ANALISIS DATA MASA HIDUP - I

(RELIABILITAS - I)
OLEH : Enny Supartini

Referensi :
1. Charles E Ebeling ; Reliability and Maintainability
Engineering; Mc. Graw Hill Electrical Engineering Series; New
York.
2. Dhillon Balbir S., Reiche Hans; Reliability and Maintainability
Management ; Van Nostrand Reinhold Company; New York.
3. Patrik D. T. O’Connor; Practical Reliability Engineering; Second
Editions; JohnWiley & Sons Co. New York.
 MATERI
1. Pendahuluan
Reliabilitas atau keandalan?
Mengapa membutuhkan Teori Reliabilitas?
2. Statistika dan Matematika dalam Reliabilitas
Teori Peluang
Model-model Distribusi Peluang
~ Distribusi Peluang Diskrit : - Distribusi Binom
- Distribusi Poisson
~ Distribusi Peluang Kontinu
- Distribusi Normal (Gaussian)
- Distribusi Log Normal
- Distribusi Eksponensial
- Distribusi Gamma
- Distribusi Chi-square
- Distribusi Weibull
Pengujian hipotesis
Uji kecocokan model/Goodness of fit
3. Fungsi-fungsi dalam Reliabilitas
Fungsi reliabilitas
Fungsi Hazard
Reliabilitas dari Laju kerusakan/Fungsi hazard
Waktu Rata-rata Hingga Rusak (Mean Time to Failure = MTTF)
Kumulatif dan Rata-rata Laju Kerusakan
Reliabilitas kondisional
4. Model Laju Kerusakan (Failure Rate) Konstan
Fungsi Reliabilitas Distribusi Eksponensial
Rata-rata distribusi kerusakan untuk model CFR
Reliabilitas kondisional untuk CFR
Reliabilitas modus kerusakan
Modus kerusakan untuk model CFR
Terjadi Kerusakan pada saat Permintaan
Batas Reliabilitas
Konsep dasar Renewal Process
Proses Poisson
Homogen Poisson Process (HPP)
Nonhomogen Poisson Process (NHPP)
Model-model Nonhomogen Pisson Process
5. Maintenance
Beberapa jenis perawatan
Hubungan Keandalan Komponen dengan Perawatan
Analisis Downtime
Dua Jenis Model Penggantian
Model Penggantian
Uji Intensitas Power Law
Uji Cramer Von-Moses
Uji Laplace
Model-model Proses Non Homogen
Pendahuluan
• Suatu komponen atau mesin tidak selamanya akan berfungsi
dengan baik seperti ketika mesin/komponen itu baru, karena
akan mengalami proses penuaan atau aging process, untuk
mengatasi supaya mesin “muda lebih lama” harus dilakukan
perawatan. Perawatan yang tepat adalah perawatan yang
memperhitungkan masa hidup mesin/komponen tersebut,
analisis yang sesuai untuk ini adalah analisis reliabilitas.
• Reliabilitas atau keandalan adalah probabilitas sebuah
komponen, sub sistem atau sistem untuk melaksanakan
fungsinya dengan baik tanpa mengalami kegagalan dalam
kondisi operasional tertentu dan pada suatu periode tertentu.
• Penerapan teori reliabilitas dapat membantu untuk
memperkirakan peluang suatu komponen, sub sistem, atau
sistem untuk dapat bekerja sesuai tujuan yang diinginkan
dalam kurun waktu tertentu.
 AGING SYSTEM

2
Risk of Death

Risk of death
2

1
0 0 2 4 6 8 10 12
0 2 4 6 8 10 12
Age Age

(a) Non-aging system (b) Aging system

Gambar 1.1 Aging System

Nilai- nilai yang dapat dihitung dalam Teori Reliabilitas
• Jumlah kerusakkan yang terjadi dalam periode waktu tertentu.
• Waktu rata-rata diantara dua kerusakkan.
• Laju kerusakkan dari suatu komponen.
• Rata-rata lamanya waktu hilang karena adanya kerusakkan

Mengapa membutuhkan Teori Reliabilitas?

