai x yang mungkin dari
sebuah variabel random X.
Variabel random dibagi menjadi dua macam yaitu variabel
random diskret dan varibel random kontinu.
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
Contoh dari distribusi probabilitas diskret yaitu distribusi
Binomial, distribusi Seragam, distribusi Poisson, distribusi
Bernoulli, dan distribusi Hipergeometrik.
b.Distribusi Probabilitas Kontinu
Definisi 2.4
Fungsi probabilitas variabel random kontinu X adalah fungsi yang memetakan himpuna
Fungsi f(x) disebut fungsi probabilitas variabel random kontinu X
bila memenuhi syarat:
1) ƒ(x) ≥ 0
∞
2) ƒ–∞ ƒ(x)dx = 1
Contohnya distribusi Normal, distribusi Exponential, distribusi
Gamma, distribusi Chi-Square dan distribusi Weibull.
3. Fungsi Distribusi Kumulatif
Definisi 2.5
Fungsi distribusi kumulatif dari variabel random diskret dan kontinu didefinisikan sebagai
Σ P(x) , bila X diskret

F(x) = P(X ≤ x) = ∀X≤x
x
ƒ ƒ(t)dt , bila X kontinu

l–∞
4. Karakteritik Distribusi Probabilitas
Adapun karakteristik dari sebuah distribusi probabilitas adalah sebagai
berikut:
a. Mean
Definisi 2.6
Mean atau ekspektasi matematik (expected value) dari variabel random diskret dan kontin
Σ xP(x) , bila X diskret

∀x
∞
E(X) =
ƒ xƒ(x)dx , l–∞
bila X kontinu
b. Variansi
Definisi 2.7
Jika X suatu variabel random, maka variansi dari X, ditulis Var(X) atau V(X), didefinis
Var(X) = E(X – E(X))2
Teorema 2.8
Var(X) = E(X2) – (E(X))2
Bukti:
Var(X) = E(X – E(X))2
= E[X2 – 2XE(X) + (E(X))2]

= E(X2) – 2E(X)E(X) + (E(X))2
= 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
μ′r (X) = E(Xr) (2.1)
Secara umum, r adalah sebarang bilangan real, tetapi untuk
banyak kasus, r adalah bilangan bulat non-negatif.
d. Fungsi Pembangkit Momen
Definisi 2.10
Fungsi pembangkit momen (moment generating function, MGF) dari X, ditulis MX(t) da
MX(t) = E(etX)
Σ etxP(x) , bila X disk

∀x
=∞
ƒ etxƒ(x)dx , bila X kont
l–∞
B. Distribusi Eksponensial
Pada subbab ini akan sedikit dibahas tentang distribusi Eksponensial. Hal-
hal yang berkaitan dengan distribusi Eksponensial antara lain sebagai berikut.
Definisi 2.11
Variabel random X dikatakan berdistribusi Eksponensial apabila fungsi probabilitasnya se
ƒ(x) = {Je —Mx ,x>0,J>0

(2.2)
0 ,selainnya
2. Sifat-sifat Distribusi Eksponensial

Sifat-sifat dari distribusi eksponensial antara lain mean, variansi dan fungsi pembangkit mom
a. Fungsi Pembangkit Momen
Berdasarkan Definisi 2.10 maka Fungsi pembangkit Momen dari distribusi Eksponens

∫ f ( x)dx
MX(t) =etx

∞
= ƒ etx λe–Jx dx
0
= 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
Jadi, Fungsi Pembangkit Momen dari distribusi eksponensial
adalah
MX(t) = λ
λ−
t
b. Mean
Mean dapat dicari dengan mencari turunan pertama dari Fungsi
Pembangkit Momen kemudian diaplikasikan pada saat t = 0.
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
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
Nilai dari E(X)2 adalah sebagai berikut.

2
E(X)2 = (1)
J
1
=
λ2
Var(X) = E(X2) − (E(X))2
2 1
= −
λ2 λ2
1
=
λ2
Jadi, variansi daridistribusi eksponensial adalah
1
Var(X) =
λ2
C. Distribusi Gamma
Pada subbab ini akan sedikit dibahas tentang distribusi Gamma. Hal-hal yang berkaitan denga
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
dimana Γ(z) merupakan nilai dari fungsi gamma yang didefinisikan
sebagai berikut
Definisi 2.13
Definisi fungsi gamma yaitu
∞
Γ(z) = ƒ xz–1e–xdx
0
Fungsi gamma ini sangat bermanfaat terutama dalam membantu
mencari mean, variansi dan fungsi pembangkit momen yang
melibatkan integral yang rumit.
Sifat-sifat Distribusi Gamma
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
z
1
∞
(1 − tw)
1–tw
= w – (
(1 − tw)z ƒ Γ(z) xz–1e w )x
dx
0
Menggunakan fakta bahwa

∞
ƒ Γ ba xa–1e– bxdx = 1
0 , ∀a > 0, b > 0
(a)
maka, fungsi pembangkit momen dari distribusi gamma adalah
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
∞
1
= z ƒ w z u z e – u w du
w Γ(z)
0
∞
w
= Γƒ uze– u du
(z)
0
Berdasarkan Definisi 2.13, maka

w
E(X) = Γ(z) Γ(z + 1)
w
= Γ(z) z Γ(z)
= zw
c. Variansi
Berdasarkan Teorema 2.8 maka variansi dari sebuah fungsi densitas adalah sebagai be
Var(X) = E(X2) − E(X)2
∞
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
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
Berdasarkan Definisi 2.13, maka
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)
Berdasarkan persamaan (2.3) dan (2.4) di atas maka
Var(X) = E(X2) − E(X)2
= [z(z + 1)w2] − z2w2
= z2w2 + zw2 − z2w2

= zw2
Jadi, Var(X) = zw2
D. Teorema Nilai Rata-rata Untuk Turunan
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
atau sama dengan
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
Gambar 2.1 Skema dari fungsi s(x) = ƒ(x) − g(x)
Bukti:
Pembuktian teorema di atas didasarkan pada analisis seksama dari fungsi
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
[f(b)–f(a)]
(b, ƒ(b)). Oleh karena garis ini mempunyai kemiringan
(b–a)
dan
melalui titik (a, ƒ(a)), bentuk kemiringan titik untuk persamaannya
adalah
g(x) − ƒ(a) = ƒ(b) − ƒ(a)

(x − a)
b−a
Persamaan ini kemudian menghasilkan rumus untuk s(x), yaitu:
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
Sampailah pada suatu pengamatan penting, jika diketahui bahwa terdapat
suatu bilangan c dalam (a, b) yang memenuhi s′(c) = 0, maka bukti akan
selesai. Persamaan terakhir mengatakan bahwa
ƒ( b ) − ƒ( a )
0 = ƒ′(x) − b−a
yang setara dengan kesimpulan dari teorema tersebut.
Untuk melihat bahwa s′(c) = 0 untuk suatu c dalam (a, b),
alasannya adalah sebagai berikut. Jelas bahwa s kontinu pada [a, b] karena
merupakan selisih dua fungsi kontinu. Jadi menurut Teorema Keberadaan
Maks-Min, s harus mencapai baik nilai maksimum maupun nilai minimum
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
(a, b), jauh lebih banyak daripada yang diperlukan.

Jika satu nilai maksimum atau nilai minimum berlainan dengan 0,
maka nilai tersebut dicapai pada sebuah titik dalam c, karena s(a) =
s(b) = 0. Sekarang s mempunyai turunan disetiap titik dari (a, b),
sehingga dengan Teorema Titik Kritis, s′(c) = 0. ∎
E. Deret Taylor
Sebuah deret disebut deret Taylor jika deret tersebut dapat
direpresentasikan dalam x-a. Pertanyaan yang berkembang dalam deret
pangkat adalah: Jika diketahui sebuah fungsi f misalnya fungsi sin x,
dapatkah fungsi tersebut direpresentasikan dalam x-a? Dua teorema
berikut akan menjawab pertanyaan tersebut.
Teorema 2.16: Rumus Taylor dengan Suku Sisa (Ekspansi Taylor)
Misalkan f adalah fungsi dimana turunan ke-(n+1)-nya
ƒ(n+1)(x) ada untuk setiap x pada selang terbuka I yang mengandung a.
Jadi, untuk setiap x dalam I,
ƒ′′(a)
ƒ(x) = ƒ(a) + ƒ′(a)(x − a) + (x − a)2 + ⋯
2!
f(n)(a)
+ (x − a)n + R (x)
n! n
dimana sisanya (atau kesalahannya) Rn(x) dinyatakan dengan rumus
ƒ(n+1)(c)
Rn(x) = (x − a)n+1
(n + 1)!
dengan c adalah titik diantara x dan a.
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!
Kemudian anggap x dan a sebagai konstanta dan definisikan fungsi baru g
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
Jelaslah bahwa g(x) = 0 (ingat, x dianggap tetap) dan
′
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
Karena a dan x adalah titik-titik di I dengan sifat bahwa g(a) = g(x) = 0
maka Teorema Nilai Rata-rata untuk Turunan dapat diterapkan. Dengan
demikian ada bilangan c di antara a dan x sedemikian rupa sehingga

g′(c) = 0. Untuk mendapatkan turunan g, harus diterapkan aturan
perkalian bilangan berulang kali.
g′ (t) = 0 − ƒ ′ (t) − [ƒ ′ (t)(−1) + (x − t)ƒ ′′ (t)]

1
— [ƒ′′(t)2(x − t)(−1) + (x − t)2ƒ(3)(t)]
2!
1
— [ƒ(3)(t)3(x − t)2(−1) + (x − t)3ƒ(4)(t)] − ⋯
3!
1
— [ƒ (n) (t)n(x − t)n–1 (−1) + (x − t)nƒ (n+1)(t)]
n!
(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
nilai c di antara x dan a sedemikan sehingga

1
0 = g′(c) = − (x − c)nƒ(n+1)(t) + (n + 1)R (x–c)n
n (x)
n! (x–a)n+1
Ini akan menuntun pada

1
(x − c)nƒ(n+1)(c) = (n + 1)R (x–c)n
n (x)
n! (x–a)n+1
(n+1)
(c)
Rn(x) = ƒ (x − a)n+1 ∎
(n + 1)!
Teorema 2.17: Teorema Taylor
Misalkan fungsi f yang memiliki turunan ke-berapapun pada suatu selang
(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!
mempresentasikan fungsi f pada selang (a − r, a + r) jika dan hanya jika
lim Rn(x) = 0
n→∞
dimana Rn(x) adalah suku sisa dalam Rumus Taylor,
ƒ(n+1)(c)
Rn(x) = (n + 1)! (x − a)n+1
dan c adalah titik pada (a − r, a + r).
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
ƒ′′(a) ƒ(3)(a)
ƒ(a) + ƒ′(a)(x − a) + (x − a)2 + (x − a)3 + ⋯
2! 3!
dapat mempresentasikan fungsi f pada selang (a − r, a + r).
Jadi, ƒ(x) dapat ditulis menjadi
ƒ( x) = (x–a)n
Σ∞ n ƒ(n)(a) n! ∎
F. Metode Maksimum Likelihood
Salah satu metode penting yang dapat digunakan untuk mencari
penduga parameter selain dengan metode kuadrat terkecil adalah metode
maksimum likelihood. Metode ini diperkenalkan oleh R. A. Fisher pada
tahun 1922. Secara umum prinsip dari metode maksimum likelihood
adalah sebagai berikut. Misalkan X adalah variabel random dengan
parameter θ yang tidak diketahui. Diambil n sampel random yaitu
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
sampel tersebut adalah
L(θ; x1, x2, … , xn) = ƒ(x1, x2, … , xn; θ).
L(θ; x1, x2, … , xn) disingkat menjadi L(θ). Jika X1, X2, … , Xn merupakan
variabel random berdistribusi diskret dengan fungsi densitas p(x, θ) maka
fungsi likelihoodnya adalah
L(θ) = P(X1 = x1, … , Xn = xn)

n
= G P(Xi = xi)
i=1
= G P(xi; θ)
i=1
Dan dalam kasus kontinu, jika fungsi densitasnya adalah ƒ(x, θ) maka
fungsi likelihoodnya adalah
L(θ) = ∐n ƒ(xi; θ) (2.7)

i
Tujuan dari metode maksimum likelihood adalah menentukan penduga
yang memaksimalkan fungsi likelihood. Penduga ini disebut penduga
kemungkinan maksimum. Beberapa langkah yang digunakan untuk
mendapatkan parameter dengan metode maksimum likelihood adalah
sebagai berikut:
1. Mendefinisikan fungsi likelihood, L(θ)
2. Mengoperasikan fungsi likelihood dengan logaritma natural (ln)
3. Mendiferensialkan ln L(θ) terhadap θ dan menyamakan derivatifnya
dengan nol.
4. Menyelesaikan derivatif tersebut dalam parameter θ dan akan
diperoleh θ^.
Berikut ini adalah alasan mengapa fungsi likelihood dioperasikan dengan
logaritma natural (ln). Seperti diketahui bahwa fungsi logaritma natural
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
juga akan mencapai maksimum.