• Dapat mengurangi banyak komponen yang diperlukan dalam suatu
sistem (penggantian komponen terjadwal dengan baik).
• Pengaturan dan pemilihan material komponen yang lebih baik.
• Pemilihan tingkat stress, strain, dan stress-time untuk komponen
dalam sistem.
• Penggunaan metode probabilitas dan statistik untuk membuat
desain sistem serta distribusi masa pakai komponen optimal
• Penerapan rancangan, manufacturing, reliabilitas dan
maintainability untuk lebih mengoreksi desain sistem yang
digunakan serta memberikan alternatif perbaikan sistem yang lebih
kokoh.
• Akibat dari semua keuntungan yang ada bagi perusahaan adalah
dapat memperkecil biaya (cost minimization)
 Bath up Model

Gambar 1.2. Bath up curve

 Istilah yang digunakan dalam Bath up Model :
• Early-life period
• Di awal hidup suatu produk sampai periode tertentu t1 , laju
kerusakan (failure rate) suatu produk akan menurun seiring dengan
bertambahnya waktu. Periode ini diistilahkan drecreasing failure
rate (DFR). Periode ini disebut juga burn in period (masa
pemanasan).
• Steady-state period
• Laju kerusakan produk atau komponen mulai dari periode t1 sampai
t2 akan konstan seiring dengan bertambahnya waktu. Masa ketika
tingkat kegagalan suatu produk konstan disebut constant failure rate
(CFR) atau disebut juga masa maturity (pendewasaan).
• Wear-out period
• Mulai dari akhir masa CFR (t2) sampai waktu ke t yaitu waktu dimana
suatu produk akan rusak, laju kerusakan (failure rate) semakin
meningkat. Hal ini dikarenakan produk sudah mengalami aus. Masa
ini disebut dengan increasing failure rate (IFR) atau disebut sebagai
juga burn-out atau wear-out period.
 Failure (Kegagalan/Kerusakan)
Sebuah komponen mengalami penuaan setelah mulai mengalami
kerusakan. Kerusakan akan makin sering terjadi saat komponen atau
mesin memasuki masa wear-out period. Kerusakan merupakan
fenomena random yang dapat diamati dan diprediksi.
Jenis-jenis kerusakan:
Berdasarkan ‘kinerja sistem’
• degradation failures, sistem tidak berfungsi untuk sementara waktu,
biasanya terjadi penurunan kinerja sistem.
• fatal failures, sistem sudah rusak dan tidak dapat berfungsi lagi.
Berdasarkan ‘dapat tidaknya kerusakan diestimasi’
• Kerusakan yang waktu terjadinya dapat diestimasi.
Misal: mengetahui kapan sebuah komponen rusak (usia pakai
komponen), sehingga dapat dilakukan preventive maintenance.
• Kerusakan yang waktu terjadinya tidak dapat diestimasi. Misal:
kerusakan yang terjadi sebelum usia pakai komponen habis. Pada
kejadian ini, preventive maintenance tidak dapat dilakukan
Statistika dan Matematika dalam Reliabilitas
• I. Aturan Peluang
• Peluang tejadinya A : P(A), dalam hal ini 0 ≤ P(A) ≤ 1
• Peluang terjadinya B : P(B), dan juga 0 ≤ P(B) ≤ 1
• Peluang terjadinya A dan B : P(AB)
• Peluang terjadinya A atau B : P(A+B)
• Jika A dan B ‘independen’ maka : P(A/B) = P(A) juga P(B/A)=P(B)
• Jika A dan B ‘dependen’ maka : P(AB) = P(A)P(B/A) = P(B)P(A/B)
dan untuk P(A) ≠ 0 maka :
P( AB) P( AB)
P( B / A)  juga P( A / B) 
P( A) P( B)
• Peluang terjadinya salah satu dari A dan B :
P(A+B) = P(A) + P(B) – P(A)P(B)
• Jika A dan B ‘mutually exclusive’ maka P(AB) = 0 sehingga :
P(A+B) = P(A) + P(B)
DISTRIBUSI PELUANG
• SIFAT-SIFAT DISTRIBUSI PELUANG
• Distribusi Peluang Diskrit

Suatu peubah acak diskrit X dengan p(x) merupakan fungsi densitas

distribusi peluang dari X maka F(x) adalah fungsi distribusi dari X,
sehingga F(x) = p(X≤x) =𝜮p(x) dan 0 ≤ F(x)≤ 1

Beberapa sifat lain dari suatu distribusi peluang:

1. 0 ≤ p(x) ≤ 1
2. 𝜮p(x) = 1
3. E(x) = μ = 𝜮 x p(x)
4. σ2 = 𝜮 (x- μ)2 p(x)
Distribusi Peluang Kontinu
• X suatu peubah acak kontinu dan f(x) adalah fungsi densitas
untuk peubah acak diskrit maka F(x) adalah fungsi distribusi
dari X, sehingga :
x
1. P( X  x)  F ( x)  

f ( x)dx

dF ( x )
2. f ( x) 
dx


3. 