G. Pengendalian Proses Statistik
Dalam banyak proses produksi, bagaimanapun baiknya dirancang,
akan selalu ada variabilitas hasil produksi karena adanya gangguan atau
sebab-sebab kecil yang pada dasarnya tidak terkendali (untuk selanjutnya
disebut variabilitas dasar). Apabila gangguan dasar suatu proses relatif
kecil maka biasanya dipandang sebagai tingkat yang dapat diterima dari
peranan proses. Dalam kerangka pengendalian kualitas statistik, suatu
proses yang bekerja hanya dengan adanya variasi dari sebab-sebab tak
terduga dikatakan ada dalam pengendalian statistik.
Dalam proses produksi dikenal 3 sumber antara lain: mesin yang
dipasang dengan tidak wajar, kesalahan operator, dan/atau bahan baku
yang cacat. Variabilitas seperti ini umumnya besar apabila dibandingkan
dengan variabilitas dasar dan biasanya merupakan tingkat yang tidak dapat
diterima dari peranan proses. Sumber-sumber variabilitas yang bukan
bagian dari pola sebab tak terduga dinamakan dengan “sebab-sebab
terduga”. Suatu proses yang bekerja dengan adanya sebab-sebab terduga
dikatakan tidak terkendali.
Dalam buku pedoman Western Electric (1956) yang dikutip oleh
Montgomery (2009) mengusulkan sekumpulan aturan pengambilan
keputusan untuk penyidikan pola tak random pada grafik pengendali.
Khususnya, buku tersebut mengusulkan penyimpulan bahwa proses tak
terkendali apabila salah satu:
1. Satu titik jatuh di luar batas pengendali 3-sigma.

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
lebih dari garis tengah.
4. Delapan titik yang berurutan jatuh pada satu sisi dari garis tengah.
Beberapa hal yang berhubungan dengan pengendalian proses
statistik adalah sebagai berikut.
1. Grafik Pengendali
Untuk mengawasi agar proses agar tetap stabil digunakan
beberapa alat untuk mengendalikannya, antara lain histogram, grafik
pareto, dan grafik pengendali. Grafik pengendali (control charts)
adalah yang paling terkenal yang digunakan dalam pengendalian
mutu untuk mengontrol suatu proses berulang. Grafik pengendali
sangat berguna dalam menetapkan standar pencapaian dari sebuah
proses, membantu mencapai standar tersebut dan mempertimbangkan
standar mana yang sudah tercapai.
Secara umum, langkah-langkah utama dalam membuat grafik
pengendali adalah menentukan parameter dari proses yang diinginkan,
memilih statistik uji yang sesuai misalkan w, membuat Garis Tengah
(GT), Batas Pengendali Atas (BPA) dan Batas Pengendali Bawah
(BPB). Untuk lebih jelasnya dapat dilihat pada Gambar 2.2 di bawah
ini.
Grafik Pengendali
10
8
Karakteristik kualitas
6
Xbar
4
BPA Xbar GT Xbar
2
0
BPB Xbar
12345678 9 10
Nomor sampel atau waktu
Gambar 2.2 Grafik Pengendali X¯
Grafik tersebut merupakan contoh grafik pengendali X¯, salah
satu dari grafik pengendali Shewhart. BPA dan BPB ditunjukkan dengan dua garis men
berkaitan dengan keadaan terkendali.
Batas pengendali dipilih sedemikian sehingga apabila proses

terkendali maka titik-titik sampel akan jatuh di antara kedua garis itu. Apabila semua ti
penyebab proses tak terkendali tersebut. Merupakan kebiasaan untuk
menghubungkan titik-titik sampel di dalam grafik dengan segmen
garis lurus, sehingga mudah untuk melihat bagaimana barisan-barisan

titik-titik itu tersusun menurut waktu. Apabila proses itu terkendali
maka semua titik yang digambar harus mempunyai pola yang pada
dasarnya random (Montgomery, 2008).
2. Analisis Kemampuan Proses
Teknik statistik dapat berguna sepanjang putaran produk,
termasuk aktivitas pengembangan sebelum produksi, untuk
kuantifikasi variabilitas proses, analisis variabilitas relatif terhadap
persyaratan atau spesifikasi produk, dan untuk membantu
pengembangan dan produksi dalam menghilangkan atau mengurangi
banyaknya variabilitas ini. Aktivitas umum ini dinamakan analisis
kemampuan proses.
Sudah menjadi kebiasaan mengambil penyebaran 6-sigma
dalam distribusi karakteristik kualitas produk sebagai ukuran
kemampuan proses. Dalam proses produksi, produk atau hasil yang
diperoleh dapat digunakan untuk mengukur mean proses dan batas
toleransi alami. Batas toleransi alami dideskripsikan sebagai jarak 3
standar deviasi dari mean proses. Deskripsi ini juga mengarah pada
batas 3 sigma. Batas toleransi ini dibedakan menjadi 2 yaitu Batas
Toleransi Alami Atas (BTAA) yang jatuh pada μ + 3σ dan Batas
Toleransi Alami Bawah (BTAB) yang jatuh pada μ − 3σ. Gambar
dibawah ini menunjukkan proses karakteristik kualitas yang
berdistribusi normal dengan mean μ dan standar deviasi σ.

Gambar 2.3 Proses Karakteristik Kualitas Dengan Distribusi Normal
Bagi distribusi normal, batas toleransi alami meliputi 99,73% dari
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
(standar deviasi). Misalnya, kita akan menentukan bahwa hasil proses

berdistribusi normal dengan mean μ = 1,0 cm dan standar deviasi
σ = 0,001 cm.
Ada beberapa teknik yang dapat digunakan dalam analisis
kemampuan proses yakni dengan histogram atau grafik probabilitas,
grafik pengendali, dan rancangan percobaan. Pada skripsi ini hanya
akan dibahas analisis kemampuan proses dengan histogram atau grafik
probabilitas.
Distribusi frekuensi dapat berguna dalam menaksir kemampuan
proses. Paling sedikit 50 sampai 100 (atau lebih) observasi harus
tersedia supaya histogram agak stabil sehingga dapat diperoleh
taksiran kemampuan proses yang cukup dapat dipercaya. Keunggulan
pendekatan distribusi ferkuensi untuk menaksir kemampuan proses
adalah bahwa cara itu memberikan kesan visual dan segera tentang
penampilan proses. Cara itu juga dapat menunjukkan dengan segera
apa sebab penampilan proses jelek. Misalkan Gambar 2.4
menunjukkan suatu proses dengan kemampuan yang cukup, tetapi
sasaran proses terletak sangat jelek, sedangkan Gambar 2.5
menunjukkan suatu proses dengan kemampuan kurang sebagai hasil
variabilitas yang besar.
Cara yang baik untuk menyatakan kemampuan proses adalah
melalui Perbandingan Kemampuan Proses (PKP). PKP ini dihitung
dengan memanfaatkan batas spesifikasi yaitu batas yang ditetapkan
oleh perusahaan yang digunakan untuk menentukan apakah proses

dapat diterima atau tidak. Batas spesifikasi ini biasanya digunakan
untuk memenuhi keinginan pelanggan atas produk yang dihasilkan.
Jika data berdistribusi normal atau diasumsikan normal maka
Perbandingan Kemampuan Prosesnya adalah
dengan BSA dan BSB masing-masing adalah Batas Spesifikasi Atas dan Batas Spesifika
dua sisi. Untuk spesifikasi satu sisi, PKPnya adalah sebagai berikut
PKP = BSA–μ (hanya spesifikasi atas)

3σ
atau
PKP = μ–BSB (hanya spesifikasi bawah)

3σ
Gambar 2.4 Kemampuan Proses Jelek karena Pusat Proses yang Jelek
Gambar 2.5 Kemampuan Proses Jelek karena Variabilitas Proses yang Besar
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)
dimana α dan β adalah parameter distribusi Weibull.
Fungsi distribusi Weibull di atas merupakan fungsi distribusi

Weibull dengan dua parameter yaitu parameter skala (α) dan parameter bentuk (β). Defini
Definisi 3.2 Parameter Skala
Misalkan {ƒ(∙ ; θ), θ > 0} adalah keluarga dari fungsi densitas dengan parameter θ. Parameter
untuk setiap fungsi densitas ℎ(∙).
Contoh 3.1
Diberikan beberapa contoh dari parameter skala sebagai berikut.Pada
fungsi distribusi eksponensial berikut:

ƒ(x; λ ) = (1/λ)e –x/, , λ adalah parameter skala. Pada fungsi distribusi
normal berikut
1
ƒ(x; σ) = 1 x 2
exp [− ( ) ], σ disebut parameter skala.
√2πσ 2 σ
Berdasarkan fungsi distribusi Weibull pada persamaan (3.1), α
menunjukkan parameter skala yaitu parameter yang menentukan skala atau
penyebaran statistik dari distribusi probabilitas. Jika parameter skala besar
maka distribusi akan menyebar, sedangkan jika parameter skala kecil maka
distribusi akan lebih terkonsentrasi.
Definisi 3.3 Parameter Bentuk
Parameter bentuk (β) adalah parameter yang menunjukkan bentuk kurva
suatu distribusi.
Misalnya bentuk kurva condong ke kanan (skewness positif), bentuk kurva
condong ke kiri (skewness negatif) dan bentuk kurva yang menyerupai
distribusi normal. Selain dua parameter di atas, terdapat satu parameter
yang disebut sebagai parameter lokasi.
Definisi 3.4 Parameter Lokasi
Misalkan ƒ(x; θ, λ) adalah fungsi densitas dari variabel random X.
Parameter θ adalah parameter lokasi jika dan hanya jika fungsi densitas
ƒ(x; θ, λ) dapat ditulis sebagai fungsi dari x − θ, sehingga ƒ(x; θ, λ) =

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
μ disebut sebagai parameter lokasi.
B. Grafik Distribusi
Grafik dari distribusi Weibull sangat beragam. Dengan memilih
nilai-nilai parameter α dan β distribusi itu akan mempunyai berbagai
macam bentuk. Jika parameter skala yang diubah-ubah dengan
menganggap bahwa parameter bentuk konstan maka akan diperoleh grafik
fungsi densitas dengan nilai ƒ(x) > 1. Hal ini juga terjadi jika parameter
yang diubah adalah parameter bentuk dengan menganggap bahwa
parameter skala konstan. Grafik di bawah ini adalah contoh grafik fungsi
densitas dengan perubahan pada parameter bentuk (β).