f ( x ) dx  1
b

4. P(a  x  b)   f ( x)dx  F (a )  F (b)

a


5. E ( X )   

 xf ( x)dx

6. Var ( X )   2  

( x   ) 2 f ( x)dx
Distribusi Peluang Diskrit
• Distribusi Binom
• Hanya mempunyai dua Outcome , misal sukses dan gagal, dengan
peluang sukses adalah p dan peluang gagal adalah q , fungsi
densitas distribusi peluang Binomial adalah :
• n! untuk x = 0,1,2, ...
p( x)  p x q( n x )
x !(n  x)!
• x = banyaknya item sukses
• (n-x) = banyaknya item gagal
• Dengan varians : σ2 = npq dan rata-rata : μ = np
• Distribusi peluang kumulatif Binomial untuk r sukses :
• r
n!
F (r )   p x q ( n x )
x  0 x !( n  x )!
Distribusi Poisson
• Distribusi peluang ini mempunyai rata-rata yang
konstan. Variabel acak X dikatakan memiliki distribusi
peluang Poison dengan x menyatakan kegagalan yang
terjadi pada selang waktu t maka fungsi densitas
adalah sbb :  x
e 
• p ( x)  dengan x = 0,1,2,......
x!
• dan  menyatakan rata-rata banyaknya kegagalan yang
terjadi per satuan waktu , besarnya nilai e=2,71828
• Rata-rata dan variansnya = 
2. Distribusi Peluang Kontinu
• Distribusi Normal (Gaussian)
• Fungsi densitas (pdf) :
1 1 x 2
• f ( x)  exp[  ( ) ] ,untuk -∞<x< ∞
1
 (2 ) 2 2 

• dengan π = 3,14159... Dan e = 2,71828...

• rata-ratanya = μ dan standar deviasinya = σ
x
• Dengan transformasi z  , maka distribusi peluang normal

umum menjadi distribusi peluang normal baku dengan pdf:
• f ( x) 
1
1
exp[ 
1 2
z ] untuk -∞<z< ∞
(2 ) 2 2

• Pendekatan Binomial terhadap Normal adalah :

• Dengan rata-rata μ = np dan varians : σ2 = npq
Distribusi Log Normal
• Distribusi ini biasa disebut sebagai distribusi serbaguna
(versatille), apabila asumsi distribusi normal tidak
dipenuhi, pdf :
1 1 ln x   2
f ( x)  exp[ ( ) ]
• ax(2 )
1
2 2  , untuk x≥0

• f(x) = 0 , untuk x<0

• Dengan rata-rata = exp(μ+σ2/2)

• Dan standar deviasi = [exp(2μ+2σ2)-exp(2μ+σ2)]1/2
• Dalam hal ini μ dan σ diperoleh dari ln data , jika μ » σ
maka distribusi log normal mendekati distribusi normal.
Distribusi Eksponensial
Variabel acak X berdistribusi eksponensial dengan
parameter λ apabila mempunyai fungsi densitas sbb:
, untuk x≥0
f ( x)   e x

f(x) = 0 , untuk x<0

Dalam analisis data masa hidup distribusi ini digunakan
apabila hazard rate (banyak kerusakan komponen per
satuan waktu) konstan, dengan rata-rata waktu
kerusakan MTTF (Mean Time to Failure) adalah 1/λ,
juga sebagai pembangkit proses Poisson.
 Distribusi Gamma
• Digunakan pada situasi apabila terjadi kegagalan parsial, atau waktu
hingga gagal ke a dan waktu hingga gagalnya berdistribusi Eksponensial.
Fungsi densitas distribusi Gamma :
 , untuk x≥0
f ( x)  ( x)a 1 exp( x)
( a )
f(x) = 0 , untuk x<0

a1/ 2
• Dengan rata-rata: μ = a/λ dan standar deviasi :  

• Apabila λ adalah angka kegagalan (failure rate) dan a banyaknya
kegagalan parsial dari seluruh kegagalan, maka fungsi Gamma :



a 1
(a )  x exp( x)dx
0

• Jika (a-1) bilangan bulat positif maka (a)  (a  1)!

• Distribusi Eksponensial merupakan kasus khusus dari distribusi Gamma
apabila a=1 maka : f(x) = λ exp (- λx)
Distribusi Chi- kuadrat
• Variabel acak X berdisrtibusi Chi-kuadrat dengan df = υ jika
mempunyai fungsi densitas :
• 1 v
1 x
f ( x)   v /2 x exp( )
2

• 2 (v / 2) 2 untuk x > 0

• f(x) = 0 , untuk lainnya
• Distribusi ini banyak digunakan dalam pengujian hipotesis , uji
kecocokan model distribusi peluang dan merupakan kasus khusus
dari distribusi Gamma untuk α=v/2 dan β=2 sedangkan v
merupakan bilangan bulat positif.
Distribusi Weibull
Merupakan gerbang untuk teori reliabilitas, dengan pdf :
 1 
t t 
f (t )    exp[    ] untuk t ≥ 0
    
f (t )  0 untuk t < 0
Dengan : β adalah parameter bentuk
η adalah parameter skala
rata-rata :    1  1 