Gambar 3.1 Grafik distribusi Weibull untuk β = 0.5, 1 dan 3; 5 = α = 1
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)
hasil yang diperoleh adalah sebagai berikut
Gambar 3.2 Grafik distribusi Weibull untuk β = 3,5 ; α = 1
Berikut ini akan ditunjukkan bahwa fungsi probabilitas Weibull memenuhi
sifat-sifat fungsi probabilitas berdasarkan Definisi 2.4. Selain nilai
ƒ(x) > 0, nilai ƒ∞ ƒ(x)dx = 1.

0
∞ ∞ 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
=1
∞
Jadi, nilai ƒ ƒ(x)dx = 1
0
C. Fungsi Distribusi Kumulatif
Berdasarkan Definisi 2.6 maka fungsi distribusi kumulatif dari distribusi
Weibull adalah sebagai berikut:

x
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
Jadi, fungsi distribusi kumulatif dari distribusi Weibull adalah
β
F(x) = 1 − e–αx
D. Sifat-sifat Distribusi Weibull
Beberapa sifat penting dari distribusi Weibull yaitu:
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
Misalkan u = αxβ maka x = (u)β

α
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
∞
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
Berdasarkan Definisi 2.13 maka persamaan di atas dapat diubah
menjadi
1
E(X) = α 1Γ
β
+ 1) (3.2)
–(
β
2. Variansi
Dari fungsi densitas yang terdapat pada persamaan (3.1), maka
menurut Teorema 2.8 variansi dari distribusi Weibull adalah sebagai
berikut.
Var(X) = E(X2) − E(X)2
∞
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
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)
–1 2
1
E(X)2 = [α β Γ (β + 1)]
2 2
E(X)2 = α–β [Γ (1 + 1)] (3.4)
β
Dari persamaan (3.3) dan (3.4) maka
Var(X) = E(X2) − E(X)2
–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)] }
3. Fungsi Pembangkit Momen
Dengan mereduksi variabel Weibull pada persamaan (2.1) akan
diperoleh:
μ'r (U) = E(Ur) = ƒ urƒ U(u|β)

0
∞
= ƒ ur(βuβ–1e–uβ)du
0
1
Misalkan v = uβ maka u = vβ sehingga dv = βuβ–1du integral di
atas akan menjadi
∞
r
= ƒ vβe–vdv
0
Integral di atas sulit diselesaikan namun integral di atas biasanya
dikenal dengan fungsi Gamma seperti pada Definisi 2.13, sehingga
akan diperoleh
r
μ' (U) = Γ ( + 1) (3.5)
r β
Momen nol dari variabel umum Weibull berhubungan dengan
variabel Weibull yang direduksi. Dengan mensubstitusikan X = a +
bU ke dalam persamaan (2.1) dan menggunakan persamaan (3.5)
akan diperoleh:
μ' (X) = E(Xr) = E[(a + bU)r]

r
r
r
=j Σ ( ) br–j E(U r–j)
a
j
j=0
Dengan mensubstitusikan persamaan (3.5) ke dalam bentuk di atas
maka persamaan di atas akan menjadi
r–j
μ' (X) = E(Xr) = Σr (r) ajbr–jΓ ( + 1) (3.6)
r j=0 j β
Dari persamaan (3.6) dapat diperoleh momen-momen berdasarkan
perubahan nilai r. Empat momen pertama yang diperoleh adalah
sebagai berikut.
μ'1 (X) = E(X) = a + bΓ1 (3.7)
μ'2 (X) = E(X2) = a2 + 2abΓ2 + b2Γ2 (3.8)
μ'3 (X) = E(X3) = a3 + 3a2bΓ1 + 3ab2Γ2 + b3Γ3 (3.9)
μ'4 (X) = E(X4) = a4 + 4a3bΓ1 + 6a2b2Γ2 + 4ab3Γ3 + b4Γ4(3.10)
Berdasarkan Definisi 2.10 fungsi pembangkit momen (moment generating function, MG

M
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
dapat dituliskan ke dalam sebuah deret Taylor.

Pada saat r = 0 maka berdasarkan persamaan (3.6) diperoleh
μ' (X) = E(1) = a0b0Γ(0 + 1)

0
μ ' ( X) = 1 (3.11)
0
Deret Taylor yang dapat dibentuk dari persamaan (3.7), (3.8), (3.9),
(3.10) dan (3.11) adalah sebagai berikut:

Mx(t) = μ' (X) + μ' (X) + μ' (X) + μ' (X) + μ' (X) + ⋯
0 1 2 3 4
t t t
= μ' (X) 0+ μ' (X) t1 + μ' (X) t2 + μ (X) 3+ μ (X) 4+ ⋯
' '
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
adalah koefisien dari tr dalam ekspansi Taylor. Maka M (t) adalah

r! x
r
t
M (t) = E(etX) = 1 + μ' (X) (3.12)
Σ∞
x r=1 r! r
Dengan mengkombinasikan persamaan (3.5) dan persamaan
(3.12) maka MU(t) dapat diekspresikan sebagai
∞ tr r
MU(t) = 1 + Σ Γ + 1)
( r! β
r=1
Jadi, fungsi pembangkit momen dari distribusi weibull adalah
∞ tr r
MU(t) = 1 + Σ Γ + 1)
( r! β
r=1
E. Kertas Peluang Weibull
1. Grafik Probabilitas Weibull
Grafik probabilitas adalah sebuah teknik grafis untuk menduga
apakah data mengikuti distribusi yang diberikan seperti distribusi
normal atau Weibull. Grafik probabilitas Weibull termasuk jenis
grafik probabilitas yang biasanya digunakan untuk mengestimasi
parameter α dan β pada distribusi Weibull. Dengan kata lain grafik
Weibull adalah metode pemeriksaan informal untuk memeriksa
asumsi pada model distribusi Weibull dan juga untuk menduga
parameter dari distribusi Weibull. Pada subbab ini akan dijelaskan dan
diilustrasikan metode pembuatan grafik probabilitas Weibull. Ide
dasar dari pembuatan grafik probabilitas Weibull adalah hubungan
antara p-kuantil tp dari probabilitas Weibull dan p untuk 0 < p < 1. p-
kuantil tp didefinisikan dengan sifat sebagai berikut

β
p = FT(tp) = P(T ≤ tp) = 1 − e(–[αtp] )
(3.13)
1
[–ln(1–p)]β
sehingga akan didapatkan tp =
α
Jika kedua ruas persamaan di atas dioperasikan dengan logaritma
natural (ln) maka persamaan di atas akan menjadi

1 1
y = ln(t ) = ln ( ) + ln[−ln(1 − p)] (3.14)
p p α β
Jadi jika ln(tp) diplotkan dengan
w(p) = ln[−ln(1 − p)] (3.15)

maka grafik akan berbentuk garis lurus dengan berpotongan pada

1 1 1 1
a = ln ( ) dengan kemiringan b = . Jadi, α = dan β = .
α β ea b
Pembuatan plot grafik w(p) dengan yp = ln(tp) biasanya dikerjakan
pada kertas peluang Weibull. Untuk itu perlu dilihat hubungan linear
berikut ini
w(p) = β [ln(tp ) − ln (1 )] (3.16)
dengan kemiringan
B=β (3.17)
dan berpotongan pada

1
A = −βln (
α) (3.18)
Dari persamaan (3.17) dan (3.18) diperoleh nilai parameter bentuk

A
β = B dan parameter skala α = eB. Pada saat p tidak diketahui maka
digunakan sampel quantil. Untuk sampel yang lengkap, T1, … , Tn, pi
diperoleh dengan mengurutkan Ti dari yang terkecil hingga yang
terbesar sehingga didapatkan T(1) ≤ ⋯ ≤ T(n) dan dengan
1–0,5
menggunakan pi =
maka pendekatan kuantil pi dapat diduga dan
n
Ti menunjukkan sampel kuantil ke-i.
Ide dari pembuatan grafik probabilitas Weibull untuk sampel
yang lengkap adalah membuat grafik w(pi) = ln[−ln(1 − pi)]
sebagai sumbu vertikal dan ln(T(i)) sebagai sumbu horisontal. Dalam

kaitannya dengan variasi dari T(i) di sekitar tpiberdasarkan pada
persamaan (3.16) maka dapat dilihat secara kasar terdapat hubungan
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
sampel tersebut berdistribusi Weibull. Jadi, deviasi dari linearitas
tidak perlu dipelajari lebih jelas. Pengujian formal merupakan cara
yang lebih baik untuk dilakukan.
Untuk menggambarkan titik (ln(T(i)), w(pi)) akan
ditempatkan atau diinterpolasikan nilai dari label T(i) pada absis dan
nilai dari pi pada ordinat, dengan kata lain tidak perlu dilakukan
transformasi ln(T(i)) dan w(pi) = ln[−ln(1 − pi)]. Beberapa

(i–0,3)
pengarang menyarankan untuk menggunakan p' = sebagai p ,
i (n+4) i
ada juga yang menggunakan i

(n+1)
. Selengkapnya dapat dilihat pada
Tabel 3.1. Semua pilihan dari pi memberikan nilai antara 0 sampai 1
atau 0 < p < 1 untuk menghasilkan nilai berhingga dari wpi. Untuk
ukuran sampel n yang besar terdapat sedikit perbedaan dalam memilih
pi dan untuk ukuran sampel n yang kecil variabilitas dalam sampel
Weibull membuat terdapat pilihan dalam memilih metode yang cocok.

Tabel 3.1
Kedudukan Grafik (plotting position)
Variabel Tereduksi Probabilitas

Nama u^ i:n
P
î
Penduga Naive i 1
= F–1 ^=
i:n U (n ) i
Letak Titik Tengah uî: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 Nilai Tengah

- Sesuai dengan uî:n = F–1 [i/(n + 1)] = i/(n + 1)
P^
U i
∐i
- Sesuai dengan u^ i:n = αi:n Pî = FU (αi:n )
Ui:n
Letak Median (i − 0,3)
- Sesuai dengan u^ = F –1 [ ] (1 − 0,3)
=
P^
∐i i:n (n + 0,4)
U i
(n + 0,4)
- Sesuai dengan uî:n = u˜i:n Pî = FU (u˜ i:n )
Ui:n
Letak Mode (i − 1)
- Sesuai dengan u^ = F –1 [ ] (i − 1)
=
P^
∐i i:n U
(n − 1) i
(n − 1)
- Sesuai dengan uî:n = u∗ P^ = (u∗ )
F
Ui:n i:n i U i:n
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)
2. Skala Dalam Kertas Peluang Weibull
Kertas peluang Weibull ada 3 macam dengan perbedaan
besarnya skala pada absis. Kertas jenis pertama skala pada absis
dimulai dari 1 sampai 10, pada kertas jenis kedua skala dimulai dari 1
sampai 100 sedangkan pada kertas jenis ketiga skala dimulai dari 1
sampai 1000. Jika pada observasi terutama data observasi waktu hidup,
misalkan data berada pada skala dari 50 sampai 4000, secara sederhana
unit waktu ke sepersepuluhnya diubah dan kemudian menggunakan
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)
dan karena transformasinya sangat sulit.
Jika T~G(α, β) (dengan kata lain T berdistribusi Weibull dengan

β
parameter α dan β) maka T' = T a ~G (α a , ) = G(α ', β ' )
a
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
turun (tapi biasanya turun) ke dalam jarak yang tepat dengan
transformasi yang tepat. Setelah mengestimasi (α', β') dengan mudah
dapat mentransformasinya kembali menjadi (α, β) menggunakan nilai

'1 '
dari a, namakan α = α a dan β = aβ .
Sebagai contoh, jika sebuah sampel dengan minimum dan
maksimum T(1) = 5 dan T(n) = 800000 secara berturut-turut, akan
membutuhkan 6 orde sehingga dapat menampung semua sampel,

1
misalkan terletak pada [1, 1000000]. Jika diambil T2 = √T akan
memberikan T' = √T(1) = 2,24 dan T' = √T(n) = √800000 =

(1) (n)
894,43 dan sekarang semua sampel yang ditransformasi dapat
ditampung pada interval [1, 1000] atau dengan kata lain pada kertas
peluang Weibull jenis ketiga. Sebaliknya jika diambil T(1) = 0,5 dan
T(n) = 800000 secara berturut, transformasi tersebut tidak memenuhi

1
karena √0,5 = 0,71. Sekarang akan dicoba mengambil nilai a = dan
3
1 1
diperoleh 0,53 = 0,794 dan 8000003 = 92,83. Dengan menyatakan
nilai ini kedalam unit dari 1

akan diperoleh nilai baru 7,94 dan 928,3
10
yang dapat ditampung dengan kertas peluang Weibull jenis ketiga.
Berikut adalah contoh grafik probabilitas Weibull yang terbentuk.
Contoh 3.3
Untuk memperlihatkan grafik probabilitas Weibull, 1000 sampel
random dibangkitkan dengan Minitab dengan parameter skala () yaitu
3 dan parameter bentuk () yaitu 2. Sampel random tersebut kemudian
diplotkan sehingga terbentuk grafik probabilitas Weibull sebagai
berikut.
Probability Plot of Data

Weibull - 95% CI
0,9999
Shape2,082
Scale3,039
0,95 N1000
0,8 AD0,707
0,5 P-Value 0,069
0,2
Probabil
0,05
0,02
0,01
0,0001
0,01 0,1 1 10
Data
Gambar 3.3 Grafik Probabilitas Weibull
Dari grafik di atas dapat dilihat bahwa sampel random yang
digambarkan dalam grafik probabilitas Weibull sebagian besar berada dalam selang pad
peluang Weibull jenis pertama, kedua dan ketiga berturut-turut.
a. Kertas peluang Weibull jenis pertama ( 1 cycle log10)
Gambar 3.4 Kertas peluang Weibull jenis pertama
Sumber: Scholz, F. Weibull Probability Paper
(2008)
b. Kertas peluang Weibull jenis kedua ( 2 cycle log10)
Gambar 3.5 Kertas peluang Weibull jenis kedua
Sumber: Scholz, F. Weibull Probability Paper
(2008)
c. Kertas peluang Weibull jenis ketiga ( 3 cycle log10)
Gambar 3.6 Kertas peluang Weibull jenis ketiga
Sumber: Scholz, F. Weibull Probability Paper (2008)
F. Pendugaan Parameter Distribusi
Distribusi Weibull sangat beragam tergantung pada pemilihan
nilai α dan β pada persamaan (3.1). Oleh karena itu penting untuk
membatasi nilai dari parameter Weibull. Jika dipilih nilai α = 1 dan β =

1 maka distribusi Weibull tersebut akan menjadi distribusi eksponensial,
sedangkan pada saat α = 1 dan β = 3,5 maka distribusi Weibull akan
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 yang merupakan pendekatan untuk distribusi normal. Perubahan
bentuk dari pemilihan nilai α dan β yang berbeda dapat dilihat pada grafik
dibawah ini.
Gambar 3.7 Grafik distribusi Weibull untuk α = 1, β = 1, 2 dan 3,5
Terlihat pada Gambar 3.7 bahwa tampak jelas perubahan dari distribusi
eksponensial menjadi distribusi normal dengan berubahnya nilai  dan
 Untuk memperoleh parameter  dan  digunakan metode Maksimum
Likelihood yang diaplikasikan pada fungsi distribusi Weibull.

Fungsi probabilitas dari distribusi Weibull adalah sebagai berikut

β
ƒ(x) = αβxβ–1e–αx
maka fungsi likelihood dari distribusi Weibull berdasarkan persamaan
(2.7) adalah sebagai berikut

n
β
L = L(α, β) = G αβxi β–1 –αxi
e
i=1
n
Σ (αβ)n G x
= e–
n β–1
αxiβ
i i=1
i=1
Jika persamaan di atas dioperasikan dengan logaritma natural maka akan
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
Dengan mencari derivatif parsial terhadap α dan β dengan nilai kedua
derivatif tersebut adalah nol maka akan diperoleh

n n β
ln L = − Σ x (3.19)
i
α α
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
Dengan mensubstitusikan α ke dalam persamaan (3.20) maka akan
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
Untuk β > 0, hasil derivatif parsial di atas tidak dapat diselesaikan.
Namun untuk memperoleh parameter α dan β digunakan metode Newton-
Raphson. Metode ini diaplikasikan untuk mencari nilai β terlebih dahulu
dan kemudian digunakan untuk mencari nilai dari α. Untuk itu akan dicari
derivatif parsial kedua dari ln L yaitu sebagai berikut.

2 2
n β n β n β
2
[Σi=1 xi (ln xi) Σi=1 xi ] − (Σi=1 xi ln xi)
1
ln L = + n .
β2 β2 ( i=1 x β)2
i
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
2
n βk 2 n β n βk
ƒ'(βk) = 1 [Σi=1 xi (ln xi) Σi=1 xi k ] − (Σ x ln xi)

i=1 i
2+
βk n x βk ) 2
( i=1 i
62
berdasarkan ln L, maka rumus iterasi untuk metode Newton-Raphson
6β2
adalah sebagai berikut.
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 [Σi=1 xi (ln xi) Σi=1 xi k ] − (Σ x ln xi)

i=1 i
2 + (Σn xi k )2
β
βk i
Rumus iterasi di atas dapat diubah menjadi
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
awal dari iterasi adalah
n
(Σ ln xi) 2 –12
6 n (ln x )2 − i=1 ]
[Σi=1 i
π2 n
β^0 = } .
{ n − 1
Dengan pendekatan ini, metode Newton-Raphson hanya memerlukan rata-
rata 3,5 iterasi Newton untuk mencapai tingkat ketelitian sampai 10–4
(Zhang, 2008). Untuk mengaplikasikan metode maksimum likelihood
dalam mencari parameter distribusi Weibull akan digunakan software
Minitab. Pada contoh berikut akan dijelaskan tentang pendugaan
parameter distribusi Weibull dengan menggunakan software Minitab.
Contoh 3.4
Untuk memperoleh parameter distribusi akan dibangkitkan 1000
sampel random dengan MINITAB dengan parameter bentuk   2 dan
parameter skala  = 3. Dari sampel random tersebut akan dilakukan
pendugaan  dan  dan dibandingkan dengan  dan  yang sesungguhnya.
Data tersebut kemudian diplotkan pada empat grafik probabilitas. Berikut
ini adalah plot sampel random yang telah dibangkitkan pada empat “kertas
grafik probabilitas” yaitu Normal, Eksponensial, Weibull dan Gamma.
Probability Plot for Data

Exponential - 95% C I Goodness of F it Test
Normal - 95% C I 99,99
90
99,99 50
Normal
A D = 3,056
99 P-V alue < 0,005
90
10
Exponential
A D = 102,808
50 1 P-V alue < 0,003
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
Gambar 3.8 Grafik Probabilitas Untuk Data

Descriptive Statistics
N N* Mean StDev Median Minimum Maximum Skewness Kurtosis

1000 0 2,69667 1,35083 2,57583 0,0703449 7,22902 0,402041 0,231715
Goodness of Fit Test
Distribution AD P
Normal 3,056 <0,005
Exponential 102,808 <0,003
Weibull 0,707 0,069
Gamma 5,799 <0,005
Berdasarkan plot grafik probabilitas tersebut dapat disimpulkan bahwa

sampel random berdistribusi Weibull (nilai P > 0,05). Berikut ini adalah hasil pendugaan para
ML Estimates of Distribution Parameters
Distribution Location Shape Scale Threshold

Normal* 2,69667 1,35083
Exponential 2,69667
Weibull 2,08186 3,03922
Gamma 3,16855 0,85108
* Scale: Adjusted ML estimate
Berdasarkan hasil di atas diperoleh parameter bentuk untuk distribusi
Weibull yaitu  = 2,08186 dan parameter skala  = 3,03922. Dengan mengaplikasikan metod
 = 3.
BAB IV
APLIKASI DISTRIBUSI WEIBULL
Pada bab IV akan dibahas aplikasi distribusi Weibull dalam bidang analisis waktu
hidup dan pengandalian mutu.
A. Aplikasi Dalam Analisis Data Waktu Hidup
Definisi 4.1
Waktu hidup didefinisikan sebagai durasi waktu yang diperlukan oleh sebuah
komponen masih berguna atau berfungsi.
Misalnya waktu hidup baterai merupakan variabel random. Secara umum
variabel waktu hidup bersifat kontinu dan non-negatif. Dalam hubungannya
dengan waktu hidup, terdapat beberapa hal penting yang digunakan dalam
analisis yaitu reliabilitas, distribusi waktu kegagalan dan model waktu hidup
Weibull .
1. Reliabilitas
Seperti telah dijelaskan sebelumnya bahwa waktu hidup sangat
berkaitan dengan waktu bertahannya komponen. Dalam kaitan dengan
analisis waktu hidup reliabilitas menjadi bagian penting karena reliabilitas
berkaitan dengan kemampuan komponen bertahan sampai waktu yang
telah ditetapkan. Berikut ini akan dijelaskan lebih lanjut tentang reliabilitas
dalam kaitannya dengan analisis waktu hidup.

Definisi 4.2
Reliabilitas dari sebuah produk adalah probabilitas produk tersebut akan
berfungsi sampai limit yang telah ditetapkan paling sedikit satu periode
waktu dengan mempertimbangkan kondisi tertentu.
Oleh karena reliabilitas didefinisikan sebagai probabilitas maka teori
probabilitas dapat digunakan untuk menghitung reliabilitas dalam sistem
yang kompleks jika reliabilitas dari komponen individu diketahui. Sistem
itu sendiri didefinisikan sebagai berikut.
Definisi 4.3
Menurut Kamus Bahasa Indonesia Kontemporer, sistem adalah
seperangkat peraturan, prinsip, fakta dan sebagainya yang disusun dalam
bentuk yang teratur; cara untuk mengerjakan sesuatu; seperangkat unsur
yang saling berhubungan sehingga membentuk satu kesatuan. Sedangkan
menurut Oxford Dictionary, sistem adalah himpunan alat atau
perlengkapan yang berfungsi bersama; metode; prinsip-prinsip dalam
melakukan sesuatu.
Kebanyakan sistem mempunyai karakteristik umum, yaitu:
1. Sistem memiliki struktur, artinya sistem tersusun atas komponen-
komponen atau elemen dan komposisinya.