  
 2   1  
2

varians : 2   
    1     1    
2

      
 
 

Apabila β=1 distibusi Weibul menjadi distribusi

eksponensial dengan λ=1/  , sedangkan untuk β=3,5
distribusi Weibull akan mendekati distribusi Normal.
III. Pengujian hipotesis dan uji kecocokan model
distribusi peluang
1. Langkah-langkah pengujian hipotesis
1. Rumuskan hipotesisnya sesuai dengan permasalahan
yang diuji
2. Tentukan taraf signifikansi α
3. Tentukan statistik pengujiannya
4. Tentukan kriteria pengujiannya
5. Simpulkan hasilnya
2. Uji Kecocokan Model Distribusi Peluang
Uji Kecocokan Model Distribusi Peluang

• Uji kecocokan untuk distribusi Binomial ?

• Uji kecocokan untuk distribusi Poisson?
• Uji kecocokan untuk distribusi Normal?
• Uji kecocokan untuk distribusi Log Normal?
• Uji kecocokan untuk distribusi Eksponensial?
• Uji kecocokan untuk distribusi Gamma?
• Uji kecocokan untuk distribusi Weibull?
Uji Kecocokan Chi-Kuadrat
Digunakan untuk sampel berukuran besar dan data disusun dalam tabel distribusi
frekuensi
Rumusan Hipotesis :
H0 : Data pengamatan berdistribusi tertentu
H1 : Data pengamatan tidak berdistribusi tertentu

(Oi  Ei ) 2
k
Statistik Uji :  
2

i 1 Ei
χ2 berdistribusi Chi-Square dengan df=k-1 dengan :
k = jumlah kelas interval
Oi = frekuensi observasi pada kelas interval ke i
Ei = frekuensi yang diharapkan pada kelas interval ke i atau
Ei = npi dan n=ukuran sampel sedangkan
Pi = peluang data observasi pada kelas interval ke i jika H0
benar = F(ai) – F(ai-1)

Kriteria Uji :
Terima H0 jika χ2 < χ2α(k-1)
Pi Sesuai dengan rumusan H0
• Untuk distribusi normal :
  ai     ai 1   
pi      
      

• Untuk distribusi log normal :

 1 ai  1 ai 1 
pi    ln     ln 
 s tmed  s tmed 
Uji Kecocokan Distribusi Eksponensial
Uji ini berdasarkan pada pendekatan Uji Bartlett
Rumusan Hipotesis :
H0 : Data pengamatan berdistribusi eksponensial
H1 : Data pengamatan tidak berdistribusi eksponensial
Statistik Uji :  1 r  1 r 
2r  ln( ) ti     ln ti  
B  r i 1   r i 1 
1  (r  1) / (6r )
Dengan ti adalah nilai data pengamatan ke i
r adalah ukuran sampel
Dan B berdistribusi Chi-Square dengan df=k-1
Kriteria uji :
Terima H0 jika χ21-α/2(r-1) <B< χ2(α/2)(k-1)
Uji Kecocokan Distribusi Weibull
Uji ini dikemukakan oleh Mann, Schafer dan Singfurwalla.
Rumusan Hipotesis :
H0 : Data pengamatan berdistribusi Weibull
H1 : Data pengamatan tidak berdistribusi Weibull
r 1
Statistik Uji : k1   ln ti 1  ln ti  / M i 
i  ki 1
M  k1
k2   ln li 1  ln ti  / M i 
i 1

Dengan k1=(r/2) dan k2=(r-1)/2

  i  0, 5  
Mi = Zi+1 – Zi dan Zi  ln   ln 1  
  n  0, 25 

Dan M berdistribusi Fdengan derajat bebas v1=2k2 dan v2=2k1

Kriteria uji :
Terima H0 jika M<F(α)(v1,v2)
UJI KOLMOGOROV-SMIRNOV UNTUK DISTRIBUSI NORMAL
• Dalam uji ini membandingkan antara distribusi kumulatif
empirik dengan distribusi kumulatif normal dengan rumusan
hipotesis sbb:
• H0 : Waktu kegagalan berdistribusi normal
• H1 : Waktu kegagalan tidak berdistribusi normal
• Dengan statistik uji : Dn = max {D1 ,D2} dengan,
  t  t   i  1  i  ti  t 
D1  max   i    D2  max    
• 1i  n
  s   n  dan 
1i  n
n  s 
• Sedangkan ,

n
n
t (t  t ) 2
t  i S2  i 1 i

• i 1 n
dan n 1

• Terima H0 jika Dn < Dtabel dan tolak H0 jika Dn ≥ Dtabel

• Dtabel diperoleh dari Tabel A7 Ebeling