2. Sistem memiliki perilaku yang melibatkan input, proses, output dan
informasi atau data.
3. Sistem memiliki interkonektivitas, artinya setiap bagian dalam sistem
mempunyai hubungan satu dengan yang lain.
4. Sistem mungkin memiliki beberapa fungsi atau kumpulan fungsi.
Secara umum sistem dibagi menjadi 2 yaitu sistem seri dan sistem
paralel atau kombinasi keduanya. Sebuah sistem dikatakan seri jika semua
komponen dalam sistem saling berhubungan sehingga sistem tersebut akan
gagal jika sebarang komponen gagal. Sedangkan dalam sistem paralel,
sistem akan gagal jika semua komponen gagal. Berikut ini akan dibahas
lebih lanjut mengenai kedua sistem tersebut.
a. Sistem Seri
Andaikan sebuah sistem terdiri atas n komponen yang terhubung
secara seri dan komponen-komponen tersebut bersifat bebas, artinya
probabilitas dari satu komponen berfungsi tidak akan berpengaruh
pada probabilitas berfungsinya komponen yang lainnya. Jika Si
menyatakan keberhasilan berfungsinya komponen ke-i dalam suatu
sistem seri S, maka keberhasilan sistem tersebut sehingga dapat
berfungsi bergantung pada keberhasilan berfungsinya masing-masing
komponen yaitu
S = S1 ∩ S2 ∩ … ∩ Sn
Jadi, probabilitas sistem tersebut dapat berfungsi adalah
Rs(t) = P(Tseri > t) (4.1)

artinya komponen tersebut akan bertahan jika waktu hidup dari sistem
tersebut (Tseri) lebih dari waktu t yang telah ditentukan, sehingga
persamaan (4.1) dapat dinyatakan sebagai
Rs(t) = P[(T1 > t) ∩ (T2 > t) ∩ … ∩ (Tn > t)]

n
i=1 P(Ti > t)
=
n
= i=1 Ri(t) (4.2)
dimana Ri(t) adalah reliabilitas dari komponen ke-i pada waktu t dan
Rs(t) adalah reliabilitas dari sistem seri. Sistem seri tersebut dapat
digambarkan sebagai berikut.
Gambar 4.1 Blok Diagram Sistem Seri
Contoh 4.1
Sebuah sistem kontrol terdiri dari lima buah unit dimana semua
komponennya bekerja seluruhnya agar sistem kontrol tersebut dapat
berfungsi. Jika reliabilitas dari kelima komponen tersebut masing-
masing 0,9; 0,95; 0,87; 0,93 dan 0,9, tentukan reliabilitas dalam sistem
kontrol tersebut.
Penyelesaian
Blok diagram yang paling mewakili dari sistem kontrol tersebut
adalah blok diagram reliabilitas dengan susunan seri. Jika reliabilitas
dari masing-masing komponen adalah Ri(t) maka reliabilitas dari
sistem kontrol tersebut adalah
Rs(t) = G Ri(t)
i=1
= 0,9 ∙ 0,95 ∙ 0,87 ∙ 0,93 ∙ 0,9
= 0,62260
Contoh 4.2
Andaikan reliabilitas berdasar waktu dari lampu-lampu dalam
rangkaian listrik adalah fungsi Weibull

β
R 1(t) = e–α1t
β
R 2(t) = e–α2t
β
R 3(t) = e–α3t
β
R 4(t) = e–α4t
5 β
R (t) = e–α5t
Tentukan Reliabilitas sistem.
Penyelesaian
Reliabilitas sistem berdasarkan persamaan (4.2) adalah

5
Rs(t) = G Ri(t)
i=1
β β β β β
= e–α1t ∙ e–α2t ∙ e–α3t ∙ e–α4t ∙ e–α5t
β
= e–(α1+α2+α3+α4+α5)t
Jadi, reliabilitas sistem berdasarakan sistem persamaan di atas adalah
β
R s(t) = e–(α1+α2+α3+α4+α5)t .
b. Sistem Paralel
Salah satu cara yang dapat dilakukan untuk meningkatkan
relabilitas dari sistem adalah dengan menggantikan komponen tertentu
dengan komponen yang sama yang terhubung secara paralel. Jika
sistem tersebut memuat n komponen yang saling bebas dan terhubung
secara paralel, sistem tersebut tidak dapat berfungsi jika n komponen
dalam sistem tersebut semuanya gagal. Andaikan Fi adalah kegagalan
komponen ke-i dalam sistem paralel F, oleh karena kegagalan sistem
tersebut sangat bergantung pada kegagalan masing-masing komponen
dalam sistem maka kegagalan sistem tersebut dinyatakan sebagai
Fparalel = F1 ∩ F2 ∩ … ∩ Fn
Jadi, jika Fi(t) = 1 − Ri(t) adalah kegagalan komponen ke-i pada
waktu t, maka kegagalan dari sistem paralel tersebut adalah
Fp(t) = P(Tparalel ≤ t) (4.3)
dimana sistem tersebut akan gagal jika waktu bertahan dari sistem
paralel (Tparalel) kurang dari atau sama dengan waktu t, sehingga
persamaan (4.3) dinyatakan sebagai

Fp(t) = P[(T1 ≤ t) ∩ (T2 ≤ t) ∩ … ∩ (Tn ≤ t)]

n
= 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)
Dengan Rp(t) adalah reliabilitas dari sistem paralel pada waktu t.
Sistem paralel tersebut dapat digambarkan sebagai berikut.
Gambar 4.2 Blok Diagram Sistem Paralel
Contoh 4.3
Reliabilitas sistem paralel dinyatakan dengan Weibull sebagai berikut

β
R 1(t) = e–α1t
β
R 2(t) = e–α2t
Tentukan reliabilitas sistem tersebut.
Penyelesaian
Berdasarkan persamaan (4.4) diatas, maka reliabilitas sitem paralel di
atas adalah
n
Rp (t) = 1 − G[1 − Ri (t)]

i=1
β β
= 1 − [(1 − e–α1t ) ∙ (1 − e–α2t )]
β β β
= e–α1t + e–α2t − e–(α1+α2)t
Jadi, reliabilitas sistem tersebut adalah
β β β
R p(t) = e–α1t + e–α2t − e–(α1+α2)t .
Reliabilitas dari sebuah sistem atau sebuah komponen sangat
bergantung pada lamanya waktu komponen tersebut bertahan. Jadi, pokok
bahasan penting yang menjadi dasar dalam reliabilitas adalah mengenai
distribusi kegagalan yaitu distribusi dari waktu sampai komponen gagal
pada waktu dan kondisi tertentu. Cara yang dapat dilakukan untuk
mengkarakterisasikan distribusi ini adalah dengan mencari tingkat
kegagalan. Berikut ini akan diuraikan mengenai distribusi waktu
kegagalan.
2. Distribusi Waktu Kegagalan
Andaikan ƒ(t) adalah fungsi probabilitas dari waktu kegagalan dari
komponen, yaitu probabilitas komponen akan gagal antara waktu t dan
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
R(t) = 1 − F(t) (4.5)
Dari persamaan (4.5) diperoleh
F'(t) = −R'(t)
ƒ(t) = −R'(t) (4.6)
atau
ƒ(t) = − dR(t) (4.7)

dt
dimana ƒ(t) ≥ 0 dan ƒ∞ ƒ(x)dx = 1

0
sehingga berdasarkan Definisi 2.6 maka rata-rata waktu kegagalan dari komponen dapat diny
∞
E(T) = ƒ tƒ(t)dt
0
dengan mensubstitusikan persamaan (4.7) ke dalam persamaan di atas
maka akan diperoleh
∞
E(T) = − ƒ t dR(t)
0 dt dt
dR(t)
Dengan integral parsial, memisalkan u = t dan dv = dt dt akan
diperoleh
E(T) = ƒ∞ R(t)dt (4.8)

0
Contoh 4.4
Berdasarkan Contoh 4.2 dan Contoh 4.3 di atas, tentukan rata-rata waktu kegagalan dari m
Penyelesaian
a.Berdasarkan Contoh 4.2 diketahui
β
Rs(t) = e–(α1+α2+α3+α4+α5)t
Maka rata-rata waktu kegagalan dari sistem seri di atas adalah

∞
E(T) = ƒ R(t)dt
0
∞
= ƒ0 Rs(t)dt
∞–(α1+α2+α3+α4+α5)t β
= ƒ
0 e dt
Misalkan α1 + α2 + α3+α4+α5 = K dan misalkan u = Ktβ

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
1
1 β
[ ]
1
atau E(T) = { (α1+α2+α3+α4+α5) } Γ ( )
β β
b.Berdasarkan Contoh 4.3 diketahui
β β β
Rp (t) = e –α 1t + e –α 2t — e–(α 1+α )t
2
Maka rata-rata waktu kegagalan dari sistem paralel berdasarkan
contoh tersebut adalah

∞
E(T) = ƒ R(t)dt
0
∞
= 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
Jadi, rata-rata waktu kegagalan dari sistem paralel berdasarkan
Contoh 4.3 adalah
1 1
β 1 1
β 1 1
β
( ) ( ) ( )
1
E(T) = [
α1
+
α2
−
α1+α2 ]Γ( )
β β β β
Probabilitas komponen akan gagal pada interval dari t sampai t + ∆t
adalah F(t + ∆t) − F(t) dan probabilitas bersyarat dari kegagalan pada
interval tersebut jika diasumsikan bahwa komponen bertahan sampai
waktu t dinyatakan sebagai
F(t+∆t)–F(t)
(4.9)
R(t)
Jika persamaan (4.9) dibagi dengan ∆t maka akan diperoleh tingkat
kegagalan pada interval dari t sampai t + ∆t yang dinyatakan sebagai
berikut
F(t+∆t)–F(t) 1 (4.10)
∆t ∙ R(t)
Dengan mengoperasikan persamaan (4.10) di atas dengan operasi limit
∆t → 0 maka akan didapatkan tingkat kegagalan seketika atau tingkat
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
ƒ(t) ƒ(t) (4.11)

Z(t) = R(t) = 1–F(t)
Fungsi tingkat kegagalan memperlihatkan tingkat kegagalan sebagai
bagian dari distribusi waktu kegagalan. Berikut ini akan diberikan kurva
tingkat kegagalan.
Gambar 4.3 Kurva tingkat kegagalan komponen
Kurva tingkat kegagalan yang merupakan ciri khas dari banyak item
hasil produksi ditunjukkan pada gambar di atas. Kurva tersebut dibagi
dalam 3 bagian. Bagian pertama menunjukkan penurunan tingkat
kegagalan dan hal itu merepresentasikan periode sampai item yang
kualitasnya buruk (cacat) yang diproduksi menjadi berkurang. Hal ini
biasanya terjadi pada industri elektronik yang segera membuang
komponen yang terdeteksi cacat untuk mengurangi tingkat kegagalan pada
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.
Bagian ketiga seringkali digolongkan sebagai peningkatan tingkat
kegagalan dan pada periode ini komponen akan gagal semata-mata karena
komponen tersebut telah usang. Sebagai catatan, secara umum kurva
tingkat kegagalan adalah kekhasan dari mortalitas

manusia, dimana bagian pertama menunjukkan kematian pada saat bayi,
sedangkan pada bagian ketiga menunjukkan kematian karena lanjut usia.
Berikut ini akan dijelaskan hubungan yang penting yang
mengekspresikan fungsi densitas waktu kegagalan dalam hubungan
dengan fungsi tingkat kegagalan. Dengan menggunakan fakta bahwa
R(t) = 1 − F(t) (persamaan (4.5)) sehingga F ' (t) = −R ' (t), jadi fungsi
tingkat kegagalan (Z(t)) dapat ditulis sebagai
Z(t) = − R'(t) d[ln R(t)]

=−
R(t) dt
dengan pengintegralan persamaan diferensial di atas menjadi R(t),
diperoleh
t
R(t) = e – ƒ 0Z(x)dx
dan, dengan menggunakan hubungan ƒ(t) = Z(t) ∙ R(t) berdasarkan
persamaan (4.11), akhirnya diperoleh
t
ƒ(t) = Z(t) ∙ e – ƒ 0Z(x)dx
Seperti yang telah dijelaskan pada Gambar 4.3, seringkali diasumsikan
bahwa tingkat kegagalan konstan sampai periode komponen tersebut
masih berguna. Misalkan tingkat kegagalan tersebut disimbolkan dengan l,
dimana l > 0 dan dengan mensubstitusikan l ke dalam persamaan di atas
maka akan diperoleh
ƒ(t) = l ∙ e–lt t>0
Jadi, berdasarkan persamaan (2.2) akan diperoleh waktu kegagalan
berdistribusi eksponensial ketika tingkat kegagalan diasumsikan

konstan. Asumsi dari tingkat kegagalan yang konstan ini biasanya disebut
sebagai asumsi Eksponensial.
Dalam praktik, asumsi dari tingkat kegagalan yang konstan sering
tidak realistis dan dalam banyak situasi akan diasumsikan bahwa fungsi
tingkat kegagalan akan meningkat atau menurun secara pelan terhadap
waktu. Asumsi ini akan konsisten dengan penjelasan Gambar 4.3 di awal.
Fungsi yang sangat berguna yang dapat digunakan untuk mencari
pendekatan kurva tingkat kegagalan dinyatakan sebagai berikut
Z(t) = αβtβ–1 t>0 (4.13)
dimana α dan β adalah konstanta positif (Johnson, 2005). Keadaan yang
umum dari fungsi tersebut adalah: jika β < 1 maka tingkat kegagalan akan
menurun terhadap waktu; jika β > 1 maka tingkat kegagalan akan
meningkat terhadap waktu; dan jika β = 1 maka tingkat kegagalan akan
sama dengan α. Sebagai catatan, asumsi dari tingkat kegagalan yang
konstan yaitu asumsi eksponensial, merupakan kasus khusus (Johnson,
2005).
Jika persamaan Z(t) pada persamaan (4.13) di atas disubstitusikan
ke persamaan (4.12), maka akan diperoleh

t
– ƒ Z(x)dx
ƒ(t) = Z(t) ∙ e 0
β−1 t β−1
= αβt ∙ e− ƒ αβt
0
dt
β
= αβtβ−1 ∙ e−αt , t>0
dimana α dan β adalah konstanta positif. Fungsi densitas di atas
merupakan fungsi densitas dari distribusi Weibull seperti pada persamaan
(3.1). Pokok bahasan berikutnya akan menjelaskan lebih lanjut mengenai
penggunaan distribusi Weibull dalam analisis data waktu hidup.
3. Model Waktu Hidup Weibull
Pengujian waktu hidup dari komponen sampai periode hidup dari
komponen biasanya menggunakan model eksponensial, namun tingkat
kegagalan dari komponen tidak selalu konstan sepanjang periode
pengujian (Johnson, 2005). Dalam beberapa kasus, masa kegagalan
komponen juga mungkin akan sangat panjang sepanjang periode
pengujian. Bagaimanapun, hal terpenting dalam menguji waktu hidup
adalah menentukan waktu yang dipakai daripada menentukan
kemungkinan kegagalan dari komponen yang kritis dari sistem yang
kompleks. Dalam beberapa kasus, model eksponensial biasanya tidak
dapat diaplikasikan dan perlu untuk mensubstitusikan asumsi yaitu tingkat
kegagalan konstan.
Seperti yang telah dijelaskan sebelumnya, distribusi Weibull cukup
mendeskripsikan waktu kegagalan dari komponen ketika tingkat kegagalan
dari komponen tersebut meningkat atau menurun seiring dengan
bertambahnya waktu.
Berdasarkan persamaan (3.1), maka fungsi reliabilitas yaitu waktu
kegagalan yang berdistribusi Weibull diberikan sebagai

β
R(t) = e–αt (4.14)
dan fungsi tingkat kegagalan berdistribusi Weibull dinyatakan sebagai
Z(t) = αβtβ–1 (4.15)
Sedangkan rata-rata kegagalan kegagalan akan sama dengan rata-rata dari
distribusi Weibull yang telah diberikan pada Bab III yaitu
–1 1
E(T) = α β Γ ( β+ 1) (4.16)
Contoh 4.5
Contoh berikut akan memberikan uraian tentang aplikasi model Weibull
dalam analisis data waktu hidup.

Andaikan diberikan n = 16 waktu hidup independen (yang diberikan dalam bulan) hasil ob
31,739,257,565,065,870,075,075,2
87,788,394,2101,7105,8109,2110,0130,0
Tentukan distribusi yang cocok untuk menganalisis data di atas kemudian

gambarkan grafik fungsi distribusi kumulatif, fungsi reliabilitas dan fungsi tingkat kegagalan
Penyelesaian
Dalam menganalisis waktu hidup terdapat dua distribusi yang dapat
digunakan yaitu distribusi Eksponensial dan distribusi Weibull. Seperti
yang telah dijelaskan bahwa distribusi Eksponensial merupakan distribusi
yang biasanya digunakan untuk menganalisis waktu hidup. Namun jika
data tidak berdistribusi Eksponensial sehingga distribusi Eksponensial
tidak dapat digunakan maka alternatif lain yang dapat digunakan adalah
data dianalisis dengan distribusi Weibull. Untuk menentukan distribusi
yang cocok untuk menganalisis data di atas digunakan grafik probabilitas
sebagai berikut.
Probability Plot for Waktu Hidup

Goodness of F it Test
Exponential - 95% CI Weibull - 95% CI
Exponential A D = 3,375
P-V alue < 0,003
95 95
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
Gambar 4.4 Grafik Probabilitas Untuk Waktu Hidup
N N* Mean StDev Median Minimum Maximum Skewness Kurtosis

16 0 81,6437 26,7759 81,45 31,7 130 -0,176150 -0,376735
Distribution AD P
Weibull 0,190 >0,250

Exponential 81,64375
Weibull 3,57736 90,77298
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.
Empirical CDF of Waktu Hidup

Weibull
Shape 3,577
100 Scale 90,77
N16
80
60
Perc
40
20
0
20 40 60 80 100 120 140
Waktu Hidup
Gambar 4.5 Grafik Fungsi Distribusi Kumulatif

Survival Plot for Waktu Hidup

Weibull
Complete Data - ML Estimates
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
204060 80 100 120 140

Waktu Hidup
Gambar 4.6 Grafik Fungsi Reliabilitas
Hazard Plot for Waktu Hidup

Weibull
Complete Data - ML Estimates
0,12 Table of Statistics

S hape S cale
3,57736
M ean S tDev
90,7730
81,7682
0,10 25,3719
M edian 81,9335
IQ R35,3741
0,08 F ailure16
C ensor0
A D*0,971
0,06
Ra
0,04
0,02
0,00
20 40 60 80 100 120 140

Waktu Hidup
Gambar 4.7 Grafik Fungsi Tingkat Kegagalan

Dari ketiga grafik tersebut maka dapat ditentukan:
a. Probabilitas komponen hidup hingga suatu waktu tertentu (dapat
dilihat dari Gambar 4.5).
b. Probabilitas komponen bertahan hingga suatu waktu tertentu (dapat
dilihat dari Gambar 4.6).
c. Tingkat kegagalan komponen hingga suatu waktu tertentu (dapat
dilihat pada Gambar 4.7).
B. Aplikasi Dalam Pengendalian Mutu
Pada subbab ini akan dibahas mengenai aplikasi dari distribusi Weibull dalam
pengendalian mutu. Beberapa hal yang berkaitan dengan pengendalian mutu
yang akan dibahas antara lain mengenai grafik pengendali dan Perbandingan
Kemampuan Proses sebagai berikut.
1. Grafik Pengendali
Seperti telah dijelaskan pada Bab II, salah satu alat yang digunakan
dalam mengawasi proses agar tetap stabil adalah grafik pengendali.
Grafik pengendali yang biasanya digunakan adalah grafik pengendali
Shewhart yang didasarkan pada asumsi bahwa data yang diuji
berdistribusi normal. Namun, banyak karakteristik kualitas yang tidak
mengikuti asumsi kenormalan. Jika data yang tidak berdistribusi normal
namun dengan mengasumsikan bahwa data berdistribusi normal dan diuji
dengan grafik pengendali Shewhart maka hasil pengujian dapat
menghasilkan error yang besar (Samanta et al., 2004).

Salah satu cara untuk menyelesaikan masalah ketidaknormalan
adalah dengan memanfaatkan fungsi kuantil. Seperti diketahui
sebelumnya, fungsi densitas dan fungsi distribusi kumulatif dari
distribusi Weibull adalah sebagai berikut:
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
{−ln[1 − F(x)]} = αxβ

1
αx = {−ln[1 − F(x)]}β
1
1
x ={−ln[1 − F(x)]}β
α
1
atau F–1(q) = 1 {−ln[1 − q]}β (4.17)
α
Fungsi di atas merupakan fungsi kuantil yang merupakan invers dari

fungsi distribusi kumulatif. Persamaan di atas kemudian digunakan untuk membentuk graf
pengendali Shewhart, μ − 3σ digunakan sebagai Batas Pengendali
Bawah, μ sebagai Garis Tengah dan Batas Pengendali Atas yaitu μ +

3σ. Untuk distribusi tidak normal seperti distribusi Weibull
memanfaatkan kuantil bawah yaitu 0,00135 untuk membentuk Batas
Pengendali Bawah, Garis Tengah adalah median dari data yaitu 0,5 yang
menggantikan rata-rata. Pada distribusi tak normal digunakan median
oleh karena bentuk grafik fungsi distribusi yang tak simetris yang
menyebabkan rata-rata tidak terletak di tengah grafik. Untuk membentuk
Batas Pengendali Atas digunakan kuantil atas yaitu 0,99865 (Ahmad et
al., 2007).
Jadi berdasarkan konstanta-konstanta tersebut maka Batas Pengendali
Atas (BPA), Garis Tengah (GT) dan Batas Pengendali Bawah (BPB) dari
grafik individual yang berdistribusi Weibull adalah sebagai berikut:
1 1
BPB = {−ln[1 − 0,00135]}β
α
1 1
GT = {−ln[1 − 0,5 ]}β
α
1 {−ln[1 − 0,99865 ]}1β

BPA =
α
2. Perbandingan Kemampuan Proses
Terdapat beberapa cara untuk menentukan Perbandingan
kemampuan proses khususnya untuk data yang tidak berdistribusi normal.
Salah satunya adalah dengan melakukan transformasi data yang tidak
normal menjadi normal yaitu dengan transformasi Johnson, transformasi
Box-Cox atau transformasi akar kuadrat. Metode yang lain yang dapat
digunakan adalah metode persentil Clements dan metode persentil Burr.

Selain itu cara lain yang dapat digunakan untuk menentukan indeks
kemampuan proses yaitu dengan menggunakan metode Fungsi Distribusi
Kumulatif yang diperkenalkan oleh Wierda pada tahun 1933 dalam paper
A Multivariate Process Capability Index (Ahmad et al., 2007). Pada
subbab ini akan dibahas tentang Perbandingan Kemampuan Proses
dengan metode Fungsi Distribusi Kumulatif. Perhitungan dari
Perbandingan Kemampuan Proses berdasarkan metode tersebut diperoleh
berdasarkan bukti sebagai berikut.
Secara konvensional Perbandingan Kemampuan Proses didefinisikan
sebagai:
PKP =
BSÆ–BSB (4.18)
6σ
Jika X~N(μ, σ2) maka

1 –1 1
B
dan B = P(BSA < X <
PKP = φZ ( + )
2 2
3
BSB). Berikut ini bukti dari pernyataan di atas.
Pertama-tama perlu diketahui bahwa 1 B

P(X < BSA) = + . Oleh karena
2 2
X–μ
Z= maka diperoleh
σ
BSÆ–μ
P (X < )=
σ
1
+2
B (4.19)
2
yang ekuivalen dengan
φ–1 (1+ B) = BSÆ–μ

Z 2 2 σ
Oleh karena fungsi probabilitas dari Z simetris maka

BSB–μ BSÆ–μ 1 B
=− = φ–1 ( + ) (4.20)
σ σ Z 2 2
Dengan persamaan (4.19) dan (4.20) akhirnya diperoleh

BSA − BSB 1 BSA − μ BSB − μ

PKP = = ( — )
6σ 6 σ σ
1 –1 1 B –1 (1 + B )])
= (φZ ( + ) − [−φZ 2 2
6 2 2
1 –1 (1 + B )
= φZ 2 2
3
Dengan metode Fungsi Distribusi Kumulatif, Perbandingan Kemampuan
Proses didefinisikan sebagai berikut:

BSÆ
Φ–1 (0,5 + 0,5 ƒ ƒ(x)dx)
BSB
PKP =
3
dimana ƒ(x) menunjukkan fungsi densitas dari proses.
Berdasarkan simulasi yang dilakukan oleh Ahmad dkk yang
membandingkan metode persentil Clements, metode Burr dan metode
Fungsi Distribusi Kumulatif untuk menduga PKP diperoleh hasil bahwa
metode yang paling mendekati nilai sebenarnya adalah metode FDK. PKP
yang dihasilkan dari metode Clements lebih jelek jika dibandingkan
dengan kedua metode lainnya. Meskipun kedua metode tersebut lebih
baik daripada metode Clements namun hasil yang diperoleh dengan
metode FDK paling mendekati (Ahmad et al., 2007). Berikut ini adalah
contoh aplikasi pada pengendalian mutu dengan distribusi Weibull.
Contoh 4.6
Misalkan dibangkitkan 200 sampel random yang berdistribusi Weibull
dengan parameter skala (α) yaitu 0,5 dan parameter bentuk (β) yaitu 2.
Hasil yang diperoleh adalah 200 sampel random berdistribusi Weibull

yang berada pada satu kolom. Sampel tersebut kemudian dianalisis
dengan grafik pengendali individual berdasarkan distribusi Weibull.
Langkah-langkah yang dilakukan untuk membangkitkan sampel dengan
MINITAB yaitu Calc 🡪 Random Data 🡪 Weibull 🡪 Numbers of
rows of data to generate = 200 🡪 Store in Column(s) (misalkan C1) 🡪
Shape Parameter (misalkan 2) 🡪 Scale Parameter (misalkan 0,5) 🡪
OK. Sampel sejumlah 200 yang dibangkitkan secara random dapat
dilihat pada Tabel A1 lampiran.
Penyelesaian:
Untuk membentuk grafik individual berdasarkan sampel random
tersebut terlebih dahulu akan dicari parameternya. Data diplotkan dalam
grafik probabilitas sebagai berikut.
Probability Plot for X

Exponential - 95% C I Goodness of F it Test
Normal - 95% C I 99,9
99,9 90
99 50
Normal
A D = 0,928
P-V alue = 0,018
90
10 Exponential A D = 22,226
50 P-V alue < 0,003
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
Gambar 4.8 Grafik Probabilitas Untuk X

N N* Mean StDev Median Minimum Maximum Skewness

Kurtosis
200 0 0,443227 0,215439 0,426984 0,0508523 1,09146 0,377528 -
0,412931
Distribution AD P
Normal 0,928 0,018
Weibull 0,255 >0,250
Gamma 0,954 0,019
Berdasarkan grafik probabilitas yang terbentuk berdasarkan 200 sampel
random dan berdasarkan nilai P yang tertera di atas dapat disimpulkan
bahwa sampel random berdistribusi Weibull. Berikut ini adalah hasil
pendugaan parameter distribusi berdasarkan metode Maksimum
Likelihood yang diperoleh dari Minitab.

Normal* 0,44323 0,21544
Exponential 0,44323
Weibull 2,18161 0,50060
Gamma 3,55771 0,12458
* Scale: Adjusted ML estimate
Berdasarkan hasil di atas diperoleh parameter bentuk yaitu 2,18161 dan
parameter skala yang dihasilkan adalah 0,50060. Dengan
mengaplikasikan metode Maksimum Likelihood menggunakan software
Minitab terlihat bahwa hasil pendugaan yang diperoleh mendekati
parameter sebenarnya yaitu parameter bentuk 2 dan parameter skala 0,5.
Berdasarkan parameter di atas maka dapat dicari BPA, GT dan BPB.
Hasil yang diperoleh adalah sebagai berikut.
1
1
BPB = {−ln[1 − 0,00135]}2,18161
1,997603
= 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
Gambar 4.9 Grafik Individual dengan Excel
Jika dibentuk grafik individual berdasarkan distribusi normal maka hasil
yang diperoleh adalah sebagai berikut:

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
Gambar 4.10 Grafik Individual dengan MINITAB
Jika dibandingkan dua grafik di atas maka terlihat bahwa jika data
dianalisis dengan distribusi Weibull maka grafik tampak terkendali. Hal
ini terlihat dari tidak ada titik yang berada diluar batas pengendali.
Namun, jika data dianalisis dengan Grafik Individual menggunakan
Shewart, grafik tampak tak terkendali. Hal ini disebabkan karena data
yang digunakan adalah data yang berdistribusi Weibull dan parameter
yang digunakan juga tidak mendekati distribusi normal. Jadi, Jika data
tidak berdistribusi normal dianalisis dengan grafik pengendali Shewhart
diperoleh kesimpulan yang menyesatkan.
Selanjutnya dapat dilihat Perbandingan Kemampuan Prosesnya
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
BSÆ 1,2
β
ƒ ƒ(x)dx = ƒ αβxβ−1e−αx dx
BSB 0,02
Dengan memisalkan u = αxβ akan diperoleh

BSÆ
ƒ ƒ(x)dx = −e−αxβ] 1,2
0,02
BSB
= −e−α1,3β + e−α0,02β
dengan mensubstitusikan nilai α = 0,50060 dan β = 2,18161 akan menjadi

= −e−α1,2β + e−α0,02β = 0,9990
Sehingga
Φ–1(0,5 + 0,5 ∙ 0,9990)

PKP =
3
= 1,02
Jika digambarkan dengan MINITAB maka akan diperoleh grafik
kemampuan proses sebagai berikut.

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
Berdasarkan grafik hasil analisis kemampuan proses di atas terlihat

bahwa jika digunakan target BSB dan BSA yaitu [0,02, 1,2] maka PKP yang dihasilkan ada
BAB V
PENUTUP
A. Kesimpulan
Distribusi Weibull merupakan salah satu distribusi probabilitas
kontinu. Sama halnya dengan distribusi probabilitas kontinu yang lain,
distribusi Weibull juga memiliki beberapa sifat antara lain mean dan
variansi yang diperoleh dengan memanfaatkan fungsi gamma serta fungsi
pembangkit momen yang merupakan perkembangan dari momen.
Distribusi Weibull dapat diaplikasikan dalam analisis data waktu
hidup. Meskipun distribusi eksponensial merupakan distribusi yang sering
digunakan, namun terdapat kelemahan dari distribusi eksponensial yakni
tidak dapat diaplikasikan ketika tingkat kegagalan komponen meningkat
atau menurun seiring dengan bertambahnya waktu. Distribusi Weibull
dapat digunakan meskipun tingkat kegagalan komponen tidak konstan.
Selain dapat diaplikasikan dalam analisis data waktu hidup, distribusi ini
juga dapat digunakan dalam pengendalian proses statistik. Oleh karena
tidak semua data yang digunakan untuk menganalisis proses statistik
adalah data yang berdistribusi normal maka distribusi Weibull dapat
digunakan.
B. Saran
Penulis menyarankan beberapa hal sebagai berikut:
1. Mengulas lebih dalam tentang distribusi Weibull misalnya dengan
membahas fungsi distribusi Weibull dengan tiga variabel.
2. Menemukan aplikasi lain dari distribusi Weibull.
3. Mengembangkanaplikasiyangsudahada,misalnyadengan
menganalisis grafik pengendali selain grafik pengendali individual berdasarkan distribusi W
DAFTAR PUSTAKA
Abughazaleh, T., Mcandrew, I., O’Sullivan, J., dan Wickramatillake, C.

(2002). Weibull Control Charts for Small Sampel Inspection. Makalah
yang disajikan dalam Pakistan’s Seventh International Convention On
Quality Improvement, Oktober 26-27, di Karachi.
Ahmad,S., Abdollahian, S., Zeephongsekul, P., dan Abbasi, B. (2007).
Performance Analysis For Skewed Data.
http://www.ubicc.org/files/pdf/UBICC_IKE07_Performance%20Analys
is%20for%20skewed%20data_191_191.pdf diakses tanggal 17 Maret
2012.
Anonim. (2003). Oxford Dictionary and Thesaurus. Madison Avenue, NY:
Oxford University Press.
Forbes, C., Evans, M., Hastings, N., dan Peacock, B. (2011). Statistical
Distribution. Hoboken, NJ: John Wiley.
Hoaglin, David C., Mosteller, F., Tukey, John W. (1983). Understanding

Robust and Exploratory Data Analysis. NY: John Wiley.
Johnson, Norman L., Kotz, S., dan Balakrishnan, N. (1995). Continuous

Univariate Distribution Volume 1 Second Edition. Hoboken, NJ: A
Wiley-Interscience Distribution.
Johnson, Richard A. (2005). Probability and Statistics for Engineers. Upper

Saddle River, NJ : Pearson Prentice Hall.
Keisler, H J. (1986). Elementary Calculus: An Infinitesimal Approach

Second Edition. Boston, Massauhusetts: Prindle, Weber & Schmidt
Publisher.
Khan, M. S., Pasha, G. R., Pasha, A. H. (2007). Reliability and Quantile

Analysis of the Weibull Distribution. Journal of Statistics, Volume (14,
32- 52).
Larson, Harold J. (1982). Introduction to Probability Theory and Statistical

Inference Third Edition. Monterey, California: John Wiley.
Levinson, William A. (2011). Statistical Process Control for Real-World

Applications. Boca Raton, FL: Taylor and Francis Group.
Lawless, Jerald F. (2003). Statistical Models and Methods for Lifetime Data
Second Edition. Hoboken, NJ: John Wiley.
Mandenhall, W., Reinmuth, James E., dan Beaver, Robert J. (1993).

Statistics for Management and Economics Seventh Edition. Belmont,
California: Duxbury Press.
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).
Montgomery, Douglas C. (2009). Introduction To Statistical Quality

Control. Hoboken, NJ: John Wiley.
Mood, A. M., Graybill, F. A., Boes, D. C. (1974). Introduction to the

Theory of Statistics. NY: McGraw-Hill, Inc.
Murthy, D. N. P., Xie, M., Jiang, R. (2004). Weibull Models. Hoboken, NJ:
John Wiley.
Salim, P., Salim, Y., (1991). Kamus Bahasa Indonesia Kontemporer.

Jakarta: Modern English Press.
Pham, H. (2006). Springer Handbook of Engineering Statistics. Piscataway,

NJ: Springer.
Purcell, Edwin J., Varberg, D., Ridgon, Steven E. (2003). Calculus First
Edition. Upper Saddle River, NJ: Pearson Prentice Hall.
Rinne, H. (2009). The Weibull Distribution : A Handbook. Boca Raton:

CRC press.
Ross, S. (1998). A First Course in Probability Fifth Edition. Upper Saddle

River, NJ: Prentice-Hall.
Samanta, B., Bhattacherjee, A. (2004). Problem Of Non-normality In

Statistical Quality Control: A Case Study In A Surface Mine. The
Journal of The South African Institute of Mining and Metallugry,
Volume(-,257-264).
Scholz, F. (2008). Weibull Probability Paper.

http://www.stat.washington.edu/fritz/DATAFILES498B2008/WeibullP
aper.pdf diakses tanggal 28 September 2011.
Stewart, J. (1999). Calculus Fourth Edition. Pasific Grove, CA:

Brooks/Cole Publishing Company.
Varberg, D., Purcell, Edwin J., Ridgon, Steven E. (2003). Calculus Eighth
Edition. Upper Saddle River: Pearson Prentice Hall.
Wackerly, Mandenhall, Scheaffer. (2008). Mathematical Statistics with

Applications Seventh Edition. Belmont, CA: Thomson Learning.
Walpole, Ronald E. (1992). Pengantar Statistika Edisi ke-3. Jakarta:

Gramedia Pustaka Utama.
Zhang, M. (2008). Performance of Control Charts For Weibull Processes.

Electronic Theses, Treatises and Dissertations (ETDs). Paper (537,1-
59).
PPLLAAGGIIAATT MMEERRUUPPAAKKAANN
LAMPIRAN
Tabel A1. Bilangan Random
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
Tabel A2. Batas Pengendali Grafik Individual

n X BPB GT BPA 28 0,133418 0,024223 0,423184 1,189547
1 0,050852 0,024223 0,423184 1,189547 29 0,459327 0,024223 0,423184 1,189547
2 0,273989 0,024223 0,423184 1,189547 30 0,549936 0,024223 0,423184 1,189547
3 0,402568 0,024223 0,423184 1,189547 31 0,318663 0,024223 0,423184 1,189547
4 0,815742 0,024223 0,423184 1,189547 32 0,754828 0,024223 0,423184 1,189547
5 0,16881 0,024223 0,423184 1,189547 33 0,268973 0,024223 0,423184 1,189547
6 0,099512 0,024223 0,423184 1,189547 34 0,303509 0,024223 0,423184 1,189547
7 0,525521 0,024223 0,423184 1,189547 35 0,654205 0,024223 0,423184 1,189547
8 0,491834 0,024223 0,423184 1,189547 36 0,343458 0,024223 0,423184 1,189547
9 0,521819 0,024223 0,423184 1,189547 37 0,190902 0,024223 0,423184 1,189547
10 0,487249 0,024223 0,423184 1,189547 38 0,482768 0,024223 0,423184 1,189547
11 0,607227 0,024223 0,423184 1,189547 39 0,673676 0,024223 0,423184 1,189547
12 0,163639 0,024223 0,423184 1,189547 40 0,196635 0,024223 0,423184 1,189547
13 0,385926 0,024223 0,423184 1,189547 41 0,461117 0,024223 0,423184 1,189547
14 0,321588 0,024223 0,423184 1,189547 42 0,188319 0,024223 0,423184 1,189547
15 0,302224 0,024223 0,423184 1,189547 43 0,480554 0,024223 0,423184 1,189547
16 0,218695 0,024223 0,423184 1,189547 44 0,652871 0,024223 0,423184 1,189547
17 0,516828 0,024223 0,423184 1,189547 45 0,25592 0,024223 0,423184 1,189547
18 0,284163 0,024223 0,423184 1,189547 46 0,553842 0,024223 0,423184 1,189547
19 0,872617 0,024223 0,423184 1,189547 47 0,399867 0,024223 0,423184 1,189547
20 0,461648 0,024223 0,423184 1,189547 48 0,379374 0,024223 0,423184 1,189547
21 0,077124 0,024223 0,423184 1,189547 49 0,238617 0,024223 0,423184 1,189547
22 0,271441 0,024223 0,423184 1,189547 50 0,326642 0,024223 0,423184 1,189547
23 0,429881 0,024223 0,423184 1,189547 51 0,63849 0,024223 0,423184 1,189547
24 0,565899 0,024223 0,423184 1,189547 52 0,755031 0,024223 0,423184 1,189547
25 0,611473 0,024223 0,423184 1,189547 53 0,385152 0,024223 0,423184 1,189547
26 0,299641 0,024223 0,423184 1,189547 54 0,890145 0,024223 0,423184 1,189547
27 0,563423 0,024223 0,423184 1,189547 55 1,091465 0,024223 0,423184 1,189547
56 0,861353 0,024223 0,423184 1,189547 86 0,589935 0,024223 0,423184 1,189547

57 0,632189 0,024223 0,423184 1,189547 87 0,412296 0,024223 0,423184 1,189547
58 0,619239 0,024223 0,423184 1,189547 88 0,451985 0,024223 0,423184 1,189547
59 0,439618 0,024223 0,423184 1,189547 89 0,238027 0,024223 0,423184 1,189547
60 0,300439 0,024223 0,423184 1,189547 90 0,252804 0,024223 0,423184 1,189547
61 0,346279 0,024223 0,423184 1,189547 91 0,547193 0,024223 0,423184 1,189547
62 0,266968 0,024223 0,423184 1,189547 92 0,075987 0,024223 0,423184 1,189547
63 0,714042 0,024223 0,423184 1,189547 93 0,096092 0,024223 0,423184 1,189547
64 0,6233 0,024223 0,423184 1,189547 94 0,232284 0,024223 0,423184 1,189547
65 0,45367 0,024223 0,423184 1,189547 95 0,285828 0,024223 0,423184 1,189547
66 0,169749 0,024223 0,423184 1,189547 96 0,200325 0,024223 0,423184 1,189547
67 0,433314 0,024223 0,423184 1,189547 97 0,604195 0,024223 0,423184 1,189547
68 0,783361 0,024223 0,423184 1,189547 98 0,53929 0,024223 0,423184 1,189547
69 0,2937 0,024223 0,423184 1,189547 99 0,684528 0,024223 0,423184 1,189547
70 0,60229 0,024223 0,423184 1,189547 100 0,488253 0,024223 0,423184 1,189547
71 0,234795 0,024223 0,423184 1,189547 101 0,619327 0,024223 0,423184 1,189547
72 0,340237 0,024223 0,423184 1,189547 102 0,55392 0,024223 0,423184 1,189547
73 0,393696 0,024223 0,423184 1,189547 103 0,94402 0,024223 0,423184 1,189547
74 0,287857 0,024223 0,423184 1,189547 104 0,762649 0,024223 0,423184 1,189547
75 0,369282 0,024223 0,423184 1,189547 105 0,121232 0,024223 0,423184 1,189547
76 0,304801 0,024223 0,423184 1,189547 106 0,393968 0,024223 0,423184 1,189547
77 0,339776 0,024223 0,423184 1,189547 107 0,311296 0,024223 0,423184 1,189547
78 0,477802 0,024223 0,423184 1,189547 108 0,567499 0,024223 0,423184 1,189547
79 0,27439 0,024223 0,423184 1,189547 109 0,157484 0,024223 0,423184 1,189547
80 0,424087 0,024223 0,423184 1,189547 110 0,507655 0,024223 0,423184 1,189547
81 0,224251 0,024223 0,423184 1,189547 111 0,211835 0,024223 0,423184 1,189547
82 0,485604 0,024223 0,423184 1,189547 112 0,28908 0,024223 0,423184 1,189547
83 0,355532 0,024223 0,423184 1,189547 113 0,399524 0,024223 0,423184 1,189547
84 0,433437 0,024223 0,423184 1,189547 114 0,229318 0,024223 0,423184 1,189547
85 0,499361 0,024223 0,423184 1,189547 115 0,378848 0,024223 0,423184 1,189547
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
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

Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full

Diunggah oleh

Hak Cipta:

Format Tersedia

PPLLAAGGIAIATTMMEERRUUPPAAKKAANNTTINI

DISTRIBUSI WEIBULL: SIFAT-SIFAT DAN APLIKASINYA DALAM

ANALISIS DATA WAKTU HIDUP DAN PENGENDALIAN MUTU

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Program Studi Matematika

PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

WEIBULL DISTRIBUTION: CHARACTERISTICS AND ITS

APPLICATIONS IN LIFETIME DATA ANALYSIS AND

Presented as Partial Fulfillment of the Requirements

to Obtain the Sarjana Sains Degree in Mathematics

MATHEMATICS STUDY PROGRAM, MATHEMATICS DEPARTMENT

áuhan, Engkau menyelidiki dan mengenal aku.

MUST BE RESPONSIBLE TO WHATEVER GIVEN BY GOD

Skripsi ini dipersembahkan untuk

áuhan Yesus Kristus yang selalu menyertaiku

dengan kasih setiaNya yang tak terbatas,

Kedua orang tua Francisco Salsinha dan Cristina

Partilah, Adik-adik tercinta, Yustina dan áhomas

Seseorang yang selalu di hati,

serta Almamater yang kubanggakan.

Distribusi Weibull merupakan salah satu distribusi probabilitas kontinu.

Weibull distribution is one of the continous probability density

Keywords: Weibull distribution, Weibull probability paper, lifetime data

1. Bapak Ir. Ig. Aris Dwiatmoko,M.Sc selaku dosen pembimbing yang

5. Perpustakaan Universitas Sanata Dharma dan staf sekretariat Fakultas

6. Ayahanda yang penulis banggakan dan Ibundaku tercinta serta adik-

memberikan dukungan dan pengorbanan sehingga penulis dapat

8. Teman-teman angkatan 2008 Program Studi Matematika yaitu Yudith,

9. Teman-teman Kos Putri Aulia: K Merlyn Kris, Kakatua, Awo, Sende,

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan,

Yogyakarta, April 2012

Cecilia Novianti Salsinha

HALAMAN JUDUL DALAM BAHASA INGGRIS......................................ii

HALAMAN PERSETUJUAN PEMBIMBING...............................................iii

HALAMAN PERNYATAAN KEASLIAN KARYA......................................vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI...........................ix

A. Latar Belakang Masalah............................................................................1

BAB II LANDASAN TEORI

a. Distribusi Probabilitas Diskret...........................................................11

b. Distribusi Probabilitas Kontinu..........................................................12

3. Fungsi Distribusi Kumulatif....................................................................12

4. Karakteristik Distribusi Probabilitas.......................................................13

d. Fungsi Pembangkit Momen................................................................14

2. Sifat-sifat Distribusi Eksponensial..........................................................15

a. Fungsi Pembangkit Momen................................................................15

2. Sifat-sifat Distribusi Gamma...................................................................19

a. Fungsi Pembangkit Momen................................................................19

D. Teorema Nilai Rata-rata Untuk Turunan.....................................................23

F. Metode Maksimum Likelihood....................................................................29

G. Pengendalian Proses Statistik.......................................................................31

2. Analisis Kemampuan Proses...................................................................34

BAB III DISTRIBUSI WEIBULL

C. Fungsi Distribusi Kumulatif......................................................................44

3. Fungsi Pembangkit Momen................................................................48

E. Kertas Peluang Weibull.............................................................................52

1. Grafik Probabilitas Weibull................................................................52

2. Skala Dalam Kertas Peluang Weibull................................................55

a. Kertas Peluang Weibull Jenis Pertama (1 cycle log10).................59

b. Kertas Peluang Weibull Jenis Kedua (2 cycle log10)....................60

c. Kertas Peluang Weibull Jenis Ketiga (3 cycle log10)....................61

F. Pendugaan Parameter Distribusi................................................................61

BAB IV APLIKASI DISTRIBUSI WEIBULL

A. Aplikasi Dalam Analisis Data Waktu Hidup.............................................68